Implementierung eines Systems zur automatischen Klassifizierung von Fehlern in Stahlblechen, die während des Produktionsprozesses auftreten, mittels Convolutional Neural Networks.
Ziele
- Automatische Überprüfung der Qualität von Stahlblechen
- Steigerung der Qualität des Endergebnisses des Produktionsprozesses
- Lokalisierung der kritischen Phasen des Produktionsprozesses
Der Produktionsprozess von Stahlblechen ist besonders sensibel. Er umfasst eine Vielzahl von Schritten, und bereits kleine Abweichungen in einzelnen Prozessen, wie der Erwärmung oder dem Walzen, können zu Produktionsfehlern und damit zu Qualitätsverlusten oder fehlerhaften Teilen führen. Deshalb gewährleistet die Möglichkeit, mittels Computer Vision die Qualität der Teile in verschiedenen Phasen des Fertigungsprozesses zu identifizieren, dass die gewünschte Endqualität erreicht wird – fehlerhafte Teile werden aussortiert und die kritischste Phase wird lokalisiert.
Was wir tun
Wir führten eine explorative Datenanalyse durch und entwickelten eine Lösung auf Basis der Entwicklung und des Trainings eines Deep-Learning-Systems. In diesem Fall handelt es sich um ein Convolutional-Neural-Network vom Typ U-Net.
Anschließend wird erneut eine explorative Analyse des erzielten Ergebnisses durchgeführt, um die größtmögliche Genauigkeit des trainierten Modells sicherzustellen.
Abschließend wird die Lösung in Produktion genommen. Zudem wird das Modell bei Bedarf mit einem stets aktualisierten Datensatz neu trainiert.
Unsere Vorgehensweise
Analyse und Klassifizierung der Eingabebilder
Bildersatz, der alle zu klassifizierenden Fehlerarten enthält.
Manuell erstellte Datei mit Fehlertyp und Position des jeweiligen Fehlers. In diesem Fall werden die möglichen Fehler in 4 zuvor definierte Gruppen eingeteilt.
Spezifisches Training des Modells
Es wird die Keras-Bibliothek „segmentation-models“ mit vortrainierten Modellen verwendet.
Zum Einsatz kommt U-Net, ein Convolutional Neural Network zur Bildsegmentierung.
Die Ausgabe des Modells ist eine Maske mit klar erkennbaren Konturen, die die vom neuronalen Netz erkannten Fehler lokalisieren.
Bereitstellung
Sobald das Modell trainiert ist, liefert die Eingabe eines nicht klassifizierten Bildes eine Heatmap, auf der die möglichen Fehler im Stahlblech identifiziert werden können.