DE102022118066A1 - Computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren, sowie System für dessen Verwendung - Google Patents

Computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren, sowie System für dessen Verwendung Download PDF

Info

Publication number
DE102022118066A1
DE102022118066A1 DE102022118066.2A DE102022118066A DE102022118066A1 DE 102022118066 A1 DE102022118066 A1 DE 102022118066A1 DE 102022118066 A DE102022118066 A DE 102022118066A DE 102022118066 A1 DE102022118066 A1 DE 102022118066A1
Authority
DE
Germany
Prior art keywords
data
machine learning
learning model
quality
component
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102022118066.2A
Other languages
English (en)
Inventor
Eno Töppe
Claudia Nieuwenhuis
Abhilash Srikantha
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Carl Zeiss Industrielle Messtechnik GmbH
Original Assignee
Carl Zeiss Industrielle Messtechnik GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Carl Zeiss Industrielle Messtechnik GmbH filed Critical Carl Zeiss Industrielle Messtechnik GmbH
Priority to DE102022118066.2A priority Critical patent/DE102022118066A1/de
Publication of DE102022118066A1 publication Critical patent/DE102022118066A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils (6) in einem Inline-Prüfverfahren, umfassend die folgenden Schritte: Bereitstellen einer Defektspezifikation (12) von zu detektierenden Defekten des wenigstens einen industriellen Bauteils, Bereitstellung eines Machine Learning Modells (14) zur Defekterkennung (18), das auf CT-Daten (16) des wenigstens einen industriellen Bauteils operiert, Aufnahme von aufgenommenen CT-Daten des wenigstens einen industriellen Bauteils und Anwenden des Machine Learning Modells (14) zur Defekterkennung (18) auf diese CT-Daten zur Ermittlung von Bauteilqualitätsdaten, Vergleich wenigstens eines Bauteilqualitätsdatenwerts mit wenigstens einem in der Defektspezifikation (12) angegebenen Sollwert (20), wobei in zeitlichen Abständen ein eine Qualität des Machine Learning Modells (14) beschreibendes Qualitätsmaß (22) durch Vergleichen mit einem Qualitätskriterium (24) überprüft wird und in Abhängigkeit vom Ergebnis der Prüfung das Machine Learning Modell (14) angepasst wird, um das Qualitätsmaß (22) für das Machine Learning Modell (14) zu optimieren.

Description

  • Die Erfindung betrifft ein computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren. Die Erfindung betrifft auch ein System zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren.
  • In industriellen Produktionsszenarien gewinnt eine zerstörungsfreie Qualitätssicherung zunehmend an Bedeutung. Zerstörungsfrei bedeutet, dass das zu überprüfende industrielle Bauteil weder zerstört noch beschädigt wird bei der Überprüfung und somit weiter verwendet werden kann. Um dennoch Defekte erkennen zu können, die innerhalb des industriellen Bauteils liegen und nicht auf der Oberfläche, sind Technologien notwendig, die das Innere des industriellen Bauteils sichtbar machen, ohne es zu beschädigen. Deshalb wird zur zerstörungsfreien Qualitätssicherung zunehmend Computer Tomographie (CT) eingesetzt. Ziel dabei ist es, aufgenommene CT-Daten möglichst vollautomatisch auszuwerten, ohne das Objekt zu verändern oder zu zerstören. Um Defekte in den Daten vollautomatisch zu erkennen, zu klassifizieren und um deren Größe zu bestimmen, kommen zunehmend leistungsfähige Machine Learning Verfahren zum Einsatz, die aus zwei Phasen bestehen: Training und Inferenz. Während der Trainingsphase lernt das System anhand einer Vielzahl von vorliegenden (meist von Hand annotierten) Beispieldaten z. B. Defekte von Nichtdefekten zu unterscheiden und die Art des Defekts festzustellen. In der Inferenzphase wendet der Algorithmus das gelernte Wissen an, um bisher ungesehene CT-Daten inline während der Produktion zu klassifizieren.
  • Wichtig für die Anwendung solcher vollautomatischen Prüfverfahren ist deren Zuverlässigkeit, die regelmäßig überprüft werden muss. Für eine gegebene Prüfaufgabe müssen dafür aussagekräftige, statistisch relevante Tests durchgeführt werden, was nicht nur aufwendig ist, sondern auch leicht zu Fehlern führen kann. Umgekehrt ist es für den Designer des Machine Learning Modells zur Defekterkennung wichtig, möglichst automatisiert die für die Prüfaufgabe optimalen Parameter zu finden, um nicht unentdeckte Leistungseinbußen hinnehmen zu müssen und seinen Aufwand möglichst zu minimieren.
  • Ein System zur industriellen zerstörungsfreien Qualitätssicherung basierend auf Machine Learning ist aus der CN111751390A bekannt. Das System enthält eine Bildaufnahmeeinrichtung für CT-Daten, ein System zur Bildanalyse sowie ein auf Deep Learning basierendes Defekterkennungssystem.
  • Ein Problem, das sich bei der Anwendung derartiger Systeme stellt, ist, dass sowohl die Aufnahmebedingungen für die Daten als auch die zu prüfenden industriellen Bauteile Einflüssen von außen unterworfen sind. Die Herstellungsprozesse unterliegen nämlich Parametern, die sich über die Zeit verändern können, was zu Data Drift führt. So kann beispielsweise die Kalibrierung des CT-Aufnahmesystems nicht mehr passen, z.B. durch eine Veränderung der Drehachse. Beispielsweise kann auch die Qualität des Röntgenstrahlendetektors sinken, sodass sich die aufgenommenen CT-Daten verändern. Außerdem können während des Herstellungsverfahrens der industriellen Bauteile Veränderungen eintreten, z.B. aufgrund eines Fehlers im Gussprozess wie durch eine veränderte Kokille. Derartige Veränderungen können klein sein, sodass noch keine Anpassung des Systems, z.B. durch eine neue Kalibrierung oder einen Ersatz des Röntgenstrahlendetektors oder der Kokille erforderlich ist. Diese Veränderungen führen aber dennoch bei der Defekterkennung zu systematischen Fehlern.
