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

Kontakt

Veröffentlichungen

2022

Oliver Rippel, Corinna Zwinge and Dorit Merhof
Increasing the Generalization of Supervised Fabric Anomaly Detection Methods to Unseen Fabrics
In: Sensors 22 (13)


2022

Oliver Rippel, Nikolaj Schönfelder, Khosrow Rahimi, Juliana Kurniadi, Andreas Herrmann and Dorit Merhof
Panoptic Segmentation of Animal Fibers
In: 2022 IEEE International Instrumentation and Measurement Technology Conference (I2MTC)


2022

Oliver Rippel, Arnav Chavan, Chucai Lei and Dorit Merhof
Transfer Learning Gaussian Anomaly Detection by Fine-tuning Representations
In: Proceedings of the 2nd International Conference on Image Processing and Vision Engineering - IMPROVE


2022

Oliver Rippel, Sergen Gülçelik, Khosrow Rahimi, Juliana Kurniadi, Andreas Herrmann and Dorit Merhof
Animal Fiber Identification under the Open Set Condition
In: 17th Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISAPP)


2021

Oliver Rippel, Patrick Mertens, Eike König and Dorit Merhof
Gaussian Anomaly Detection by Modeling the Distribution of Normal Data in Pre-Trained Deep Features
In: IEEE Transactions on Instrumentation and Measurement


2021

Oliver Rippel and Dorit Merhof
Leveraging pre-trained Segmentation Networks for Anomaly Segmentation
In: IEEE 26th International Conference on Emerging Technologies and Factory Automation (ETFA)


2021

Oliver Rippel, Peter Haumering, Johannes Brauers and Dorit Merhof
Anomaly Detection for the Automated Visual Inspection of PET Preform Closures
In: IEEE 26th International Conference on Emerging Technologies and Factory Automation (ETFA)


2021

Oliver Rippel, Niclas Bilitewski, Khosrow Rahimi, Juliana Kurniadi, Andreas Herrmann and Dorit Merhof
Identifying Pristine and Processed Animal Fibers using Machine Learning
In: IEEE International Instrumentation and Measurement Technology Conference (I2MTC)


2021

Oliver Rippel, Maximilian Müller, Andreas Münkel, Thomas Gries and Dorit Merhof
Estimating the Probability Density Function of new Fabrics for Fabric Anomaly Detection
In: 10th International Conference on Pattern Recognition Applications and Methods (ICPRAM)


2021

Oliver Rippel, Patrick Mertens and Dorit Merhof
Modeling the Distribution of Normal Data in Pre-Trained Deep Features for Anomaly Detection
In: 25th International Conference on Pattern Recognition (ICPR)


2020

Oliver Rippel, Maximilian Müller and Dorit Merhof
GAN-based Defect Synthesis for Anomaly Detection in Fabrics
In: IEEE 25th International Conference on Emerging Technologies and Factory Automation (ETFA)