Bei der Klassifizierung von Bauschutt spielt die hyperspektrale Bildgebung eine wichtige Rolle. Aufgrund der Vielfalt der darin enthaltenen Informationen sind Hyperspektraldaten besonders für die Klassifikation mittels Machine Learning (ML) geeignet. Die Erstellung umfangreicher hyperspektraler Datensätze ist aufwendig und zeitintensiv. Zudem sind bestimmte Bauschuttklassen weniger vertreten als andere. Für das Training von ML-Algorithmen können unterbesetzte Klassen und knappe Trainingsdaten zu einer Verringerung der Klassifikationsleistung führen.

Lösung

Um dieses Problem zu lösen, schlagen wir vor, eine Datenaugmentierung mit einem KI-basierten Ansatz einzusetzen. Im Hinblick auf den Verarbeitungsablauf bei der Klassifikation von Hyperspektraldaten und zur Verringerung der Komplexität wird eine Dimensionsreduzierung vor der Datensatzerweiterung durchgeführt. Beim vorgeschlagenen Ansatz wird ein Augmentierungsmodul (StyleGAN3) unter Verwendung der dimensionsreduzierten Hyperspektraldaten trainiert. Anschließend werden die synthetisch erzeugten und die originalen Daten für das Training des ML-Algorithmus verwendet. Auf diese Weise kann der vorhandene Datensatz erweitert und diversifiziert werden und die Detektionsleistung des ML-Algorithmus verbessert werden.

Vorteile für KMU

Die Vorteile für KMUs ergeben sich durch den Einsatz moderner KI-basierter Methoden zur Datenaugmentierung. Mit Hilfe der vorgeschlagenen Algorithmen können vorhandene Datensätze erweitert und vielfältiger gestaltet werden, ohne das neue Daten gesammelt werden müssen. Die Kosten für die Datenbeschaffung werden somit gesenkt.

Ihre Ansprechperson zur Testumgebung KI-basierte Augmentierung hyperspektraler Daten zur Unterstützung der Bauschuttklassifizierung:

Albrecht Heß Dipl.-Ing,
Fachgebiet Qualitätssicherung und Industrielle Bildverarbeitung
Telefon: +49 3677 69-3925
Mail: albrecht.hess@tu-ilmenau.de

Der Beitrag KI-basierte Augmentierung hyperspektraler Daten zur Unterstützung der Bauschuttklassifizierung erschien zuerst auf ProKI-Ilmenau.

Allgemeine Objekterkennung beschreibt die Fähigkeit, Objekte zu erkennen, die nicht in den Trainingsdaten enthalten sind. Ein typisches Beispiel ist ein assistierender Abfallsammelroboter, der auch bei unvollständigen oder deformierten Abfällen eine stabile Erkennungsrate aufweisen sollte. Es ist jedoch nahezu unmöglich, Trainingsdaten für alle derartigen Sonderfälle zu erstellen. Zudem basiert die Entscheidung, ob ein Objekt als Müll betrachtet und entsorgt werden sollte, in der Regel auf menschlichem Allgemeinwissen. Die implizite menschliche Logik lässt sich kaum durch feste Regeln vollständig auf alle Arten von Abfällen abbilden.

Lösung

Der Einsatz von VLMs anstelle herkömmlicher Vision Models (VM) ist bei solchen Aufgaben sinnvoll. Moderne große Sprachmodelle Language Models (LM) beherrschen nicht nur die Übersetzung zwischen menschlicher und maschineller Sprache, sondern haben durch umfangreiche Textdaten auch grundlegende menschliche Logik erlernt. Im Vergleich zur Verwendung von VMs in Kombination mit komplexen Regeln zur Mülldefinition, bietet der direkte Einsatz von VLMs eine effizientere und robustere Lösung. Unsere Experimente zeigen, dass VLMs zwar nicht alle Objekte perfekt in Abfall und Nicht-Abfall trennen, jedoch menschliche Logik zur robusteren Erkennung mit einbeziehen. Eine Flasche auf einem Tisch wird z.B. nicht als Abfall erkannt, während die gleiche Flasche auf dem Boden als Abfall erkannt wird.