  • Aufgabe der Erfindung ist es deshalb, das Machine Learning Modell weitgehend automatisiert an veränderte Bedingungen des Herstellungsverfahrens anzupassen. Weitere Aufgaben der Erfindung sind es, die Qualität des Machine Learning Modells zu verbessern, den Aufwand für einen Nutzer zu reduzieren und eine systematische Qualitätsüberwachung des Herstellungsprozesses zu ermöglichen.
  • Diese Aufgaben werden durch das in Anspruch 1 angegebene erfindungsgemäße computerimplementierte Verfahren sowie das in Anspruch 10 angegebene System gelöst. Vorteilhafte Ausführungsformen und Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen angegeben.
  • Das computerimplementierte Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren umfasst die folgenden Schritte: Bereitstellen einer Defektspezifikation von zu detektierenden Defekten des wenigstens einen Bauteils; Bereitstellung eines Machine Learning Modells zur Defekterkennung, das auf CT-Daten des wenigstens einen Bauteils operiert, Aufnahme von aufgenommenen CT-Daten des wenigstens einen Bauteils und Anwenden des Machine Learning Modells zur Defekterkennung auf diese CT-Daten zur Ermittlung von Bauteilqualitätsdaten, und Vergleich wenigstens eines Bauteilqualitätsdatenwerts mit wenigstens einem in der Defektspezifikation angegebenen Sollwert, wobei in zeitlichen Abständen ein eine Qualität des Machine Learning Modells beschreibendes Qualitätsmaß durch Vergleichen mit einem Qualitätskriterium überprüft wird und in Abhängigkeit vom Ergebnis der Prüfung das Machine Learning Modell angepasst wird, um das Qualitätsmaß für das Machine Learning Modell zu optimieren.
  • Unter industriellen Bauteilen sind Teile von zusammengesetzten industriell gefertigten Objekten zu verstehen oder auch die industriell gefertigten Objekte selbst, beispielsweise Motorteile aus Aluminium. Das Inline-Prüfverfahren ist dafür ausgelegt, die Qualität wenigstens eines industriellen Bauteils zu überprüfen. Wenigstens ein industrielles Bauteil kann bedeuten, dass nur eine Art von industriellem Bauteil in dem Inline-Prüfverfahren überprüft wird. Wenigstens ein industrielles Bauteil kann auch bedeuten, dass verschiedene Arten von industriellen Bauteilen in dem Inline-Prüfverfahren überprüft werden. Dabei können erst industrielle Bauteile einer ersten Art überprüft werden und zu einem späteren Zeitpunkt industrielle Bauteile einer weiteren Art, oder das Inline-Prüfverfahren überprüft mehrere Arten von industriellen Bauteilen gleichzeitig oder in beliebiger Reihenfolge.
  • Ein Inline-Prüfverfahren ist ein Qualitätssicherungsverfahren, das direkt bei der Fertigung der industriellen Bauteile angewendet wird und in die Linie eingebunden ist. Dies hat den Vorteil, dass die Qualitätssicherung automatisch und ohne Zeitverlust erfolgt und der Entstehungsort eines Defekts direkt lokalisiert werden kann.
  • Die Defektspezifikation gibt an, welche Defekte in den industriellen Bauteilen detektiert werden sollen, sowie Merkmale und gegebenenfalls zugehörige Maße, die definieren, was als Defekt angesehen wird. In einem Beispiel werden Poren in Form von Lufteinschlüssen in einem Bauteil detektiert und diese als Defekt gekennzeichnet, wenn ihr Volumen einen Mindestwert übersteigt. In einem weiteren Beispiel wird Span in Form von mechanisch abgetragenen Teilchen von einem Bauteil detektiert und diese ab einer angegebenen Länge als Defekt gekennzeichnet. In einem weiteren Beispiel werden Kernbrüche bei der Herstellung von Rohren detektiert, deren Durchlässigkeit bestimmt und die nur bei Unterschreiten einer bestimmten Durchlässigkeitsgrenze als Defekt markiert werden.
  • Unter einem Machine Learning Modell zur Defekterkennung ist ein beliebiger Algorithmus zu verstehen, der anhand von Trainingsdaten trainiert werden kann, z. B. ein neuronales Netzwerk, eine Support-Vector-Machine, ein Random Forest, ein Decision Tree, ein Regressionsmodell oder ein Bayes-Klassifikator.
  • Das Machine Learning Modell kann beispielsweise ein Anomaliedetekionsmodell sein. Eine Anomalie ist eine lokale Abweichung des Bilddatensatzes von einer a priori definierten Norm. Das Machine Learning Modell kann ein Defektklassifikationsmodell sein, das Defekte detektiert und den Typ des Defekts klassifiziert. Das Machine Learning Modell kann ein Defektlokalisationsmodell sein, das Defekte zusammen mit Ortsinformationen, z.B. in Form von Bounding Boxen, ermittelt. Das Machine Learning Modell kann auch ein Defektsegmentierungsmodell sein, das Defekte pixelgenau bzw. voxelgenau bestimmt.
  • Das Machine Learning Modell operiert auf CT-Daten, d.h. dass es auf Basis von CT-Daten als Eingabe eine Defekterkennung ermittelt. Die CT-Daten können zweidimensional, als dreidimensionales Volumen oder als eine Menge von zweidimensionalen Slices, die zusammen ein Volumen ergeben, gegeben sein. Die Eingabe des Machine Learning Modells können die gesamten aufgenommenen CT-Daten oder eine Teilmenge davon sein, z.B. auch eine Region of Interest, die z.B. von einem Nutzer angegeben oder von einer Anomaliedetektion ermittelt werden kann.
