http://www.tu-ilmenau.de

Logo TU Ilmenau


Ihre Position

INHALTE

Objekterkennung / Maschinelles Lernen

Thematische Schwerpunkte

  • Methoden der Objekt-/Mustererkennung und des maschinellen Lernens in 2D-/3D-/Farb-, Multikanal- und Spektralbildern
  • Bildanalyse und parallele multikanalige Sortierung von Naturprodukten (Getreide, Saatgut, Gestein u.a.)
  • Methoden zur Automatisierung von Sichtprüfung und technischer Erkennung (Defekterkennung auf technischen Oberflächen, Erkennung von Materialfehlern, Erkennung von Form-, Farb- und Texturabweichungen u.a.)
  • Methoden zur Beurteilung der Komplexität gegebener Erkennungsaufgaben und geeigneter Merkmale zur Klassentrennung
  • Fusion von bildanalytisch und spektralanalytisch gewonnenen Merkmalen zur automatisierten Objekterkennung
  • Methoden zur optimalen applikationsspezifischen Klassifikatorauswahl 
  • Optimierungsmethoden zur automatischen Klassifikatorparameterwahl

Laufende Projekte

RezykDetect: Entwicklung einer lernfähigen Bildanalyse für rezyklierte Gesteinskörnungen im visuellen und nahinfraroten Spektrum

Das Thema ist Bestandteil des Kooperationsprojektes „Analyseverfahren zur automatisierten Qualitätssicherung für rezyklierte Gesteinskörnungen auf Basis hyperspektraler Bildinformationen im VIS und NIR“ Es wird im Rahmen des Programms "Zentrales Innovationsprogramm Mittelstand (ZIM)" BMWi gefördert. Förderkennzeichen: ZF4075106GR6

Die größte Herausforderung im Bauschutt-Recycling besteht derzeit in der Qualitätsverbesserung der rezyklierten Gesteinskörnungen, die aus sehr unterschiedlichen Quellen stammen. Variierende Gehalte an porösen Partikeln mit hohem Zementsteingehalt oder Ziegelanteil, Verunreinigungen durch organisches Material (Holz, Plastik, Papier), Gips, Glas und Asbest und das Fehlen einer adäquaten Qualitätssicherung beeinträchtigten das Niveau der Verwertung. Ziel des Projektes ist es, ein neues Analyseverfahren zur Qualitätssicherung und Identifikation von mineralischen Bau- und Abbruchabfallgemischen auf der Grundlage optischer Mustererkennungsverfahren zu entwickeln, welches den Anforderungen nach DIN EN 12620 hinsichtlich der zu unterscheidenden Bauschuttklassen gerecht wird.

Bild: Methode zur automatisierten Stoffidentifizierung

OptoCheck: Entwicklung lernfähiger Algorithmen zur Detektion von Oberflächenfehlern basierend auf maschinellen Lernverfahren

Das Thema ist Bestandteil des Kooperationsprojektes „Neuartiges Verfahren zur lnline-Prüfung von Maßhaltigkeit und Oberflächenbeschaffenheit an komplexen Bauteilen in Maschinenbau und Automotive“.

Das Hauptziel des Projektes ist die Entwicklung von Verfahren für die fertigungsintegrierte Prüfung von komplex strukturierten und damit schwer zu prüfenden Kunststoffbauteilen (vorwiegend Polycarbonate).

Durch die flexible Positionierung eines Messsystems mittels moderner Handhabetechnik kann die komplexe 3-D-Geometrie erfasst werden und gleichzeitig die Oberfläche an allen qualitätsbestimmenden Bauteilflächen (insbesondere Sicht- und Funktionsflächen) automatisiert mit einer Auflösung von wenigen Mikrometern abgebildet und bewertet werden.

Häufig sind im Bereich der Kunststoffverarbeitung nicht alle Fehler in Form eines Fehlerkatalogs beschreibbar (z. B. zufällige Verunreinigungen im Granulat). Deshalb wird neben der Fehlererkennung auf Basis von Referenzteilen für klar definierte Fehlerklassen (überwachtes maschinelles Lernen, Klassifikation) auch der Ansatz der Detektion von Abweichungen von einer Reihe vorher definierter Musterteile (Novelty-detection-Verfahren) zur Erkennung von Anomalien verfolgt.

Das Projekt wird gefördert aus Mitteln des Europäischen Fonds für regionale Entwicklung (EFRE-OP 2014-2020) und aus Landesmitteln. Im Rahmen des Förderprogramms: Richtlinie des Freistaats Thüringen zur Förderung von Forschung, Technologie und Innovation (FTl-Richtlinie), ThürStAnz. Nr. 36/2015 vom 07.09.2015, S. 215, in Kraft getreten am 19.08.2015. Förderkennzeichen: 2017 FE 9111.