Vorteile für KMU

Das VLM kann z.B. als Vorstufe für die allgemeine Abfallerkennung genutzt werden, ergänzt durch manuelle Regeln zur Abfallselektion. Zudem benötigt das VLM zunächst keine eigens gesammelten Trainingsdaten. VLMs könnten somit auch besonders für KMUs interessant sein, da sie out of the box zur Problemlösung herangezogen werden können. Oft stehen ohnehin nur kleine Trainingsdatensätze zur Verfügung und es erfolgt schließlich eine Überanpassung des trainierten Modells an den Datensatz. Mit Hilfe von Hochleistungsrechnern können wir an der TU-Ilmenau effizient mit VLMs arbeiten.

Ihre Ansprechperson zur Testumgebung Verwendung von Hochleistungsrechnen (High-Performance Computing) zur Ausführung großer Vision-Language-Modelle (VLM) für die allgemeine Abfallerkennung:

Albrecht Heß Dipl.-Ing,
Fachgebiet Qualitätssicherung und Industrielle Bildverarbeitung
Telefon: +49 3677 69-3925
Mail: albrecht.hess@tu-ilmenau.de

Der Beitrag Verwendung von Hochleistungsrechnen (High-Performance Computing) zur Ausführung großer Vision-Language-Modelle (VLM) für die allgemeine Abfallerkennung erschien zuerst auf ProKI-Ilmenau.

Für eine erfolgreiche Anwendung von Künstlicher Intelligenz (KI) in der Schweißtechnik müssen zunächst umfangreiche Datensätze aufgebaut, validiert und präzise gelabelt werden. Beim Labeln geht es darum, spezifische Qualitätskenngrößen, wie beispielsweise die Zugfestigkeit oder das A-Maß, den entsprechenden Prozessdaten zuzuordnen. Dieser Schritt stellt eine besondere Herausforderung dar, da es in der Datenaufnahme und Sensorfusion zu Problemen wie unterschiedlichen Sampleraten, fehlender Zeitsynchronität, sowie Schwierigkeiten bei der Datenfusion und beim Labeling der Sensordaten kommen kann.

Die Kombination aus spezialisierter Sensorik, Qualitätsprüfmethoden, Datenloggern, Datenbankinfrastruktur und der notwendigen fachkundigen Überwachung und Durchführung ist im laufenden Produktionsbetrieb meist nur aufwändig zu realisieren. Ein weiteres Hindernis zu Projektbeginn ist die Unsicherheit darüber, welche physikalischen Wirkzusammenhänge und damit welche Sensordaten die besten Vorhersagen zu den gewünschten Qualitätskenngrößen liefern.

In dieser Hinsicht bietet die Testumgebung „Schweißtechnik“ von ProKI-Ilmenau Unternehmen signifikante Vorteile, insbesondere für Verfahren wie das Lichtbogen(additiv)schweißen, Rührreib(punkt)schweißen, Laserstahlschweißen, Ultraschallschweißen und Widerstandspunktschweißen, sowie verwandte Verfahren.

Lösung

Mithilfe der Testumgebung Schweißtechnik ist folgendes für KMU möglich:

Diese Umgebung ermöglicht es, Machbarkeitsstudien zu bestehenden Ideen zu erstellen, wodurch Unternehmen den Umsetzungsaufwand besser abschätzen und mögliche Fallstricke frühzeitig erkennen können. Zudem wird die Identifikation von physikalischen Wirkzusammenhängen in Schweißprozessen erleichtert, deren Einfluss auf die Qualitätskenngrößen untersucht und die Verwertbarkeit für KI-Anwendungen bewertet.

