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

One-Shot CT: KI-Parameterprognose auf Einzelprojektionen

Alle ausklappen Alle einklappen

Ausgangssituation

Die industrielle Computertomographie (CT) ist ein etabliertes Verfahren zur berührungslosen Qualitätskontrolle und dimensionaler Vermessung von Prüflingen. Bei der Anwendung muss neben der Positionierung des Bauteils im Tomographen auch eine Reihe von Aufnahmeparametern eingestellt werden. Traditionell stellen Fachkräfte die Parameter auf Basis ihrer erworbenen Expertise ein. Zur Erzielung präziser Ergebnisse müssen häufig jedoch mehrere Scans durchgeführt werden bis die optimalen Aufnahmeparameter gefunden sind. Dieser iterative Prozess verursacht hohe zeitliche und finanzielle Kosten für den Anwender.

 

Lösungsidee

Der komplexe Zusammenhang der Parameter untereinander und die physikalischen Wechselwirkungen mit dem Bauteil können modelliert werden. Analytische Verfahren geraten hier aufgrund polychromatischer Röntgenquellen und nichtlinearem Absorptionsverhalten aber schnell an Grenzen oder sind nur für Spezialfälle anwendbar. Stattdessen wird eine KI trainiert, die das Expertenwissen abbildet. Durch den datengetriebenen Ansatz können nichtlineare Effekte implizit berücksichtigt und das in der Praxis erfolgreiche menschliche Vorgehen imitiert werden.

© Matthias Willenbrink, Fraunhofer IPA

Nutzen

Ein KI-System zur automatischen Parameterprognose ist für alle Anwender von CT-Systemen von großem Wert. Einerseits kann die Belegung der Maschine durch schnelleres Einstellen reduziert werden, andererseits kann sich das Personal anstelle von repetitivem Testen verschiedener Parameter auf die interessanteren Aufgaben konzentrieren, die sich nicht ohne Weiteres automatisieren lassen. Nicht zuletzt wird durch den höheren Automatisierungsgrad für ein Unternehmen auch das Risiko von Personalausfall oder -mangel reduziert. 

 

Umsetzung der KI-Applikation 

Als Trainingsdaten stehen Aufnahmen mit ca. 1000 Projektionsbildern verschiedener Prüflinge mit je mehreren verschiedenen Aufnahmeparametern zur Verfügung. Für alle Projektionsbilder werden Qualitätsmetriken berechnet. Ein Regressionsnetzwerk lernt anschließend den Zusammenhang von Parametern und Qualitätskennwerten, schlägt neue Parameter vor, die zu einer höheren Qualität führen sollten. Je nach Bauteil sind zwar nach wie vor mehrere Aufnahmen nötig, der Zeitbedarf im Vergleich zu vollständigen Rekonstruktionen ist jedoch sehr gering. 

Ausgangssituation

In der industriellen Messtechnik hat sich in den letzten Jahren die Computertomographie als ein berührungsloses und zerstörungsfreies Prüfverfahren etabliert. Die komplexe Interaktion von Röntgenstrahlung mit verschiedensten Bauteilen stellt jedoch hohe Anforderungen an Anwenderinnen und Anwender, um passende Maschinenparameter einzustellen. Gerade bei Prüflingen aus multiplen Materialien unterschiedlicher Röntgendichte kommt Erfahrung eine hohe Bedeutung zu. Zur Erzielung präziser Ergebnisse, müssen häufig trotzdem mehrere zeit- und kostenintensive Scans durchgeführt werden. Dieser Umstand führt zu Vorbehalten seitens interessierter Unternehmen, sich für CT-Prüfverfahren zu entscheiden und birgt Risiken durch fehlendes oder ausfallendes Personal. Anstatt exakte Vorgaben über die Verarbeitung von Hand zu programmieren, kann eine KI aus Beispieldaten in ähnlichen Szenarien akkurate Vorhersagen treffen.

 

Umsetzung der KI-Applikation

Der komplexe Zusammenhang der Parameter untereinander und die physikalischen Wechselwirkungen mit dem Bauteil können zur Vorhersage der Maschinenparameter modelliert werden. Analytische Verfahren geraten hier aufgrund polychromatischer Röntgenstrahlen und nichtlinearem Absorptionsverhalten aber schnell an Grenzen oder sind nur für Spezialfälle anwendbar. Stattdessen kann eine KI trainiert werden, die Wissen von Expertinnen und Experten abbildet. Durch den datengetriebenen Ansatz können nichtlineare Effekte implizit berücksichtigt und das in der Praxis erfolgreiche menschliche Vorgehen imitiert werden. Durch die gleichzeitige Auswertung mehrerer Einzelprojektionen kann die KI außerdem die individuelle räumliche Struktur der Bauteile in die Parameterprognose integrieren.

© Matthias Willenbrink, Fraunhofer IPA

Nutzen

Ein KI-System zur automatischen Parameterprognose ist für alle Anwenderinnen und Anwender von CT-Systemen von großem Wert. Nicht zuletzt wird durch den höheren Automatisierungsgrad für ein Unternehmen auch das Risiko von Personalausfall oder -mangel reduziert. Auf Seiten der Maschinenhersteller kann ein KI-System zur automatischen Parametrierung potenziell als zusätzliches Softwaremodul angeboten werden. Dadurch wird die Hemmschwelle für eine Beschaffung reduziert und einem breiteren Kundenfeld zugänglich gemacht.

 

Umsetzung der KI-Applikation 

Für das Training der KI wurden über 100.000 Projektionsbilder verschiedener Prüflinge mit variierenden Parametersätzen aufgenommen. Die Scans wurden anhand von analytischen Qualitätsmetriken hinsichtlich ihrer Güte bewertet und anschließend diejenigen Scans mit der höchsten Güte als Referenz gewählt. Um die räumliche Struktur der Prüflinge zu berücksichtigen, wurden zwischen drei und zehn Projektionsbilder derselben Aufnahme aus verschiedenen Richtungen gemeinsam zur Prädiktion optimaler Parametersätze ausgewertet. Die trainierte KI kann anschließend aus einer kleinen Menge von Einzelprojektionen Vorhersagen zu optimalen Aufnahmeparametern liefern. Diese wurden in praxisnahen Experimenten überprüft und erreichten eine Genauigkeit von bis zu 95 Prozent.

Partnerunternehmen

»Erfolgreiche Parameterprognose reduziert die Abhängigkeit der Datenqualität von den Erfahrungswerten des Bedienpersonals. Die KI-basierte Nutzung eines digitalen Wissenspools soll die Häufigkeit von Test-Scans zur Ermittlung von geeigneten Parametern reduzieren und somit helfen bei hoher Datenqualität Zeit und Kosten zu reduzieren.«

 

Heiko Schmidt, Hema-CT