Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«
Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«

Ermittlung der Scanqualität mittels Maschinellem Lernen

Ausgangssituation

Die industrielle Computertomographie (CT) wird als zerstörungsfreies Prüfverfahren, aber auch zur vollständigen Bauteildigitalisierung genutzt. Eine Vielzahl an Parametern und der nichtlineare Zusammenhang zwischen Qualität und Parameterwerten machen es schwer, geeignete Einstellungen zu wählen. Analytische Ansätze zur Quantifizierung der Bildqualität im Stand der Wissenschaft sind aufgabenspezifisch eingeschränkt. Daher soll die Eignung maschineller Lernverfahren für die Quantifizierung der Bildqualität untersucht werden.

Lösungsidee 

Mittels eines maschinellen Lernverfahrens soll die Quantifizierung der Bildqualität verbessert werden. Hierbei sollen die Erfahrungswerte von Experten in Form von gelabelten Bilddaten berücksichtigt werden. Die KI wird auf die gelabelten Bilddaten trainiert und kann auf spätere Bilddaten angewendet werden.

© Fraunhofer IPA

Nutzen

Der primäre Nutzen ist die Möglichkeit zur Quantifizierung der Bilddaten, um die Scanqualität zu verbessern. Somit kann ein spezifisches Qualitätsniveau erzeugt werden, was wiederum für die Güte von mess- und prüftechnischen Auswertungen wichtig ist. Perspektivisch kann die Parameterwahl automatisiert werden.

Umsetzung der KI-Applikation

Zunächst muss ein geeignetes Tool für das Labeln der Bilddaten entwickelt und programmiert werden. Mithilfe von maschinellen Lernverfahren aus dem Bereich Computer Vision kann ein Regressionsnetzwerk trainiert werden. Das Netzwerk liefert Qualitätswerte als Output, die auf den Experteneinschätzungen beim Labeln basieren.