Die Testumgebung bietet darüber hinaus die Möglichkeit einer zeitsynchronen Datenerfassung und -vorverarbeitung, unterstützt durch die genaue Kenntnis der internen Messlatenzen der installierten Sensorik. Auch die Validierung bestehender Datensätze kann in dieser Umgebung effizient durchgeführt werden. In Kooperation mit dem Thüringer Rechenzentrum ermöglicht der Zugang zu leistungsfähigen Rechenclustern die echtzeitnahe Verarbeitung komplexer Datenbestände, was für die Anforderungsabschätzung und spätere Anwendung im Produktionsbetrieb von großem Nutzen ist. Zudem ist es möglich, Datensätze mit Ergebnissen aus umfangreichen zerstörenden Prüfverfahren zu verknüpfen.

Vorteile für KMU

Für kleine und mittelständische Unternehmen (KMU) bietet diese Testumgebung zahlreiche Vorteile: Maschinenkapazitäten können freigehalten werden, während Machbarkeitsstudien außerhalb des Produktionsbetriebs durchgeführt werden können, um den Aufwand für die tatsächliche Implementierung in der Produktion sowie die notwendigen Datenmengen besser abschätzen zu können. Die räumliche Nähe und Verfügbarkeit von nicht in Fertigungsprozesse eingebundenen Sensor- und Prüfvorrichtungen ist ein weiterer Pluspunkt. Fachpersonal steht zur Prozesskontrolle bereit und unterstützt den oft iterativen Prozess der Datenvor- und Weiterverarbeitung. Zusätzlich bietet die Testumgebung Möglichkeiten, komplexe Prozessdiagnostik bei unvorhergesehenen Effekten einzusetzen und die Simulation von Grenzbedingungen für Sensorik, Datenpipeline und Qualitätsprognose zu erleichtern. Dies ermöglicht eine fundierte Bewertung der Robustheit der KI-Anwendung, bevor diese in den produktiven Einsatz überführt wird.

Ihre Ansprechperson zum Thema Testumgebung Schweißtechnik:

Kai Ehlich, M. Sc.
Fachgebiet Fertigungstechnik
Telefon: +49 (0) 3677 – 69 3867
Mail: kai.ehlich@tu-ilmenau.de

Der Beitrag Schweißtechnik erschien zuerst auf ProKI-Ilmenau.

Der Herstellungsprozess von Kunststoffbauteilen durch Spritzgießen ist komplex. Es können zahlreiche verschiedene Fehlstellen im Bauteil auftreten, deren Entstehungsmechanismen unterschiedlich sind. Falsche Parametereinstellungen führen zu Bauteilen mit unzureichender Qualität, was zu fehlerhaften Teilen und Ausschuss führt. Um die Qualität der Bauteile beurteilen zu können, sind schnelle, verlässliche und zerstörungsfreie Messmethoden erforderlich. Solche Methoden ermöglichen es, bei Auftreten von Fehlstellen die Parameter anzupassen und qualitativ hochwertige Bauteile zu produzieren.

Lösung

Die eingerichtete Testumgebung umfasst verschiedene Messinstrumente, die es ermöglichen, unterschiedliche Bauteilfehler zu detektieren. Mittels einer Infrarotkamera wird eine Thermographieaufnahme des Bauteils erstellt, wodurch Fehlstellen im Inneren des Bauteils erkannt werden können. Eine Lichtbildkamera ermöglicht die optische Analyse der Bauteilstruktur. Über eine Waage lassen sich Gewichtsschwankungen, die durch Schwimmhäute oder Vakuolen/Poren verursacht werden, bestimmen. Jeder auftretende Fehler wird von mindestens zwei Messinstrumenten detektiert, um sicherzustellen, dass dieser nicht unerkannt bleibt. Beispielsweise werden die Bauteile sowohl mittels Lichtbildkamera als auch Waage auf Schwimmhäute untersucht. Vakuolen und Poren können durch die Infrarotkamera und die Waage detektiert werden.

