Du betrachtest gerade April 2021 : Neue PlugIn – Anomalieerkennung über künstliche Intelligenz

April 2021 : Neue PlugIn – Anomalieerkennung über künstliche Intelligenz

  • Beitrags-Autor:
  • Beitrags-Kategorie:Allgemein
Anomalieerkennung über Deep Neural Network

Die neue PlugIn zur Anomalieerkennung ermöglicht das automatisierte Auffinden unbekannter Fehler auf Bauteilen. Durch das Trainieren einiger „Gut“ Bilder und anschließendem Lernvorgang lernt die künstliche Intelligenz den Optimalfall und kann bei anschließenden Kontrollen Abweichungen davon detektieren.

Zum Beispiel :

– Erkennung variabel auftretender Defekte auf Oberflächen wie Ausbrüche, Lunker, Kratzer usw.

– Allgemeine Bauteilveränderungen

– Montagefehler

– Formänderungen

– uvm.

Die Anomalieerkennung in der industriellen Bildverarbeitung erfordert lediglich sogenannte „Gut-Bilder“, die den jeweiligen Gegenstand in einem makellosen Zustand darstellen. Dies ist deutlich einfacher, schneller und kostengünstiger umzusetzen, da keine „Schlecht-Bilder“ von fehlerhaften Objekten generiert werden müssen. Ein zusätzlicher Vorteil besteht darin, dass die Trainingsdaten nicht manuell gelabelt werden müssen, was den Aufwand erheblich reduziert. Darüber hinaus benötigt der Trainingsprozess wesentlich weniger Bilder, was den Einstieg und die Anwendung der Technologie erleichtert.

Weitere Erläuterungen zur Anomalieerkennung in der industriellen Bildverarbeitung:

1. Funktionsweise:

Anomalieerkennungsmodelle lernen, was als „normal“ gilt, indem sie ausschließlich Daten von fehlerfreien Objekten (gute Bauteile) analysieren. Sobald das Modell trainiert ist, kann es Abweichungen vom Normalzustand erkennen und diese als potenzielle Fehler markieren.

2. Vorteile im Vergleich zu klassischen Methoden:

    • Reduzierter Datenaufwand: Klassische maschinelle Lernmethoden benötigen oft eine ausgewogene Anzahl von Gut- und Schlecht-Bildern, was die Datensammlung und -vorbereitung aufwendiger macht.
    • Flexibilität: Die Anomalieerkennung eignet sich besonders gut für Anwendungen, bei denen Fehler selten auftreten oder schwer simuliert werden können.
    • Skalierbarkeit: Durch die geringen Anforderungen an die Daten ist diese Methode auch bei einer Vielzahl von unterschiedlichen Produkten oder Produktionslinien effizient einsetzbar.

3. Praktische Anwendungen:

    • Qualitätsprüfung von Oberflächen (z. B. Kratzer, Dellen, Farbabweichungen).
    • Erkennung von strukturellen Fehlern in Materialien (z. B. Risse, Poren, Einschlüsse).
    • Überwachung von Produktionsanlagen durch die Analyse von Verschleißmustern.