Automatische Erkennung und Klassifizierung von Fehlern

Implementierung eines automatischen Klassifizierungssystems mittels sogenannter gefalteter neuronaler Netze für Defekte in Stahlblechen, die während des Produktionsprozesses entstehen.

Ziele

• Automatische Qualitätsprüfung der Stahlplatten, Blechen o.ä.
• Erhöhung der Qualität des Endergebnisses im Produktionsprozess
• Lokalisieren Sie die kritischen Phasen des Produktionsprozesses

Der Produktionsprozess von Stahlplatten ist besonders sensibel. Es gibt eine große Anzahl von Prozessen, und schon kleine Änderungen in einigen von ihnen, wie z. B. beim Erwärmen oder Walzen können zu Produktionsfehlern führen und damit zu Qualitätsverlusten oder fehlerhaften Teilen.

Die Möglichkeit, durch künstliches Sehen die Qualität der Teile in verschiedenen Stadien des Herstellungsprozesses zu identifizieren, hilft, dass die endgültige Qualität die gewünschte ist, indem die fehlerhaften Teile verworfen und die kritischste Phase lokalisiert wird.

Was wir tun

Wir haben eine explorative Analyse der Daten durchgeführt und eine Lösung entwickelt, die auf der Entwicklung und dem Training eines Deep-Learning-Systems basiert. In diesem Fall ein gefaltetes neuronales U-Netz.

Anschließend wird eine weitere Analyse des erhaltenen Ergebnisses durchgeführt, um sicherzustellen, dass die Genauigkeit des trainierten Modells maximiert wird.

Schließlich wird die Lösung in Produktion genommen. Darüber hinaus wird das Modell, wenn es als angemessen erachtet wird, mit einem zunehmend aktualisierten Datensatz neu trainiert.

Wie wir es tun

Eingangsbildanalyse und -klassifizierung

Satz von Bildern mit allen zu klassifizierenden Fehlern. Datei mit der Art des Fehlers und dem Ort des manuell erzeugten Fehlers. In diesem Fall werden die möglichen Defekte in 4 vorher definierte Gruppen eingeteilt.

Spezifisches Training des Modells

Die Keras-Segmentierungsmodell-Bibliothek wird mit vortrainierten Modellen verwendet.
U-Net, ein gefaltetes neuronales Netz zur Bildsegmentierung wird verwendet.
Die Ausgabe des Modells ist eine „Maske“ mit leicht identifizierbaren Konturen, die die vom neuronalen Netz gefundenen Defekte lokalisieren.

Einsatz

Sobald Sie das Modell trainiert haben, erhalten Sie bei der Eingabe eines unklassifizierten Bildes eine Heatmap, auf der Sie die möglichen Defekte in der Stahlplatte identifizieren können.