  • Die Defekterkennung kann pixel- bzw. voxelgenau sein, d.h. dass für jedes Pixel bzw. Voxel ermittelt wird, ob dieses zu einem Defekt gehört. Die Defekterkennung kann auch zweidimensionale oder dreidimensionale Bounding-Boxen ermitteln, die den Defekt enthalten. Alternativ kann die Defekterkennung auch lediglich qualitativ sein ohne Ortsinformationen zu enthalten, d.h. dass lediglich angegeben wird, ob ein Defekt in den Eingabedaten vorhanden ist, aber nicht an welcher Stelle.
  • In einem Beispiel gibt das Machine Learning Modell zusätzlich zu der Defekterkennung ein Unsicherheitsmaß aus, das zu gegebenen CT-Daten angibt, mit welcher Sicherheit das Machine Learning Modell eine Vorhersage über das Vorliegen eines Defekts in den gegebenen CT-Daten trifft.
  • Die Bauteilqualitätsdaten enthalten Informationen über die in den CT-Daten der industriellen Bauteilen detektierten Defekte. In einem Beispiel enthalten die Bauteilqualitätsdaten Maße der detektierten Defekte, z.B. Längenangaben, Volumen, Anzahlen oder Mengenangaben oder Formfaktoren. In einem weiteren Beispiel enthalten die Bauteilqualitätsdaten Statistiken über die in den CT-Daten detektierten Defekte, z.B. die relative Häufigkeit der Defekte, die Häufigkeit der Defekte pro Fläche oder Volumen, die durchschnittliche Größe der Defekte, eine Wahrscheinlichkeitskarte enthaltend Auftrittswahrscheinlichkeiten der Defekte zu verschiedenen Orten in dem wenigstens einen industriellen Bauteil, Mittelwerte oder Momente von Verteilungen über Beschaffenheitsmerkmale der detektierten Defekte. Die Bauteilqualitätsdaten können für alle Defekte gemeinsam oder für einen oder mehrere Typen von Defekten separat ermittelt werden. Die Bauteilqualitätsdaten können auch für einen oder mehrere bestimmte Bereiche des wenigstens einen industriellen Bauteils ermittelt werden, z.B. nur in Randregionen eines Bauteils oder nur in bestimmten kritischen Bereichen. Diese Bereiche können von einem Nutzer angegeben werden, z.B. über eine Maske.
  • Die Bauteilqualitätsdaten enthalten Bauteilqualitätsdatenwerte. Wenigstens ein Bauteilqualitätsdatenwert wird mit wenigstens einem in der Defektspezifikation angegebenen Sollwert verglichen, beispielsweise mit einem maximal tolerierten Maß eines Defekts, z.B. einer maximalen Länge oder einem maximalen Volumen, einer maximalen Anzahl oder mit einen maximal tolerierten Statistikwert, z.B. einer maximalen Auftrittshäufigkeit oder einer maximalen Durchschnittsgröße. Der wenigstens eine Sollwert ist Teil der Defektspezifikation. Er kann auch von einem Nutzer angegeben werden.
  • Wird der Sollwert in einem Beispiel nicht eingehalten, so wird das überprüfte Bauteil als defekt markiert oder aussortiert oder ein Nutzer wird benachrichtigt.
  • Zur Lösung der Aufgabe, das Machine Learning Modell weitgehend automatisiert an veränderte Bedingungen des Herstellungsverfahrens anzupassen, wird die Qualität des Machine Learning Modells, d.h. die Qualität der Vorhersagen des Machine Learning Modells, anhand eines Qualitätsmaßes und eines Qualitätskriteriums in zeitlichen Abständen überprüft. Dadurch wird eine Veränderung der CT-Daten frühzeitig erkannt. Vorteilhafterweise findet die Überprüfung in regelmäßigen Abständen automatisch statt.
  • Um die Qualität des Machine Learning Modells zu messen, werden Tests auf Groundtruth-CT-Daten und/oder auf aufgenommenen CT-Daten durchgeführt. Tests, die auf Groundtruth-CT-Daten durchgeführt werden, werden als Groundtruth-Tests bezeichnet. Tests, die auf aufgenommenen CT-Daten basieren, werden als Inline-Tests bezeichnet. Das Qualitätsmaß berücksichtigt die Testergebnisse der Tests auf den CT-Daten.
