Fehler per Self-Organizing Maps erkennen, ohne sie zu lernen

Bild 2 | Normiertes Histogramm der gefundenen SOM-Distanzen für ein Trainings-Sample von 100 Bildern eines Kondensators. Die trainierte SOM wurde auf drei weitere Bilder angewandt, bei denen der Kondensator fehlte. Diese wurden mit Distanzmaßen außerhalb des 3 Konfidenz-Intervalls (entspricht einer Bestimmtheit größer 99,7%) klar als fehlerhaft erkannt. (Bild: Industrial Analytics Lab GmbH)

Parallelen zum menschlichen Sehen

Bilder, die für das menschliche Auge einfach unterscheidbar sind, werden auch durch die SOM gut getrennt und umgekehrt. Durch dieses natürliche Lernen wird die Handhabung des Verfahrens erleichtert, da die Klassifikationsgüte mit dem menschlichen Empfinden der Schwierigkeit des Problems korreliert. Bild 1 zeigt eine SOM, die für die Bewertung einer Ringspule auf einer Platine antrainiert wurde. Das injizierte Fehler-Bild, bei dem die Ringspule eine Wicklung zu wenig aufweist, ist für den Menschen nur schwer von einem Gut-Bild zu unterscheiden. Entsprechend schlechtere Resultate liefert hier auch die SOM, die das injizierte Fehler-Bild lediglich ganz knapp außerhalb des angestrebten 3 Konfidenzintervalls zeigt. Mit diesen Labor-Resultaten können Optimum und IAL zeigen, dass SOMs in der Lage sind, auch kleine Abweichungen in einer Reihe von Bilddaten sicher zu klassifizieren. Die Tatsache, dass SOMs dabei (a) keine Vorgaben hinsichtlich der Art oder Anzahl von Klassen benötigen und (b) die intrinsische Möglichkeit der Angabe eines Bestimmtheitsmaßes für die erfolgte Klassifikation liefern, macht sie überlegen gegenüber supervised-learning KI-Methoden. Der SOM-Einsatz wird nun bei ausgewählten Pilot-Kunden von Optimum im regulären Montage-Ablauf erprobt werden.

Weitere Autoren:
Henrik Blunck, Partner Industrial Analytics Lab GmbH;
Andreas Felber, Geschäftsführer Optimum Datamanagement Solutions GmbH;
Wolfgang Mahanty, Geschäftsführer Optimum Datamanagement Solutions GmbH;
Andreas Merchiers, Partner Industrial Analytics Lab GmbH;
Markus Nübling, Geschäftsführer Optimum Datamanagement Solutions GmbH;
Peter-Christian Zinn, Managing Partner Industrial Analytics Lab GmbH

Seiten: 1 2Auf einer Seite lesen

www.ial.ruhr

Das könnte Sie auch Interessieren

Anzeige

Digital Vehicle Passport

Digital Vehicle Passport

DeGoulds range of automated vehicle inspection systems assess the exterior condition of a vehicle. The complete vehicle inspections identify any damage and provide specification checks for OEMs and partners in the finished vehicle logistics chain.

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige