Bilder automatisiert mit Deep Learning Modell analysieren

Arbeitsprozesse zu automatisieren, bedeutet für Unternehmen in vielen Aspekten eine klare Arbeitserleichterung. Einmal reduziert sich der Druck, speziell geschulte oder erfahrene Fachkräfte zu finden und zu halten. Zum anderen ist es mit dem entsprechenden Training einer Künstlichen Intelligenz, die diese Aufgabe übernehmen kann, möglich, Fehler zu vermeiden und so die Qualität der Produkte zu sichern.

Das Unternehmen CCT GmbH mit Sitz in Ostfildern beschichtet seit einigen Jahrzehnten für seine Kunden die Oberflächen von Metallbauteilen, um diese vor Verschleiß oder Korrosion zu schützen sowie sie mit anderen funktionalen Eigenschaften zu versehen. Beispielsweise enthalten einige Galvanikbeschichtungen Diamantpartikel, um den Reibwert zwischen zwei Bauteilen zu erhöhen. Die Qualitätskontrolle erfolgt bislang durch das geschulte Auge von Mitarbeitern, die mithilfe eines Mikroskops, Auswertesoftware und Referenzmustern prüfen, wieviel Prozent der Oberfläche mit den Partikeln bedeckt sind, die dafür verwendet werden. Die Deutschen Institute für Textil- und Faserforschung in Denkendorf (DITF) unterstützen das KMU als Partner des Mittelstand-Digital Zentrums Smarte Kreisläufe dabei, ein KI-gestütztes Konzept zu entwickeln, um diese Aufgabe zukünftig zu automatisieren.

>>>Lesen Sie auch: Es mangelt an Fachpersonal? KI bietet eine Lösung!

Zu Beginn des Projekts hat das Team der DITF aus bereits vorliegenden Mikroskopbildern des KMU Trainings- sowie Testdatensets für ein sogenanntes ResNet, ein Residual Neural Network, erstellt. ResNets sind Deep Learning Modelle, die sich sehr gut dafür eignen, Bilder und Muster zu erkennen. Es wurden dafür zwei Güteklassen ausgewählt: zum einen Bilder von Proben, auf denen 25 Prozent Diamanten in der Galvanikbeschichtung enthalten sind sowie solche mit 30 Prozent Diamanten. Jeweils 80 Prozent der Bilder wurden genutzt, um die KI zu trainieren und die restlichen 20 Prozent, um zu testen, ob die Lerneinheit erfolgreich war.

Für ein optimales Trainingsergebnis ist es wichtig, möglichst ähnliche Bilder zu nutzen, die anhand harter Kriterien miteinander vergleichbar sind: Gleiche Blickwinkel, eine einheitliche Skalierung und Bilder ohne sichtbare Einlagerungen sind notwendig, um die KI nicht zu verwirren. Die Bilder mussten auch eindeutig anhand Ihres Dateinamens zuordenbar sein. So wurden sie umbenannt und konnten sortiert werden. Anschließend haben die Wissenschaftler fehlerhafte Daten gelöscht und schließlich die übrigen Aufnahmen so zugeschnitten, dass sämtliche Zusatzinformationen, wie die auf Mikroskopaufnahmen üblichen Achsen und Beschriftungen zu entfernen.

Im nächsten Schritt werden die Bilder in kleinere Ausschnitte zerlegt, die mit dem bisherigen – manuellen – Analyseverfahren bewertet und klassifiziert werden. So wird die relevante Fläche, anhand derer die mittlere Güte der Oberfläche bestimmt wird, reduziert und Schwankungen auf der Gesamtfläche haben weniger Auswirkungen auf die Bewertung. Dadurch verbessert sich ebenfalls die Qualität der Trainingsdaten.

Eine größere Schwierigkeit sind die unterschiedlichen Mikroskopoptiken, mit denen die Bilder aufgenommen wurden, die in sehr unterschiedlicher Menge vorlagen: Es standen jeweils knapp über 100 Bilder beider Güteklassen zur Verfügung, die mit der Metric-Optik aufgenommen wurden. Von der Nikon-Optik gab es jedoch für die Güteklasse 25 Prozent nur 37 Aufnahmen, von Güteklasse 30 Prozent waren es 181 Bilder. Um das Training mit den Nikon-Bildern zu verbessern, musste das Team der DITF einen kleinen Trick anwenden: Es hat die Reihenfolge in der Datenauf- und -vorbereitung geändert, um mehr Varianz in die reduzierte Datenmenge zu bekommen. Leider konnte das Ergebnis jedoch nicht ausreichend verbessert werden.

Die nächsten Schritte im Projekt zielen nun darauf ab, Möglichkeiten zu prüfen, wie das Training des Modells optimiert werden kann. Dafür müssen beispielsweise die Bilder nachklassifiziert werden. Das Unternehmen übernimmt diesen Teil. Das Team der DITF wird anschließend untersuchen, ob die KI auf den neu eingeordneten Bildern den funktionalen Anteil der Beschichtung besser und zuverlässiger berechnen kann. Wir werden berichten.

KI im Mittelstand

Beschäftigen auch Sie sich mit KI-Anwendungsszenarien, um Ihre Wettbewerbsfähigkeit auszubauen! Einen Überblick über unsere Angebote haben wir für Sie in im Flyer "Künstliche Intelligenz im Mittelstand" zusammengefasst. Wenn auch Sie mit uns Ihr KI-Potenzial entdecken möchten, dann sprechen Sie uns an: kontakt@mdz-sk.de.