  • In einer Ausführungsform berücksichtigt das Qualitätsmaß eine zeitliche Änderung von während des Inline-Prüfverfahrens aufgenommenen CT-Daten und/oder von Bauteilqualitätsdatenwerten und/oder von Unsicherheitsmaßen, die von dem Machine Learning Modell zu erkannten Defekten ermittelt werden. Ändern sich die Aufnahmebedingungen der CT-Daten oder wird die Kalibrierung mit der Zeit ungenau, so entspricht dies einer zeitlichen Änderung der aufgenommenen CT-Daten, die unabhängig von dem wenigstens einen überprüften industriellen Bauteil ist. Eine derartige zeitliche Änderung der CT-Daten wird durch einen Vergleich der aufgenommenen CT-Daten mit Referenz-CT-Daten festgestellt. Referenz-CT-Daten können synthetische CT-Daten des Bauteils oder anderer Bauteile oder anderer Objekte umfassen, CT-Daten des Bauteils oder anderer Bauteile oder anderer Objekte, die zu früheren Zeitpunkten aufgenommen wurden, CT-Daten des Bauteils oder anderer Bauteile oder anderer Objekte aus anderen Anwendungen oder Groundtruth-CT-Daten. Das Qualitätsmaß kann z.B. die Abweichung eines mittleren Intensitätswerts der aufgenommenen CT-Daten von einem mittleren Intensitätswert von Referenz-CT-Daten berücksichtigen. Das Qualitätsmaß kann z.B. eine Änderung des Rauschverhaltens der aufgenommenen CT-Daten im Vergleich zu einem Rauschverhalten von Referenz-CT-Daten berücksichtigen. Das Qualitätsmaß kann z.B. eine Änderung des Intensitäts-Histogramms der aufgenommenen CT-Daten im Vergleich zu einem Intensitätshistogramm von Referenz-CT-Daten berücksichtigen. Das Qualitätsmaß kann auch eine Veränderung eines statistischen Werts, insbesondere eines Mittelwerts, einer Varianz, eines Moments oder Quantils, einer Intensitätsverteilung der aufgenommenen CT-Daten im Vergleich zu einem statistischen Wert von Referenz-CT-Daten berücksichtigen. Eine Änderung der Aufnahmebedingungen oder des Aufnahmeprozesses kann auch anhand von Statistiken über Bauteilqualitätsdatenwerte festgestellt werden. Falls beispielsweise die relative Häufigkeit von Defekten über die Zeit zunimmt oder in einer Region eines Bauteils im Vergleich zu früheren Zeitpunkten besonders viele Defekte auftreten oder ein bestimmter Defekt häufiger oder seltener auftritt kann dies auf eine Änderung der Aufnahmebedingungen hinweisen. Das Qualitätsmaß kann z.B. die Änderung einer Defektverteilung oder die Änderung statistischer Werte einer Defektverteilung, insbesondere eines Mittelwerts, einer Varianz, eines Quantils oder eines Moments einer Defektverteilung, insbesondere einer Verteilung von Defektarten oder einer Verteilung der Anzahl von Defekten pro Fläche oder Volumen oder einer Verteilung von Defekten in einer bestimmten Region zwischen aufgenommenen CT-Daten und Referenz-CT-Daten berücksichtigen. Eine Änderung der Aufnahmebedingungen oder des Aufnahmeprozesses kann auch anhand von Unsicherheitsmaßen erkannt werden, die von dem Machine Learning Modell zu erkannten Defekten ermittelt werden. Steigt zum Beispiel die durchschnittliche Unsicherheit der Defekterkennung des Machine Learning Modells im Vergleich zur Unsicherheit bei der Defekterkennung auf Referenz-CT-Daten, so deutet dies auf eine Veränderung der Aufnahmebedingungen hin. Das beschriebene Qualitätsmaß quantifiziert somit die Qualität des Machine Learning Modells in Bezug auf inline während des Prüfverfahrens aufgenommene CT-Daten. Dies ermöglicht eine kontinuierliche Qualitätsüberwachung des Machine Learning Modells während des Prüfprozesses. Dadurch ist eine frühzeitige Erkennung von Veränderungen der Aufnahmebedingungen möglich, sowie auch eine frühzeitige Anpassung des Machine Learning Modells an geänderte Aufnahmebedingungen.
  • In einem Beispiel werden Groundtruth-CT-Daten des wenigstens einen Bauteils bereitgestellt und das Machine Learning Modell auf die Groundtruth-CT-Daten angewendet, um Defekterkennungsqualitätsdaten zu ermitteln, wobei das Qualitätsmaß die Abweichung wenigstens eines Defekterkennungsqualitätsdatenwerts von einem Sollwert berücksichtigt. Auf diese Weise wird eine Qualitätsüberwachung des Machine Learning Modells anhand von Groundtruth-CT-Daten ermöglicht.
  • Groundtruth-CT-Daten sind von einem Nutzer bereitgestellte CT-Daten, wobei die in diesen CT-Daten vorliegenden Defekte angegeben sind, z.B. durch eine Markierung der zu einem Defekt gehörenden Pixel bzw. Voxel, und gegebenenfalls auch die Art des Defekts. Die Markierung kann beispielsweise pixelweise bzw. voxelweise angegeben sein oder als Bounding-Box oder auch ohne Ortsinformation als „Defekt vorhanden / nicht vorhanden“. Die bereitgestellten CT-Daten können synthetische CT-Daten des wenigstens einen industriellen Bauteils sein, zu einem früheren Zeitpunkt aufgenommene CT-Daten des wenigstens einen industriellen Bauteils, aufgenommene CT-Daten des wenigstens einen industriellen Bauteils oder anderer industrieller Bauteile oder anderer Objekte, oder in anderen Anwendungen aufgenommene CT-Daten des wenigstens einen industriellen Bauteils oder anderer industrieller Bauteile oder anderer Objekte.
  • Defekterkennungsqualitätsdaten beschreiben die Abweichung des Ergebnisses der Anwendung des Machine Learning Modells auf die Groundtruth-CT-Daten von den angegebenen Defekten in den Groundtruth-CT-Daten. Defekterkennungsqualitätsdaten sind z.B. die Accuracy und die Precision des Machine Learning Modells auf den Groundtruth-CT-Daten, wobei die Accuracy definiert ist als der Anteil von korrekten Vorhersagen an allen getroffenen Vorhersagen des Machine Learning Modells, und Precision als Anteil der korrekten positiven Vorhersagen von allen als positiv klassifizierten Fällen, oder ähnliche Maße. Weitere Defekterkennungsqualitätsdaten sind beispielsweise aus ROC-Kurven abgeleitete Daten wie die Fläche unter der Kurve, Dice-Scores oder Fehler wie der Mean Squared Error. Defekterkennungsqualitätsdaten können auch ein oder mehrere Ergebnisse einer Überprüfung der Einhaltung der Defektspezifikation durch das Inline-Prüfverfahren anhand von Groundtruth-CT-Daten sein. Die Defektspezifikation kann dabei durch Regelfilter, die Angaben in der Defektspezifikation implementieren, überprüft werden. Alternativ können die Ergebnisse des Machine Learning Modells auf den Groundtruth-CT-Daten auch einem Nutzer angezeigt werden und dieser legt einen Defekterkennungsqualitätsdatenwert fest.