KOALA: Synergetische Kombination klassischer und neuronaler Ansätze der Mustererkennung zur Umsetzung auf industrietauglichen HW/SW-Bildverarbeitungssystemen (SyKoAMu)

Kombination von klassischen und ganzheitlich neuronalen Bildverarbeitungs-Ansätzen für industrietaugliche, heterogene HW/SW-Lösungen mit Alleinstellungsmerkmalen - KOALA

Im Vorhaben KOALA sollen für den Einsatz der Bildverarbeitung in Anwendungen der industriellen Qualitätssicherung Lösungen konzipiert, entwickelt und evaluiert werden, die durch das Verbinden der Vorzüge klassischer und neuronaler Ansätze (Deep Learning) der Informationsverarbeitung gekennzeichnet sind. Damit sollen die Voraussetzungen für zukünftige, innovative hybride Bildverarbeitungssysteme geschaffen werden, die ihre Alleinstellung sowohl durch Robustheit und Anpassungsfähigkeit als auch durch hohe Genauigkeit und Echtzeitfähigkeit demonstrieren. Die Fähigkeit zum Weiterlernen geänderter Objektmerkmale und damit zur robusten Objekterkennung unter wechselnden Bedingungen, die Fähigkeit zu KI-unterstützten messenden Auswertungen von Objekteigenschaften und die Umsetzung der Ergebnisse auf Hardwarelösungen für industrielle Umfelder charakterisiert die wesentlichen Innovationen des hier verfolgten Vorgehens.
Die Vorkenntnisse und Erfahrungen der Projektpartner TechnoTeam GmbH und TU Ilmenau ergänzen sich dabei und greifen bei der Realisierung des Verbundvorhabens eng ineinander, um größtmögliche Synergieeffekte zu ermöglichen.
Die zu erforschenden und zu entwickelnden Methoden und Technologien sollen dem beteiligten Unternehmen TT erlauben, seine Produktpalette zu modernisieren und seine Markposition damit weiter auszubauen. Für nächste Generationen von Laser-Direktbelichtern werden die Ergebnisse zur Lösung aktueller Aufgabenstellungen beitragen und in weiteren Anwendungsfeldern neue Markanteile erschließen, die den bisher eingesetzten Technologien und Vorgehensweisen vorenthalten waren.  Die Forschungseinrichtung TU Ilmenau und die beteiligten Fachgebiete bauen weitere erfolgreiche wissenschaftliche Kollaborationen aus. Der über die Projektergebnisse mögliche Austausch und das hinzugewonnene KnowHow befördert die Weiterführung der angewandten Forschung auf diesem aktuellen Themengebiet.

Bewilligungszeitraum: 01.02.2020 bis 31.01.2023, Vorhabens-Nr. (Verbund): 2019 VF 0003, Projekt-Nr.: 2019 FE 9009

QualiMikro: Entwicklung von auf künstlicher Intelligenz basierender Algorithmen zur automatisierten Qualitätssicherung mikrofluidischer Bauteile

Verbundprojekt: „QualiMikro – Digitalisierung und Robotisierung im Kontext von Industrie 4.0 in der Qualitätskontrolle einer mikrofluidischen Detektionsplattform“

Titel des Teilvorhabens: „Entwicklung von auf künstlicher Intelligenz basierender Algorithmen zur automatisierten Qualitätssicherung mikrofluidischer Bauteile“

Das Schlüsselwort „Lab-on-a-Chip“ beschreibt die Miniaturisierung und Automatisierung von zum Teil komplexen, meist biochemischen Verfahren in kleinsten Kanälen und Kavitäten, die nicht viel größer als das menschliche Haar sind. Die Einsatzbereiche von Lab-on-a-Chip Applikationen in der Diagnostik, erfordern eine hochpräzise 100%-Kontrolle der Produktion. Aus wirtschaftlicher Sicht kann dies nur unter Nutzung der automatisierten Bildverarbeitung erzielt werden.

Somit adressiert das Ziel des Projektes QualiMikro die Robotisierung und Digitalisierung der optischen Qualitätskontrolle mikrofluidischer Bauteile und die Nutzung von Algorithmen aus dem Bereich des maschinellen Lernens zur Auswertung der gewonnenen Bilddaten. Weiterhin soll über die erfassten QC-Daten eine Vorhersagbarkeit, welche die Einflüsse vorheriger Arbeitsschritte auf die nachfolgenden Arbeitsschritte liefert, in die Fertigungskette integriert werden. Das Gesamtziel des Projektes ist das Erreichen einer Qualitäts- und Produktivitätssteigerung der gesamten Wertschöpfungskette des produzierenden Projektpartners.

