Zur Qualitätssicherung von Produktionsschritten werden häufig Systeme auf Basis von konventioneller Bildverarbeitung eingesetzt. Deren Programmierung ist aufwendig und deren Einsatz stößt – insbesondere bei einer niedrigen Taktzeit bzw. einer hohen Produktionsrate – an die Grenzen von Rechenleistung und Zuverlässigkeit.
Durch den Einsatz von Deep Learning bzw. von neuronalen Netzen können einige Qualitätssicherungsaufgaben effektiver und stabiler als mit konventioneller Bildverarbeitung gelöst werden – teilweise können sogar konventional nicht umsetzbare Aufgabenstellungen gelöst werden. Als Hürde stellt sich hier die große Anzahl nötiger klassifizierter Trainingsbilder – beispielsweise Bilder mit klassifizierten Fehlergruppen – heraus. Da deren Gewinnung mit großem Aufwand verbunden ist, lohnt sich der Einsatz von Deep Learning nur für Produkte mit großen Stückzahlen – ein Einsatz für kleine Losgrößen ist aktuell nicht wirtschaftlich.
Ziel dieses Projektes in Kooperation mit ETEC - Automatisierungstechnik Ges.m.b.H. ist die Erstellung einer Methode zur Generierung von fehlerbehafteten klassifizierten Trainingsbildern aus CAD Daten von Produkten inkl. Evaluierung der Grenzen und Machbarkeiten. In weiterer Folge werden geeignete Deep Learning Netzwerke identifiziert, trainiert und deren Genauigkeit evaluiert. Durch die Zusammenführung der Ergebnisse in einer Versuchsanlage und die Anwendung auf verschiedenartige Produktfamilien werden Entscheidungs- und Erfolgsfaktoren für Qualitätssicherungsmaßnahmen auf Basis von Deep Learning identifiziert und in einer Entscheidungsmatrix nutzbar gemacht.
Für weitere Informationen zum Projekt, wenden Sie sich bitte an:
Benjamin Massow Hochschullektor Mechatronik & Smart Technologies +43 512 2070 – 3924 benjamin.massow@mci.edu
Foto: Adobe Stock - xiaoliangge
Finden Sie das Studium, das zu Ihnen passt.