- Machine Learning bietet standardisierte und zuverlässige Bildauswertung
- Wahl der Trainingsdaten beeinflusst Detektionsergebnisse erheblich
- Hauseigenes Optik-Labor bei HELLA Aglaia verhilft zu maßgeschneiderten Lösungen
Künstliche Intelligenz (KI) ist vielerorts längst fester Bestandteil des industriellen Alltags, beispielsweise in der Bildauswertung von optischen Qualitätskontrollen. Der Vorteil der intelligenten Algorithmen: Sie arbeiten schnell, standardisiert und automatisiert. Als Spezialist für computergestützte Bildverarbeitung setzt auch HELLA Aglaia bereits seit einigen Jahren neben klassischen Analyseverfahren auf den Einsatz von Machine-Learning-Algorithmen. Was bedeutet es aber, wenn eine Maschine lernt und Bilder auswertet, und warum ist dabei doch die qualifizierte menschliche Analyse der Schlüssel zum Erfolg?
Machine-Learning-Verfahren verwenden Daten und Ziele, um sich der Lösung einer Aufgabe zu nähern, beispielsweise der Erkennung eines Risses in einer Produktoberfläche. Bei klassischen Verfahren der Bildauswertung werden Merkmale vorgegeben, anhand derer ein Riss als solcher identifiziert werden kann. Im Gegensatz dazu sind Machine-Learning-Algorithmen selbstlernend und erlangen ihre Detektionskompetenzen, indem sie vorab bereitgestellte Datensätze analysieren. Je umfangreicher dieses Training, desto genauer die Detektionsergebnisse. Der Erfolg ist jedoch im höchsten Maße abhängig von den verfügbaren Bildvorlagen des zu prüfenden Produkts, da die Qualität eben dieser Trainingsdaten ausschlaggebend ist für hochgenaue und robuste Detektionsergebnisse.
Algorithmen nur so gut wie ihre Trainingsdaten
Der Markt bietet mittlerweile zahlreiche KI-Standardlösungen zur Bildauswertung, die schnelle Erfolge versprechen. Vortrainierte Algorithmen benötigen dabei nur vergleichsweise kleine Datenmengen, um sich auf die Erkennung bestimmter Merkmale zu spezialisieren. Dennoch besteht das Risiko, dass für die Detektion Merkmale verwendet werden, die gar nicht relevant sind.
Ein Beispiel: Ein Machine-Learning-Algorithmus wird mit Fotos defekter Produkte trainiert, um Kratzer in der Oberfläche zu erkennen. Bei einem Testeinsatz schlägt das System nun aber bei jeder Produktprüfung Alarm – sind wirklich alle Oberflächen beschädigt? Nein, man hatte vielmehr das Material des Produkts außer Acht gelassen. Statt der Kratzer hatte der Algorithmus daher die Lichtreflektion eines metallischen Bauteils als wiederkehrendes Muster erlernt.
Solche Fehltrainings können verschiedene Ursachen haben, beispielsweise eine zu geringe Menge an Trainingsdaten, ungeeignete Aufnahmen oder eine ungünstige Bildauswahl.
Mit individuellem Setup zu optimalen Ergebnissen
Zur Schaffung einer idealen Bildgrundlage beginnt die Projektarbeit bei HELLA Aglaia daher im Regelfall mit einer Machbarkeitsstudie. Im hauseigenen Optik-Labor wird dabei der Einsatz verschiedener Kameras und Beleuchtungsszenarien evaluiert, um die zu prüfenden Produkte und deren Merkmale bestmöglich zu erfassen. Ist das Aufnahme-Setup für ein Projekt bereits vorgegeben, kann dieses im Optik-Labor nachgestellt und eine optimale Lösung für die vorhandene Problemstellung entwickelt werden.
Die aus Testaufnahmen resultierenden Detektionsergebnisse werden anschließend einer genauen Analyse unterzogen. Dies stellt nicht nur die korrekte Detektion der für den Auftrag relevanten Merkmale sicher, sondern garantiert auch, dass diese optimal erfasst und klassifiziert werden können. So profitieren alle Projekte von einer maßgeschneiderten und hochpräzise arbeitenden KI-Lösung. Weiterhin berät HELLA Aglaia hinsichtlich des Kamera-Licht-Setups in der Produktion und sichert so die Reproduzierbarkeit der Ergebnisse.
Auf dieser Basis unterstützt HELLA Aglaia industrieübergreifend Vorhaben im Bereich der optischen Qualitätskontrolle, um zuverlässig Anomalien oder Defekte festzustellen – dies sowohl bei einzelnen Bauteilen als auch bei fertigen Produkten.