Das Projekt untersucht die Machbarkeit eines KI-Systems zur Inspektion von Röntgenbildern, das Defekte erkennt und lokalisiert. Die zentrale Herausforderung liegt in der zuverlässigen Erkennung sehr kleiner Defekte (1–2 mm) bei einem Verhältnis zum Gesamtbild, das eine hohe Falscherkennungsrate begünstigt. Ziel ist es, mit realen Daten zu zeigen, dass das System eine Zuverlässigkeit von ≥ 99 % bei der Identifikation fehlerfreier Bauteile erreicht.

Foto: DONCASTERS Precision Castings-Bochum GmbH

Zur Entwicklung des KI-Systems für die Inspektion von Röntgenbildern wurden die Aufnahmen in kleinere Bildausschnitte (Patches) unterteilt, um Defekte präzise erkennen zu können. Verschiedene Ansätze wurden geprüft, darunter Bildsegmentierung und Klassifizierung. Aufgrund der Eigenschaften der Daten wurde ein Klassifizierungsansatz gewählt, bei dem die Patches zerlegt in „i.O.“ (fehlerfrei) oder „n.i.O.“ (fehlerhaft) eingestuft wurden. Zur Vorbereitung der KI-Modelle wurden etwa 10.000 Patches aus annotierten Bildern erstellt und ein neuronales Netzwerk wurde trainiert und validiert, um eine robuste und zuverlässige Erkennung zu gewährleisten.

Das Projekt zielt darauf ab, Fachkräfte durch objektive Entscheidungsunterstützung zu entlasten und die Effizienz bei der Defekterkennung zu steigern. Das KI-System erreicht eine um 40% effizientere Auswertung, indem es die Anzahl der zu prüfenden Bildausschnitte reduziert. Es ermöglicht eine zuverlässige Klassifizierung und Lokalisierung von Defekten, wobei sichergestellt wird, dass keine defekten Bildausschnitte fälschlicherweise als fehlerfrei klassifiziert werden.

Doncasters Precicion Castings Bochum GmbH

sentin GmbH