mav 02.2024

Bild 3: Erklärung Mean
Average Precision (mAP).
Bild: IFW
rung die Verschleißform („Freiflächenverschleiß“,
„Ausbruch“ und „Anhaftung“)
und -fläche im Bild. Berechnet werden daraufhin
Verschleißkenngrößen wie die Verschleißmarkenbreite
V B
sowie die Fläche des
Ausbruchs in µm. Ein Alarm löst aus, wenn
eine der Verschleißkenngrößen einen vom
Benutzer festgelegten Schwellenwert überschreitet.
Grundlage für die Verschleißberechnung
ist die möglichst exakte Segmentierung der
verschlissenen Fläche durch das KI-Modell.
Daher wird in diesem Beitrag zunächst das
KI-Modell zur Erkennung und Segmentierung
des Verschleißes im Bild vorgestellt und
untersucht. Die Untersuchung der Genauigkeit
der Verschleißberechnung steht noch
aus und birgt einige Herausforderungen.
Diese sind eine fehlende Vergleichbarkeit, etwa
durch manuelle Mikroskopmessungen
und Abweichungen, die vor (Labelqualität
und Erkennungsgüte des KI-Modells) und
während der Verschleißberechnung (Berechnungsmethode)
entstehen können.
Zur Verschleißsegmentierung wird das
KI-Modell YOLO v8 verwendet. Ausgeführt
wird es auf dem Embedded System „GREY.
Box“ von RSConnect. Für das Training des
KI-Modells werden entsprechend der anzulernenden
Verschleißformen Bilder mit dazugehörigen
Labels benötigt. Es wurden
1800 Bilder einer Werkzeuggeometrie aufgezeichnet.
Enthalten sind die drei Verschleißformen
Freiflächenverschleiß, Ausbrüche
und Anhaftungen. Das KI-Modell erkennt
und segmentiert nach abgeschlossenem
Training die Verschleißformen (Bild 2).
Das Modell wird auf 80 % des Datensatzes
trainiert. Eine Validierung findet während
des Trainings auf weiteren 10 % statt.
Die verbleibenden 10 % werden für den finalen
Test des Modells verwendet. Die Beurteilung
erfolgt anhand der Mean Average
Precision (mAP), siehe Bild 3.
Ergebnisse
YOLO v8 X (Extra Large) erzielt eine
mAP@0.5 von 0,652 auf dem Testdatensatz.
Die AP@0.5 der einzelnen Klassen unterscheidet
sich dabei deutlich. Für Freiflächenverschleiß
wird eine AP@0.5 von 0,600
erreicht. Für Ausbrüche werden 0,773 erzielt.
Anhaftungen werden mit einer
AP@0.5 von 0,583 am schlechtesten erkannt.
Die im Vergleich niedrige AP der Klassen
Freiflächenverschleiß und Anhaftungen lässt
sich zum einen durch eine erhöhte Anzahl
an Hintergrunddetektionen bei diesen beiden
Klassen erklären. Zum anderen tritt auf
einer Vielzahl der Bilder Freiflächenverschleiß
nur sehr feinflächig auf (durchschnittliche
Labelfläche 2600 Pixel, entspricht
0,2 % der Gesamtpixelfläche). Gleiches
gilt für Anhaftungen (ØA ≈ 4000 Pixel).
Ausbrüche sind meist deutlicher sichtbar
(ØA ≈ 7000 Pixel).
Mit Abschluss des ProKI-Umsetzungsprojektes
von RSConnect und dem Institut
für Fertigungstechnik und Werkzeugmaschinen
(IFW) liegt eine Methode zur bildbasierten
und KI-unterstützten Verschleißüberwachung
vor. Aufgebaut wurde ein Datensatz,
der die drei Verschleißklassen Freiflächenverschleiß,
Ausbrüche und Anhaftungen
enthält. Trainiert wurde ein YOLO v8 X
Modell zur Verschleißsegmentierung. Die
Untersuchung hat gezeigt, dass die Methode
Potenzial zur Überwachung von Werkzeugverschleiß
bietet. Mit einer AP@0.5 von
0,773 werden Ausbrüche bereits zuverlässig
erkannt. Diese sind besonders relevant für
die Oberflächenqualität und sind daher ein
wesentliches Kriterium für den Werkzeugwechsel.
Die Beurteilung der Genauigkeit
der Umrechnung in die Verschleißkenngrößen
steht noch aus. Im nächsten Schritt sollen
daher Referenzaufnahmen mittels Mikroskop
erstellt werden. Diese ermöglichen
die Beurteilung des Fehlers, der sich durch
die Labelqualität sowie die Segmentierungsgenauigkeit
des KI-Modells und der Umrechnung
der segmentierten Fläche in die
Verschleißkenngrößen ergibt.
■
IFW Universität Hannover
www.ifw.uni-hannover.de
Bild 2: Verschleißüberwachungssystem. Bild: IFW
RSConnect GmbH
https://www.rsconnect.de
April 2024 23