  • Ein Sollwert der Defekterkennungsqualitätsdaten ist beispielsweise ein minimaler Wert für die Accuracy und/oder die Precision oder ein minimaler oder maximaler Wert für den von einem Nutzer festgelegten Defekterkennungsqualitätsdatenwert.
  • Das Qualitätsmaß quantifiziert somit die Qualität des Machine Learning Modells in Bezug auf standardisierte Testdaten in Form von vorgegebenen Groundtruth-CT-Daten. Dies ermöglicht eine Qualitätsüberwachung des Machine Learning Modells sowie eine Anpassung des Machine Learning Modells bei sich verändernden Aufnahmebedingungen.
  • In einem Beispiel wird ein Nutzer über eine Nutzerschnittstelle aufgefordert, anhand eines Kriteriums ausgewählte Ergebnisse der Anwendung des Machine Learning Modells auf CT-Daten des Bauteils zu bewerten, wobei diese Bewertungen den Groundtruth-CT-Daten hinzugefügt werden. Das Kriterium kann beispielsweise ein zeitliches Kriterium sein, das in zeitlichen Abständen aufgenommene CT-Daten einem Nutzer zur Bewertung präsentiert. Das Kriterium kann ein Unsicherheitsmaß des Machine Learning Modells berücksichtigen, z.B. indem detektierte Defekte in aufgenommenen CT-Daten mit einem hohen Unsicherheitsmaß, das oberhalb eines Schwellwerts liegt, für die Bewertung durch einen Nutzer ausgewählt werden. Das Kriterium kann eine Änderung aufgenommener CT-Daten im Vergleich zu Referenz-CT-Daten berücksichtigen, sodass im Falle von größeren Änderungen der CT-Daten ein Nutzer um eine Bewertung gebeten wird. Das Kriterium kann auch ein Maß berücksichtigen, das die Auffälligkeit oder die Andersheit der aufgenommenen CT-Daten im Vergleich zu Referenz-CT-Daten berücksichtigt. Beim Auftreten unbekannter Defekte kann somit beispielsweise ein Nutzer um eine Bewertung gebeten werden, beispielsweise um eine Klassifikation des unbekannten Defekts. Um den Aufwand für einen Nutzer gering zu halten, können beispielsweise bisher unbekannte Defekte in einer Liste gespeichert werden und in zeitlichen Abständen einem Nutzer zur Bewertung als Liste präsentiert werden.
  • Die Bewertung des Nutzers der anhand des Kriteriums ausgewählten Ergebnisse kann z.B. eine Annotation, eine Korrektur eines durch das Machine Learning Modell ermittelten Ergebnisses oder ein Qualitätswert sein, der die Qualität des durch das Machine Learning Modell ermittelten Ergebnisses beschreibt. Durch die Aufforderung eines Nutzers zu einer Bewertung wird auch bei veränderten Aufnahmebedingungen eine höhere Genauigkeit des Systems ermöglicht. Außerdem können neue Defekte in die Defekterkennung integriert werden, sodass das Machine Learning Modell flexibel und anpassbar ist. Die Möglichkeit, von einem Nutzer auf Aufforderung Bewertungen zu erhalten, ermöglicht außerdem die Anwendung von semi-supervised learning Strategien. Diese benötigen besonders wenig Nutzereingaben, da die zu präsentierenden Ergebnisse so ausgewählt werden, dass der Informationsgewinn für das Machine Learning Modell möglichst groß ist.
  • In einem Beispiel wird das Machine Learning Modell mittels weakly-supervised Learning trainiert. Derartige Verfahren verwenden ungenaue Labels, die den Annotationsaufwand für einen Nutzer verringern. Beispielsweise können Defekte in den bereitgestellten Groundtruth-CT-Daten mittels Bounding-Boxen annotiert werden. Diese sind nicht pixelgenau bzw. voxelgenau, können aber dennoch für das Training eines Machine Learning Modells mittels weakly-supervised Learning verwendet werden.
  • In einem weiteren Beispiel werden Groundtruth-CT-Daten des wenigstens einen Bauteils bereitgestellt, wobei das Qualitätsmaß eine signifikante statistische Abweichung von Eigenschaften der Defekte, insbesondere der Art, der Größe, der Beschaffenheit, des Abstands oder der Position der Defekte, in den Groundtruth-CT-Daten von den während des Inline-Prüfverfahrens erkannten Defekten berücksichtigt. Ein auf diese Weise definiertes Qualitätsmaß ermöglicht eine Überprüfung der Qualität des Machine Learning Modells durch einen statistischen Vergleich der in den während des inline-Verfahrens aufgenommenen CT-Daten detektierten Defekte und der in den Groundtruth-CT-Daten angegebenen Defekte. Ein statistischer Vergleich kann beispielsweise das Ermitteln von Konfidenzintervallen umfassen, anhand derer eine statistisch signifikante Abweichung ermittelt werden kann. Eine statistisch signifikante Abweichung bedeutet, dass eine Eigenschaft der in den aufgenommenen CT-Daten ermittelten Defekte statistisch unwahrscheinlich oder ungewöhnlich ist im Vergleich zu dieser Eigenschaft in den Groundtruth-CT-Daten. Beispielsweise kann die Anzahl der Defekte ungewöhnlich hoch oder niedrig sein, die Defekte können sich an einem bestimmten Ort deutlich häufen oder die mittlere Größe der Defekte kann sich verändert haben im Vergleich zu den Groundtruth-CT-Daten. Auch bei dem statistischen Vergleich kann wieder zwischen verschiedenen Arten von Defekten unterschieden werden oder nur einzelne Defektarten oder jede Defektart separat betrachtet werden. Ein derartiges Qualitätsmaß ermöglicht eine Erkennung statistischer Änderungen von Defekteigenschaften im Vergleich zu Groundtruth-CT-Daten und somit eine automatische Erkennung veränderter Aufnahmebedingungen.
