Forschung
Automatisierte Fehlererkennung für die industrielle Qualitätskontrolle
Motivation
Der Einsatz von Machine Learning/Deep Learning in der industriellen, bildbasierten Qualitätskontrolle birgt enormes Potential, wird jedoch derzeit durch zwei Umstände verhindert:
- Überwachte Lernverfahren benötigen große Datenmengen, auch von fehlerhaten Zuständen, welche kostenintensiv erhoben werden müssen.
- Es existieren keine Verfahren, die geeignet sind, um den Produktlebenszyklus entwickelter Verfahren zu managen.
Die Methoden und aktuellen Entwicklungen im Bereich der Open Set Recognition bieten hier Lösungsansätze und werden in dem Projekt erforscht.
Wissenschaftliche Fragestellungen
Um das Problem der großen Datenmengen zu umgehen werden Algorithmen der Anomaly Detection erforscht und weiterentwickelt. Im Gegensatz zu klassischen, überwachten Lernverfahren, ist das Ziel der Anomaly Detection eine deskriptive und diskriminative Beschreibung des Normalzustandes.
Algorithmen werden hierbei auf dem öffentlichen MVTec Datensatz entwickelt und ebenso auf besondere Anwendungsfälle, wie bspw. der Fehlererkennung in komplexen Textilien (AiF Projekt OnLoomPattern), angepasst.
Als Basis für die Entwicklung von Verfahren zum Produktlebenszyklusmanagement werden Methoden der Out-of-Distribution (OOD) Detection erforscht und weiterentwickelt. In Kombination mit explainble AI (XAI) Algorithmen erlauben diese einerseits die automatische Einschätzung, ob ein Machine Learning System eingesetzt werden darf (OOD), sowie andererseits die Überprüfung der automatischen Einschätzung (XAI). Die Algorithmen werden ferner auf den besonderen Anwendungsfall der fälschungsresistenten Tierhaarfaserbestimmung (AiF Projekt KiT) angepasst.
Abschlussarbeiten
Es werden regelmäßig neue Abschlussarbeiten im Bereich der Automatisierten Fehlererkennung für die industrielle Qualitätskontrolle ausgeschrieben. Neben der Gesamtübersicht gibt es auch noch zahlreiche, noch nicht ausgeschriebene Themen, die gerne im persönlichen Gespräch vorgestellt werden.
Kooperationspartner
- Prof. Dr. Thomas Gries, Lehrstuhl für Textilmaschinenbau, ITA – Institut für Textiltechnik, RWTH Aachen
- Prof. Dr. Andreas Herrmann, Stellvertretender wissenschaftlicher Direktor, DWI – Leibniz-Institut für interaktive Materialien, Aachen
Drittmittel
- AiF – Forschungsnetzwerk Mittelstand, „Automatische Echtzeit-Fehlerdetektion in Textilien mit komplexen Musterungsstrukturen- OnLoomPattern“ Projektnr. AiF 19811 N
- AiF – Forschungsnetzwerk Mittelstand, „Integratives Messsystem zur Fehlererkennung während der textilen Flächenherstellung“ Projektnr. AiF 355 Z
- AiF – Forschungsnetzwerk Mittelstand, „KIT – Künstliche Intelligenz zur automatisierten, fälschungsresistenten Bestimmung von Tierhaaren“, Projektnr. AiF 21376 N
