Vermessung von Haarrissen mittels Deep Learning
Bildbasierte Qualitätssicherung
Auf Stahlbändern sollen Risse erkannt und vermessen werden bei einer großen Datenmenge von 400 Mikroskopbildern pro Probe. Die Risse im Bild sind sehr dünn, ungefähr 1 Pixel breit. Zusätzlich erschweren Artefakte die Risserkennung, weshalb herkömmliche Bildverarbeitungsmethoden keine exakte und robuste Lösung bieten.
Sabrina Fleischanderl et al., “CNN–based crack detection in oxide layers of hot rolled steel sheet samples for the validation of a pickling process model”, Proc. 3rd Symp. on Pattern Recognition and Applications, 2022.
Anforderungen im Projekt
- Risse sollen nicht nur erkannt, sondern auch vermessen werden (Dichte, vertikaler Abstand im Bild)
- Große Datenmenge (400 Mikroskopbilder je Probe)
- Die Risse sind im Bild sehr dünn (Breite ~ 1 px), und weitere Artefakte erschweren die Risserkennung
- Mit klassischer Bildverarbeitung kann keine exakte und dabei robuste Lösung erhalten werden
Die Lösung
- Exakte und stabile Segmentierung der Risse mit neuronalem Netz (UNET)
- 60 Bilder wurden händisch annotiert
- Drahtlose Anbindung jedes Messpunkts zur Relay-Station
- Zusätzlich wurde ein frei verfügbarer annotierter Datensatz (ISBI 2012 Challenge, Zellmembrandaten) zum Training verwendet
- Exakte Lösung bei minimalem Aufwand
Erwin Schimbäck
Business Area Manager Sensors & Communication
Weitere Referenzprojekte
Automatische Blechbiegemaschine
Digitaler Zwilling im Einsatz bei Salvagnini Automatische Blechbiegemaschine Wir haben einen digitalen Zwilling für prädiktive Wartung entwickelt. Mit ihm können…
TRINEFLEX
TRINEFLEX Umwandlung energieintensiver Industrieprozesse durch Integration von Energie-, Prozess- und Rohstoffflexibilität TRINEFLEX ist ein von der Europäischen Kommission im Rahmen…
Pika Spark – Komplette Mini-Roboter-Steuerung
Pika Spark – Komplette Mini-Roboter-Steuerung Komplette Steuerungslösung für Mini-Roboter mit PoE und galvanischer Trennung Für den Hexapod-Roboter L3X-Z wurde eine…
