8-2024

Künstliche Intelligenz
Effiziente Kontrolle durch synthetisch generierte Trainingsdaten
Der KI auf die Sprünge helfen
Damit KI-Anwendungen auch in der verarbeitenden Industrie Fuß fassen können, muss sich deren Training leichter
gestalten – beispielsweise mit synthetisch generierten Trainingsdaten. Alle Bilder © Fraunhofer IGD
Autor:
Prof. Dr.-Ing. André Stork
Branchenleiter Automotive
Fraunhofer IGD
www.igd.fraunhofer.de
Künstliche Intelligenz (KI) kann
Produktionsprozesse effizienter,
flexibler und zuverlässiger machen.
Für ihr Training benötigen Unternehmen
üblicherweise jedoch große
Datenmengen von fehlerhaften und
einwandfreien Produkten. Neue
Methoden bei der Erstellung von
Trainingsdaten für neuronale Netze
lösen diese Herausforderung. Für
die Industrie bedeutet dies einen
bedeutenden Schritt nach vorn: KIbasierte
Qualitätssicherung wird
zugänglicher und erschwinglicher.
Herausforderung:
KI trainieren
Generative KI bereichert bereits
den Alltag vieler Menschen, Industrieunternehmen
stehen bei der Implementierung
dieser Technologie
jedoch vor einer Herausforderung:
Für das Training der KI benötigen
sie nicht nur Bilder einwandfreier
Produkte (OK-Daten) – sondern
auch hunderte Bilder von Mängelexemplaren
(NOK-Daten). Was
eigentlich von Vorteil ist, wird in diesem
Fall zur Hürde. Denn grundsätzlich
soll die Produktion möglichst
wenig mangelhafte Stücke hervorbringen.
Ansätze wie das Training
allein mit OK-Daten und die synthetische
Generierung von Trainingsdaten
auf Basis von CAD-Daten
können die Herausforderung lösen.
Mit CAD-Daten künstliche
Trainingsbilder generieren
Stehen Anwender zu Beginn eines
Fertigungsprozesses, existieren noch
keine realen Fotos – weder OK- noch
NOK-Daten. Das Fraunhofer-Institut
für Graphische Datenverarbeitung
IGD forscht an Verfahren, mit virtuellen
Kameras aus diversen Perspektiven
und Orientierungen Bilder
der dreidimensionalen Modelle auf
Basis von CAD-Daten zu generieren.
Anschließend versehen sie
das Bauteil virtuell mit unterschiedlichen
Materialien und dann einer
Vielzahl an Hintergründen. „So lassen
sich innerhalb kürzester Zeit
zahlreiche Bilder erzeugen und
Trainings datenbanken aufbauen,
ohne je reale Fotos hinzufügen zu
müssen“, erklärt Holger Graf, Abteilungsleiter
Virtual und Augmented
Reality am Fraunhofer IGD.
Beispiele
Das Prüfsystem hat im Betrieb
den realen Aufbau und die Produktkonfiguration
noch nie zuvor ge sehen
– und kann dennoch das Objekt
erkennen, klassifizieren und dessen
Lage schätzen. Zudem verkürzt
der Ansatz die Umrüstzeit des Prüfsystems
auf beliebige Varianten.
Das Fraunhofer IGD entwickelte
die Technologie insbesondere für
die Zusammenbau- oder Bauzustandskontrolle
im Automobilund
Nutzfahrzeug-Bau sowie bei
der Betriebsmittel fertigung. Ein
weiteres Beispiel zeigt die Anwendung
der Lösung in der Fertigung
von Airbagzündern: Hier kommt der
automatisierten, optischen Qualitätskontrolle
eine besondere Bedeutung
zu: Das Endprodukt hat eine hohe
Sicherheitsrelevanz und kann zudem
nicht abschließend getestet werden
– die Airbags sind nach einmaligem
Auslösen nicht mehr zu verwenden.
Optimal klassifizieren
allein mit OK-Daten
In anderen Anwendungsfällen kann
die Qualitätsprüfung nicht anhand
der CAD-Daten erfolgen. Das liegt
daran, dass diese entweder nicht
vorliegen oder dass nicht das Produkt
in seinem Ursprungszustand,
sondern sein Erscheinungsbild nach
einer Belastungsprobe beurteilt werden
soll. In der Konsequenz müssen
die Unternehmen ihre KI-Systeme
mit Realdaten trainieren. Um auf die
Vielzahl an NOK-Daten verzichten zu
können, entwickelte Ulrich Krispel mit
seinem Team von Fraunhofer Austria
eine Lösung, die allein aus OK-
Daten lernt. Diese wurden im Sinne
des Produktionsbetriebes als „in
Ordnung“ qualifiziert, müssen also
nicht nachbearbeitet oder aussortiert
werden. Das Verfahren lernt
also eine Variation der Normalität
und erkennt schließlich auch Abweichungen
davon. So kann die KI auch
zuvor nicht ge sehene Fehler finden.
Denn wird die KI klassisch mit NOK-
Daten trainiert, ist das ein bekanntes
Problem: Sie kann nicht angemessen
reagieren, wenn sie mit einem
Bild konfrontiert wird, das außerhalb
der bekannten Fehlerklassen
10 PC & Industrie 8/2024