  • Die Groundtruth-CT-Daten und/oder die aufgenommenen CT-Daten des wenigstens einen Bauteils können in einer Datenbank bereitgestellt werden, wobei diese nach Bauteil-Material und/oder Defekttyp und/oder CT-Scanparametern etc. klassifiziert sind. Dies ermöglicht ein gezieltes Training, da durch eine Auswahl bestimmter Klassen von Trainingsdaten spezielle Problemfelder wie besonders schwer zu detektierende Defekte, verschiedene Bauteil-Materialien oder auf unterschiedlichen Scanparametern beruhende CT-Daten gezielt trainiert werden können. Dies ermöglicht eine höhere Genauigkeit des Machine Learning Modells und einen geringeren Trainingsaufwand.
  • Ein Qualitätskriterium ist ein Kriterium, das anhand des Qualitätsmaßes des Machine Learning Modells eine Entscheidung ermöglicht, ob das Machine Learning Modell angepasst wird. Das Qualitätskriterium umfasst beispielsweise einen Mindestwert oder einen Maximalwert für das Qualitätsmaß. Das Qualitätskriterium kann auch einen Abweichungswert umfassen, ab dem eine statistische Abweichung als statistisch signifikant gelten soll. Bei Überschreiten bzw. Unterschreiten eines derartigen Wertes wird das Machine Learning Modell angepasst.
  • Das Machine Learning Modell wird in Abhängigkeit vom Ergebnis der Überprüfung der Qualität des Machine Learning Modells angepasst.
  • In einem Beispiel wird das Machine Learning Modell angepasst, indem es neu trainiert wird. Das Machine Learning Modell kann anhand eines geänderten Trainingsdatensatzes neu trainiert werden. Der Trainingsdatensatz kann dabei Groundtruth-CT-Daten enthalten und/oder aufgenommene CT-Daten und/oder synthetische CT-Daten und/oder in einer anderen Anwendung bereitgestellte CT-Daten, die z.B. über eine Cloud geladen werden können. Der Trainingsdatensatz kann auch vorverarbeitet oder ergänzt werden, z.B. können die Trainingsdaten augmentiert werden oder es können Filteroperationen auf den Trainingsdatensatz angewendet werden. Es kann auch anhand eines anderen Trainingsdatensatzes ein vortrainiertes Machine Learning Modell geladen werden. Das Machine Learning Modell kann auch anhand geänderter Hyperparameter neu trainiert werden, z.B. indem die Größe einer oder mehrerer Netzwerkschichten verändert wird, Filtergrößen angepasst werden oder die Lernrate verändert wird.
  • In einem weiteren Beispiel werden Groundtruth-CT-Daten des wenigstens einen Bauteils bereitgestellt und das Machine Learning Modell angepasst, indem die Hyperparameter des Machine Learning Modells anhand der Groundtruth-CT-Daten optimiert werden.
  • Hyperparameter-Optimierungsverfahren optimieren Hyperparameterwerte eines Machine Learning Modells, indem der Erwartungswert des Validation losses des Machine Learning Modells minimiert wird, wie z.B. in „Bergstra, James S., Remi Bardenet, Yoshua Bengio, and Baläzs Kegl. „Algorithms for hyperparameter optimization." In Advances in neural information processing systems, pp. 2546-2554. 2011" beschrieben. Dies hat den Vorteil, dass zum einen die Genauigkeit des Machine Learning Modells verbessert wird und zum anderen der Aufwand für einen Nutzer bei der Auswahl der Hyperparameter verringert wird.
  • Ein Hyperparameter ist ein Parameter eines Machine Learning Modells, dessen Wert zur Steuerung des Lernprozesses verwendet wird, aber nicht aus Trainingsdaten gelernt wird. Im Gegensatz dazu werden die Werte anderer Parameter, z.B. der Gewichte, aus Trainingsdaten gelernt.
  • Hyperparameter eines Machine Learning Modells umfassen wenigstens einen der folgenden Parameter, sind aber nicht darauf beschränkt:
    • - Anzahl der Schichten im Modell,
    • - Größe der Schichten im Modell,
    • - Art der Schichten im Modell,
    • - Art und/oder Parameter der loss function
    • - bottleneck-Größe, z.B. bei Autoencodern
    • - Filtergröße der Eingabeschicht (weitere Netzwerkeigenschaften werden proportional zur ersten Schicht skaliert),
    • - anfängliche Lernrate,
    • - Lernratenabnahme,
    • - Momentumfaktor,
    • - Anzahl der Epochen,
    • - Regularisierungsgröße,
    • - Größe und Inhalt des Trainingsdatensatzes,
    • - Art der verwendeten Faltung,
    • - Upsampling-Schema,
    • - Verbindungen zwischen den Schichten,
    • - Filtergröße,
    • - Dropout-Rate,
    • - Kernel-Größen der Faltungsschichten,
    • - Nutzung des beschleunigten Gradienten von Nesterov,
    • - Art des Optimierungsalgorithmus,
    • - etc.
