Schweißnahtanalyse von Röntgenbildern mittels Deep Learning

Bild 2 | Der Prüfassistent übernimmt eine automatische Vorsortierung und Vormarkierung der kritischen Bilder und Schweißnähte. (Bild: Sentin GmbH)

Bild 2 | Der Prüfassistent übernimmt eine automatische Vorsortierung und Vormarkierung der kritischen Bilder und Schweißnähte. (Bild: sentin GmbH)

Training der Algorithmen

Bei der Entwicklung eines Deep-Learning-Modells müssen verschiedene Fehlertypen antrainiert werden, die das System dann automatisch lernt. Eine Schweißnaht kann innere und äußere Fehler aufweisen, die in ca. zehn Kategorien eingeteilt werden. Einige sind z.B. Risse, Poren, unvollständige Durchdringung, Spritzer oder Einschlüsse. Durch richtig klassierte Daten, die mit Bounding Boxes (Markierungen, wo im Bild der Fehler liegt) versehen sind, lernt das System, wie ein Mensch der viele Tausend Bilder gesehen hat, wie eine gute Schweißnaht aussieht. Danach kann es eigenständig solche Fehler finden und markieren. Für das Training gilt: je mehr Daten zur Verfügung stehen, desto besser. Durch sogenanntes Transfer Learning, bei dem ein Modell, dass bereits eine ähnliche Aufgabenstellung lösen kann, als Ausgangspunkt genutzt wird, kann bereits mit wenigen dutzend Beispielen ein hochgenaues Modell trainiert werden. So lassen sich die Modelle schnell auch auf z.B. Risse oder Kratzer auf metallischen Oberflächen von Produkten in der Qualitätssicherung umtrainieren. Beim Training ist darauf zu achten, dass die Rate der falsch-negativen Klassierungen (übersehene Fehler) möglichst gering ist. Für einen Anwendungsfall aus dem Luftfahrtbereich haben die entwickelten Modelle bereits eine Genauigkeit von über 99,9 Prozent erreicht.

Mehr Zeit für den Prüfer

Bei einer zertifizierten Prüfung, z.B. bei den Rohren eines Chemiebetriebs, können Software und Mensch zusammenarbeiten. Der Gedanke hinter dem Prüfassistenten ist eine automatische Vorsortierung und Vormarkierung der kritischen Bilder und Schweißnähte. So hat der Prüfer mehr Zeit für kritische Fälle oder andere Aufgaben, wie die eigentliche Bildaufnahme. Die entwickelten Modelle können in den Anlagen selbst eingesetzt oder auch über einen Cloud Service genutzt werden. Die Aufnahme und Bewertung von Bildern kann dann auch räumlich getrennt, irgendwo anders stattfinden. Für Anwendungsfälle, die keine zertifizierte menschliche Bewertung vorsehen, kann aber auch eine automatische Bewertung und die Integration in das Produktionsumfeld stattfinden.

Seiten: 1 2Auf einer Seite lesen

Themen:

Ausgabe:

inVISION 6 2019
sentin GmbH

Das könnte Sie auch Interessieren