Segmentierungsbasierte Tiefenlernansatz für die Oberflächenfehlererkennung
Die automatische Erkennung von Oberflächenanomalien mithilfe des maschinellen Lernens ist zu einem interessanten und vielversprechenden Forschungsgebiet geworden, das einen sehr hohen und direkten Einfluss auf den Anwendungsbereich der visuellen Inspektion hat. Tiefenlernmethoden (Deep-Learning) sind inzwischen die geeignetsten Ansätze für diese Aufgabe. Sie ermöglichen es dem Inspektionsystem, durch einfaches Vorzeigen einer Reihe von Beispielbildern zu lernen, wie es Oberflächenanomalien erkennt. In dieser Arbeit wird eine segmentierungsbasierte tiefenlernarchitektur vorgestellt, die speziell für die Erkennung und Segmentierung von Oberflächenanomalien entwickelt wurde und anhand eines spezifischen Bereichs der Risserkennung demonstriert wird. Die Architektur gestaltet sich so, dass das Modell mit einer geringen Anzahl von Stichproben trainiert werden kann, was eine wichtige Voraussetzung für praktische Anwendungen darstellt. Das vorgeschlagene Modell wird mit verwandten tiefenlernmethoden verglichen, einschließlich der neuesten kommerziellen Software, wobei gezeigt wird, dass der vorgeschlagene Ansatz im spezifischen Bereich der Risserkennung überlegen ist. Eine große Anzahl von Experimenten beleuchtet zudem die erforderliche Genauigkeit der Annotation, die benötigte Anzahl von Trainingsstichproben sowie den erforderlichen Rechenaufwand. Die Experimente wurden auf einem neu erstellten Datensatz basierend auf einem realen Qualitätskontrollfall durchgeführt und zeigen, dass der vorgeschlagene Ansatz in der Lage ist, mit nur etwa 25-30 fehlerhaften Trainingsstichproben zu lernen, anstatt mit Hunderten oder Tausenden, was bei tiefenlernanwendungen üblich ist. Dies macht die tiefenlernmethode für den industriellen Einsatz praktikabel, wo die Anzahl verfügbarer fehlerhafter Stichproben begrenzt ist. Der Datensatz wurde außerdem öffentlich zugänglich gemacht, um die Entwicklung und Bewertung neuer Methoden zur Erkennung von Oberflächenfehlern zu fördern.