  • Die Hyperparameter umfassen mindestens einen Modell-Hyperparameter oder einen Algorithmus-Hyperparameter. Modell-Hyperparameter betreffen das Design des Machine Learning Modells und umfassen alle Hyperparameter, die sich auf die Modellauswahl oder die Architektur des Machine Learning Modells beziehen, z.B. die Art, Anzahl und Größe der Schichten, die Verbindungen zwischen den Schichten oder die Kernel-Größen der Faltungsschichten. Algorithmus-Hyperparameter haben prinzipiell keinen Einfluss auf die Qualität des Machine Learning Modells, beeinflussen aber die Geschwindigkeit und Qualität des Lernprozesses. Beispiele für Algorithmus-Hyperparameter sind die Lernrate, die Mini-Batch-Größe oder der verwendete Optimierungsalgorithmus (Stochastic Gradient Descent, Adam, RmsProp etc.).
  • In einem Beispiel ist wenigstens ein Hyperparameter des Machine Learning Modells ein Modell-Hyperparameter, der die Modellauswahl oder die Architektur des Machine Learning Modells betrifft. Dadurch kann die Struktur des Machine Learning Modells automatisch optimiert werden. Auf diese Weise wird die Genauigkeit des Machine Learning Modells verbessert und der Aufwand für einen Nutzer bei der Auswahl der Hyperparameter verringert.
  • In einem weiteren Beispiel werden Groundtruth-CT-Daten des wenigstens einen Bauteils bereitgestellt, es wird eine die Ähnlichkeit von CT-Daten bewertende Metrik für das Training des Machine Learning Modells gelernt, insbesondere mittels Metric Learning, und das Machine Learning Modell anhand der gelernten Metrik neu trainiert. Metric Learning ist eine Technologie, um Daten einem metrischen Raum zuzuordnen, in dem Daten derselben Klasse, d.h. mit Defekten bzw. mit denselben Defekten, nahe beieinander liegen, während Daten verschiedener Klassen, d.h. mit verschiedenen Defekten, weit voneinander entfernt sind. Mittels Metric Learning wird somit ein Clustering gelernt, d.h. eine Vorklassifikation der CT-Daten. Metric Learning ist beispielsweise in „Metric Learning, Aurelien Bellet, Amaury Habrard, and Marc Sebban, Synthesis Lectures on Artificial Intelligence and Machine Learning, 2015, vol. 9:1, pp. 1-151“ beschrieben. Metric Learning kann beispielsweise mit einem Siamese Neural Network umgesetzt werden. Metric Learning ermöglicht eine Repräsentation der Eingabedaten in einem Raum, der eine Unterscheidung zwischen verschiedenen Defekten oder zwischen Defekt und Nicht-Defekt vereinfacht. Dadurch wird die Qualität des Machine Learning Modells verbessert.
  • In einem Beispiel werden einzelne oder alle Schritte des Verfahrens verteilt in einer Cloud ausgeführt. Dies hat den Vorteil einer besonders schnellen Durchführung des Verfahrens, sodass die Qualitätsüberprüfung z.B. in Echtzeit durchgeführt werden kann. In einem weiteren Beispiel werden CT-Daten, insbesondere Groundtruth-CT-Daten oder inline aufgenommene CT-Daten, aus einer Cloud geladen und/oder in eine Cloud hochgeladen, um diese anderen Qualitätssicherungssystemen zur Verfügung zu stellen. Dies hat den Vorteil, dass die CT-Daten zentral in der Cloud gespeichert werden und von verschiedenen Orten aus abgerufen werden können. Beispielsweise können Groundtruth-CT-Daten, die ein Nutzer für eine Anwendung bereitgestellt hat, über die Cloud abgerufen und von einem Nutzer in einer anderen Anwendung verwendet werden. Dieses Vorgehen spart dem Nutzer Aufwand bei der Annotation und bei der Bereitstellung von Trainingsdaten und führt aufgrund der größeren Menge von Trainingsdaten zu einer höheren Genauigkeit des Machine Learning Modells.
  • Die Erfindung betrifft außerdem ein Computerprogramm umfassend Programmcode, welcher, wenn in einem Computersystem geladen und ausgeführt, zur Durchführung eines der zuvor beschriebenen Verfahren ausgelegt ist.
  • Die Erfindung betrifft auch ein computerlesbares Speichermedium, umfassend Befehle, die bei der Ausführung durch einen Computer diesen veranlassen, eines der zuvor beschriebenen Verfahren auszuführen.
  • Die Erfindung betrifft weiterhin ein System zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren, mit einer CT-Daten-Aufnahmeeinrichtung zur Bereitstellung von CT-Daten des wenigstens einen Bauteils, mit einem oder mehreren Prozessoren, mit einem oder mehreren maschinen-lesbaren Hardwarespeichern, die Anweisungen umfassen, die durch einen oder mehrere Prozessoren ausführbar sind und Operationen durchführen, die eines der zuvor beschriebenen Verfahren umfassen. Das System kann außerdem eine Nutzerschnittstelle enthalten, die dazu eingerichtet ist, einem Nutzer Daten anzuzeigen und Eingaben eines Nutzers zu verarbeiten. Weiterhin kann das System eine Anbindung an eine Cloud aufweisen.
  • Nachfolgend werden vorteilhafte Ausführungsbeispiele der Erfindung beschrieben, die in den Zeichnungen schematisch dargestellt sind.
  • Es zeigen:
    • 1 CT-Daten eines industriellen Bauteils mit Defekten;
    • 2 verschiedene detektierte Defekte in dem industriellen Bauteil;
    • 3 ein Flussdiagramm über ein computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren;
    • 4 die Anpassung des Machine Learning Modells in Abhängigkeit vom Ergebnis eines Vergleichs eines Qualitätsmaßes mit einem Qualitätskriterium; und
    • 5 ein System zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren.
  • Die 1 zeigt CT-Daten 16 eines industriellen Bauteils 6 aus Aluminium. In diesen CT-Daten 16 wurden mittels eines Machine Learning Modells 14 zur Defekterkennung 18 Defekte 8 detektiert. Verschiedene Beispiele dieser detektierten Defekte 8 sind in 2 dargestellt.