Vorteile für KMU

Die Vorteile für das Unternehmen ist die verlässliche und zerstörungsfreie Untersuchung von Spritzgießbauteilen hinsichtlich der Bauteilqualität. Durch die Kontrolle mittels verschiedener Messmethoden kann eine verlässliche Aussage über Art und Entstehung der Fehlstelle getroffen und die Prozessparameter entsprechend angepasst werden. Dadurch ist es möglich die Ausschussrate zu reduzieren. Die Untersuchung der Bauteile ist dabei unabhängig von deren Farbe oder Transparenz.

Ihre Ansprechperson zum Thema Testumgebung Inline Rheometer zur Viskositätsmessung einer Kunststoffschmelze:

Maximilian Lang, M. Sc.
Fachgebiet Kunststofftechnik
Telefon: +49 3677 69-4937
Mail: maximilian.lang@tu-ilmenau.de

Der Beitrag Infrarotkamera, Lichtbildkamera und Waage zur Untersuchung der Bauteilqualität im Spritzgießprozess erschien zuerst auf ProKI-Ilmenau.

In der Praxis treten bei der SMD-PCB Inspektion mit AOI-Systemen oft falsche und Fehlinterpretationen auf. Diese Probleme entstehen durch Veränderungen an den Prüfobjekten oder deren Erscheinungsbild im multimodalen Prüfsystem, durch unbekannte Situationen, die Weiterverwendung von Prüfprogrammen auf unterschiedlichen Systemen sowie durch neu auftretende Objekte.

Lösung

Die Spritzgießmaschine wird mit einer Infrarotkamera ausgestattet, die auf einem Roboterarm montiert ist. Dadurch können nach dem Öffnen des Werkzeugs inline Thermographieaufnahmen erstellt und die Entformungstemperatur sowie das Temperaturprofil bestimmt werden. Die Bauteile können somit zerstörungsfrei auf Poren und Vakuolen untersucht werden. Durch die Hohlräume wird der Wärmeaustrag des Bauteils lokal beeinflusst, was auf der Thermographieaufnahme sichtbar ist. Zusätzlich zur Untersuchung auf Poren und Vakuolen können Formteilfehler wie eine unvollständige Formfüllung oder Schwimmhäute auf den Aufnahmen erkannt werden. Mittels Bilderkennung auf Basis semantischer Segmentierung können die Fehler identifiziert und kategorisiert werden.

Vorteile für KMU

Die Vorteile für das Unternehmen liegen in der schnellen und zerstörungsfreien Untersuchung der Bauteilqualität. Im Falle von Bauteilfehlern können diese detektiert und die Prozessparameter entsprechend angepasst werden. Durch das schnelle Anpassen der Prozessparameter können fehlerhafte Bauteile und somit Ausschuss vermieden werden. Die Thermographie ermöglicht die Untersuchung von Bauteilen, unabhängig davon, ob diese transparent, opak oder eingefärbt sind.

Ihre Ansprechperson zum Thema Testumgebung Spritzgießmaschine mit auf Roboterarm montierter Infrarotkamera:

Maximilian Lang, M. Sc.
Fachgebiet Kunststofftechnik
Telefon: +49 3677 69-4937
Mail: maximilian.lang@tu-ilmenau.de

Der Beitrag Spritzgießmaschine mit auf Roboterarm montierter Infrarotkamera erschien zuerst auf ProKI-Ilmenau.

Die Viskosität des zu verarbeitenden Materials ist eine entscheidender Parameter beim Herstellen von Kunststoffbauteilen. Durch eine zu hohe Viskosität kann beispielsweise die Formfüllung beim Spritzgießen negativ beeinflusst werden. Gerade bei Materialien mit Recyclinganteilen ist mit abweichenden Viskositäten und einer erschwerten Verarbeitung zu rechnen. Üblicherweise werden für das Bestimmen der Viskosität mittels Rheometer Referenzmessungen bei festen Temperaturen durchgeführt. Diese können jedoch nicht das Materialverhalten Inline abbilden.