Im Teilvorhaben an der TU Ilmenau sollen anhand eines adäquaten Trainingsdatensatzes mit vorhandenen Klassenzuweisungen neuartige Algorithmen, welche in der Lage sind Oberflächenfehler in den Mikrostrukturen zu detektieren, erarbeitet und evaluiert werden. Für die eigentliche Klassifikation sollen verschiedene leistungsfähige Erkennungsverfahren des Maschinellen Lernens / Deep Learnings zum Einsatz kommen. Neben der Oberflächeninspektion sollen auch Kennzahlen, welche im Rahmen der Industrie 4.0 Rückschlüsse auf den Produktionsprozess erlauben, ermittelt werden.

Partner: microfluidic ChipShop GmbH, Ziemann und Urban GmbH, TU Ilmenau, FG Qualitätssicherung und Industrielle Bildverarbeitung

Abbildung: allgemeines Vorgehen zur automatisierten Qualitätskontrolle mikrofluidischer Bauteile

Bewilligungszeitraum: 01.06.2019 bis 31.05.2021

Dieses Forschungs- und Entwicklungsprojekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) in der Fördermaßnahme „KMU-innovativ: Produktionsforschung“ (Förderkennzeichen: 02P18K572) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt beim Autor.

HyPetro: Entwicklung einer intelligenten hybriden Erkennungsroutine für ein Hyperspektral-Analysesystem unter Verwendung tiefer neuronaler Netze

Verbundprojekt: „Automatisierte Echtzeit-Hyperspektral-Bildgebung und -analyse für die Erkennung betonschädlicher Bestandteile in Gesteinskörnungen“

Teilvorhaben: „Entwicklung einer intelligenten hybriden Erkennungsroutine für ein Hyperspektral-Analysesystem unter Verwendung tiefer neuronaler Netze“

Im Verbundvorhaben HyPetro soll eine sensorgestützte hyperspektrale Erkennung betonschädlicher Bestandteile in Gesteinskörnungen für die Primärrohstoffindustrie durch eine Optiksystementwicklung für die Hyperspektralanalyse sowie eine innovative Algorithmenentwicklung im Bereich des Machine und Deep-Learnings realisiert werden.

Den Hintergrund des Vorhabens bildet die Notwendigkeit der Analyse der Eignung von Gesteinskörnungen für die Betonherstellung hinsichtlich kritischer Bestandteile, welche den Beton auf Dauer schädigen können. Daher werden schnelle Verfahren zur Beurteilung von Gesteinskörnungen benötigt, um eine effiziente Nutzung vorhandener Kieslagerstätten und Steinbrüche zu ermöglichen und damit letztlich zügiger für Bauanfragen liefern zu können.

Eine automatisierte Erkennung soll die gängigen langwierigen Betondauerhaftigkeitstests an Betonprobekörpern zur Evaluierung des Schadenspotentials von Gesteinskörnungen sinnvoll ergänzen. Dadurch können die sehr langen Prüfdauern reduziert werden.

Der volkswirtschaftliche Nutzen dieses neuen Verfahrens liegt vor allem in der Reduzierung oder Vermeidung der entstehenden Bauschäden infolge des Einsatzes von betonschädigenden Gesteinskörnungen.

Das Gesamtziel des Teilvorhabens an der TU Ilmenau ist hierbei die Entwicklung einer intelligenten hybriden Erkennungsroutine für ein Hyperspektral-Analysesystem unter Verwendung tiefer neuronaler Netzwerkarchitekturen.

Partner: GFE Präzisionstechnik Schmalkalden GmbH, Universalbeton Heringen GmbH & Co. KG, Steinbeis Qualitätssicherung und Bildverarbeitung GmbH, Materialforschungs- und -prüfanstalt Weimar (MFPA), TU Ilmenau, FG Qualitätssicherung und Industrielle Bildverarbeitung

Abbildung: Visualisierung des angestrebten Analyseverfahrens zur Stichprobenprüfung von Betonzuschlagsstoffen auf alkaliempfindliche u. andere betonschädliche Gesteinskörnungen innerhalb der Wertschöpfungskette

Bewilligungszeitraum: 01.09.2020 bis 31.08.2023

Dieses Forschungs- und Entwicklungsprojekt wird durch das Bundesministerium für Bildung und Forschung (BMBF) in der Fördermaßnahme „Computer-Aided Photonics – Ganzheitliche Systemlösungen aus photonischen Verfahren und digitaler Informationsverarbeitung“ (Förderkennzeichen: 13N15335) gefördert und vom Projektträger VDI Technologiezentrum GmbH betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt beim Autor.