Mit Künstlicher Intelligenz Defekte auf Oberflächen besser und schneller erkennen

BMBF-Projekt SynosIs – Synthetische, optisch realistische Bilddaten von Oberflächenstrukturen für KI-basierte Inspektionssysteme

Im Projekt SynosIs entwickeln wir gemeinsam mit unseren Forschungspartner:innen ein Inspektionssytem, das auf Künstlicher Intelligenz (KI) beruht und Defekte auf Oberflächen schnell und automatisiert erkennt. Das Projekt wird vom Bundesministerium für Bildung und Forschung (BMBF) gefördert.

Bildverarbeitungssysteme zur Qualitätskontrolle in der Produktion lösen zunehmend komplexere Aufgaben und müssen aufgrund kurzer Entwicklungszyklen immer schneller auf neue Produkte und Fehlerbilder reagieren. Typische Prüfaufgaben sind die Detektion von Oberflächenfehlern und Abweichungen von der Sollgeometrie. Künstliche Intelligenz (KI) kommt in Bilderkennung, -verarbeitung und -verstehen zwar zum Teil erfolgreich zum Einsatz. Das Training eines robusten, automatischen, KI-basierten Inspektionssystems erfordert jedoch eine große Menge manuell annotierter Bilddaten, die insbesondere für alle Fehlertypen repräsentativ sein müssen.

 

Herausforderungen eines KI-basierten Inspektionssystem:

  1. Viele Fehler treten sehr selten auf. Insbesondere Fehler, die kritisch für die Sicherheit von Bauteilen sind, werden seltener beobachtet, da sie möglichst produktionsseitig vermieden werden.
  2. Die manuelle Annotation von beispielhaften Fehlern ist daher nicht nur aufwändig, sondern führt z.T. auch zu inkonsistenten Ergebnissen.
  3. Insbesondere kann die Entscheidungen des trainierten Systems durch den Mangel an Fehlerbildern im Training verzerrt sein.

Es ist daher wünschenswert, automatisch realistische synthetische Bilddaten zusammen mit den entsprechenden Annotationen zu generieren. Die Simulation solcher Bilddaten erfordert derzeit noch mehrfach manuelle Interaktion. Zudem ist die synthetische Generierung von Oberflächendefekten ein offenes Forschungsthema.

Mit KI automatisiert der Realität nähern und Bilddatenportfolio aufbauen

In diesem interdisziplinären Projekt werden Methoden aus Physik, Mathematik und Informatik vereint, um synthetische Bilder typischer Defekte auf metallischen Oberflächen in bisher nicht erreichter Realitätsnähe zu generieren. Diese Bilddaten werden der Allgemeinheit zur Verfügung gestellt und können für das Training und die Validierung von KI-Modellen genutzt werden. Das vereinfacht und beschleunigt die Entwicklung von KI-Modellen für die optische Oberflächeninspektion.

Erstmals werden mit dem Bilddatenportfolio garantiert korrekt und objektiv annotierte Fehlerbilder zur Verfügung stehen. Darüber hinaus ermöglichen diese synthetischen Daten einen objektiven quantitativen Vergleich verschiedener Lösungen sowie die Vorhersage der Auffindewahrscheinlichkeit (Probability of Detection, POD) von Oberflächendefekten in Abhängigkeit von Defekt, Bauteil und Inspektionssystem.

Unsere Expertise: Defekte definieren, klassifizieren, KI trainieren

Im Anfangsstadium entwerfen unsere ITWM-Expert:innen in enger Zusammenarbeit mit dem Fraunhofer IOF für die Validierung zwei Freiformprobekörper mit komplexer Geometrie. Einzubringende Defekte werden so definiert, das einerseits typische Defektklassen wie Schlagstellen, Kratzer, (Öl-) Verschmutzung vertreten sind, andererseits der Herstellungsaufwand vertretbar bleibt. Im nächsten Schritt trainieren die Forschenden das KI-basierte Inspektionssystem anhand synthetischer Bilddaten. Eine weitere Aufgabe besteht in der Validierung der Inspektionslösung und der Simulation eines repräsentativen Portfolios synthetischer Bilddaten in Zusammenarbeit mit der TU Kaiserslautern.

Dieses Projekt hat ein klares Anwendungsszenario, ist aber trotzdem als Grundlagenforschungsprojekt angelegt, weil wir in allen drei Fachrichtungen neue Methoden entwickeln. Neben Datensynthetisierung adressiert das Projekt den Themenbereich »Kenngrößen zur Messung von Eignung, Güte oder Bias-Freiheit der Daten«, da sowohl für die defektfreien Oberflächen als auch für die einzubringende Defekte Eignung, Güte und Bias-Freiheit der Daten fortlaufend überprüft und garantiert werden.