Lösung

Die Testumgebung umfasst ein Inline-Rheometer welches an der Düse des Extruders angebracht wird. Das Kunststoffgranulat wird im Extruder aufgeschmolzen und durchläuft anschließend das Rheometer. Dieses ermöglicht es genauere Aussagen über die vorliegende Viskosität des homogenisierten Materials zu treffen. Dadurch lassen sich beispielsweise im Spritzgießprozess, bei unvollständigen Formfüllungen, leichter Rückschlüsse auf die Fehlerursache schließen.

Vorteile für KMU

Das Unternehmen hat die Möglichkeit, die Viskosität des Materials unmittelbar vor der Verarbeitung zu messen. So kann festgestellt werden, ob die vorliegende Materialviskosität für den Prozess geeignet ist. Auf diese Weise können fehlerhafte Teile und Ausschuss reduziert werden. Zudem lassen sich Schwankungen in der Viskosität leichter erkennen, was Rückschlüsse auf ein unvollständiges Schmelzen oder eine unzureichende Homogenisierung ermöglicht.

Ihre Ansprechperson zum Thema Testumgebung Inline Rheometer zur Viskositätsmessung einer Kunststoffschmelze:

Maximilian Lang, M. Sc.
Fachgebiet Kunststofftechnik
Telefon: +49 3677 69-4937
Mail: maximilian.lang@tu-ilmenau.de

Der Beitrag Inline-Rheometer zur Viskositätsmessung einer Kunststoffschmelze erschien zuerst auf ProKI-Ilmenau.

Bei der SMD-Leiterplattenprüfung mit AOI-Systemen kommt es in der Praxis häufig zu fehlerhaften Erkennungen und Übersehungen. Diese Probleme entstehen, weil sich die Prüfobjekte oder deren Erscheinungsbild im multimodalen Prüfsystem verändern, unerwartete Situationen auftreten, Prüfprogramme auf verschiedenen Systemen wiederverwendet werden oder neue Objekte ins Spiel kommen. Um diese Herausforderungen zu bewältigen, müssen Inspektoren die Ergebnisse des AOI-Systems überprüfen. Allerdings wird die Genauigkeit der Fehlererkennung durch die hohe Arbeitsbelastung, subjektive Wahrnehmungen und die Ermüdung der Inspektoren beeinträchtigt, was die Beurteilung des AOI-Systems erschwert.

Lösung

Um dieses Problem zu lösen, wurde ein adaptives, multimodales AOI-Systems entwickelt. Dieses System erweitert das herkömmliche multimodale AOI-System durch die Integration eines KI-basierten Novelty Detektors, der auf One-Class Klassifizierung basiert, um sowohl das AOI-System als auch den Inspektor zu unterstützen. In diesem Konzept wird PatchCore als Novelty Detektor verwendet, um die vom AOI-System erkannten Fehler in Verbindung mit den Systemergebnissen zu bewerten und dadurch die endgültigen Ergebnisse mit höherer Zuverlässigkeit zu ermitteln. So können auch manuelle Entscheidungen überprüft und bessere Handlungsempfehlungen gegeben werden.

Vorteile für KMU

Mit diesem Konzept kann zunächst die fehlerhafte und unvollständige Erkennung von Defekten bei SMD-PCBs verringert werden. Zudem werden die Prüfprogramme in unsicheren Situationen gestärkt. Schließlich wird die Arbeitsbelastung des Inspektors reduziert, während gleichzeitig seine Effizienz gesteigert wird.

Ihre Ansprechperson zur Testumgebung PatchCore als Novelty Detektor:

Albrecht Heß Dipl.-Ing,
Fachgebiet Qualitätssicherung und Industrielle Bildverarbeitung
Telefon: +49 3677 69-3925
Mail: albrecht.hess@tu-ilmenau.de

Der Beitrag PatchCore als Novelty Detektor zur Unterstützung des konventionellen multimodalen AOI System in SMD-PCB Inspektion erschien zuerst auf ProKI-Ilmenau.