  • Die 3 zeigt ein Flussdiagramm 10 über ein computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils 6 in einem Inline-Prüfverfahren gemäß einer Ausführungsform. Das Verfahren umfasst die folgenden Schritte: Bereitstellen einer Defektspezifikation 12 von zu detektierenden Defekten 8 des wenigstens einen Bauteils 6; Bereitstellung eines Machine Learning Modells 14 zur Defekterkennung 18, das auf CT-Daten 16 des wenigstens einen Bauteils 6 operiert, Aufnahme von aufgenommenen CT-Daten 32 des wenigstens einen Bauteils 6 und Anwenden des Machine Learning Modells 14 zur Defekterkennung 18 auf diese CT-Daten zur Ermittlung von Bauteilqualitätsdaten, und Vergleich wenigstens eines Bauteilqualitätsdatenwerts mit einem in der Defektspezifikation 12 angegebenen Sollwert 20, wobei in zeitlichen Abständen ein eine Qualität des Machine Learning Modells 14 beschreibendes Qualitätsmaß 22 durch Vergleichen mit einem Qualitätskriterium 24 überprüft wird und in Abhängigkeit vom Ergebnis der Prüfung eine Anpassung 26 des Machine Learning Modells 14 durchgeführt wird, um das Qualitätsmaß 22 für das Machine Learning Modell 14 zu optimieren.
  • Die 4 stellt einen Ausschnitt aus der 3 gemäß einer Ausführungsform dar, der die Anpassung 26 des Machine Learning Modells 14 in Abhängigkeit vom Ergebnis eines Vergleichs eines Qualitätsmaßes 22 mit einem Qualitätskriterium 24 zeigt.
  • Das Qualitätsmaß 22 kann Groundtruth-CT-Daten 30, insbesondere synthetische CT-Daten 16 oder von einem Nutzer annotierte CT-Daten 16, und/oder inline aufgenommene CT-Daten 32 berücksichtigen. Es ist von Vorteil, wenn die CT-Daten 16 in einer Datenbank 66 vorliegen. Die CT-Daten können nach Bauteil-Material und/oder Defekttyp und/oder CT-Scanparametern klassifiziert vorliegen, um ein gezieltes Training zu ermöglichen.
  • Das Qualitätsmaß 22 kann dabei Groundtruth-CT-Daten 30 berücksichtigen. Das Machine Learning Modell 14 zur Defekterkennung 18 wird, z.B. in einem oder mehreren Groundtruth-Tests 36, auf die Groundtruth-CT-Daten 30 angewendet, um Defekterkennungsqualitätsdaten zu ermitteln. Das Qualitätsmaß 22 berücksichtigt die Abweichung wenigstens eines Defekterkennungsqualitätsdatenwerts von einem Sollwert. Defekterkennungsqualitätsdatenwerte sind beispielsweise die Accuracy oder Precision des Machine Learning Modells auf einer Auswahl der Groundtruth-CT-Daten 30. Diese Auswahl kann alle Groundtruth-CT-Daten 30 umfassen oder nur einen Teil davon, z.B. einen Validierungsdatensatz. Ein Sollwert ist beispielsweise eine minimale Accuracy oder eine minimale Precision, die das Machine Learning Modell 14 auf der Auswahl der Groundtruth-CT-Daten 30 erreichen soll. Defekterkennungsqualitätsdaten können auch die Erfüllung der Defektspezifikation 12 auf den Groundtruth-CT-Daten 30 bewerten, z.B. die Anzahl der nicht gemäß der Defektspezifikation 12 erkannten Defekte 8.
  • Das Machine Learning Modell 14 ist optional über eine Abstraktionsschnittstelle 34 ansprechbar. Über diese Abstraktionsschnittstelle 34 kann das Machine Learning Modell 14 zur Defekterkennung 18 eingegeben werden. Dies hat den Vorteil, dass das Machine Learning Modell 14 besonders einfach austauschbar ist, ohne das computerimplementierte Verfahren zur zerstörungsfreien Qualitätssicherung oder das Qualitätsmaß 22 oder die Tests 36, 38 anpassen zu müssen. Dadurch ist das computerimplementierte Verfahren zur zerstörungsfreien Qualitätssicherung, bei dem die Qualität des Machine Learning Modells 14 überwacht wird, leicht anpassbar und wiederverwendbar. Die Abstraktionsschnittstelle 34 ermöglicht es beispielsweise, das Machine Learning Verfahren 14 während des Inline-Prüfverfahrens anzupassen und auszutauschen.
  • Das Qualitätsmaß 22 kann zusätzlich oder alternativ inline aufgenommene CT-Daten 32 berücksichtigen, z.B. in einem oder mehreren Inline-Tests 38. Das Qualitätsmaß 22 kann eine zeitliche Änderung von während des Inline-Prüfverfahrens aufgenommenen CT-Daten 32 berücksichtigen. Beispielsweise kann die zeitliche Änderung anhand einer Änderung der durchschnittlichen Intensität oder einer Änderung des Intensitäts-Histogramms der aufgenommenen CT-Daten 32 im Vergleich zu einer durchschnittlichen Intensität oder des Intensitätshistogramms von Referenz-CT-Daten festgestellt werden. Beispielsweise kann die zeitliche Änderung anhand einer Änderung des Rauschverhaltens der aufgenommenen CT-Daten 32 im Vergleich zu Referenz-CT-Daten festgestellt werden. Beispielsweise kann die zeitliche Änderung anhand einer Veränderung eines statistischen Werts, insbesondere eines Mittelwerts, einer Varianz, eines Moments oder Quantils, einer Verteilung über Beschaffenheitsmerkmale, insbesondere Intensitäten, der aufgenommenen CT-Daten 32 im Vergleich zu einem statistischen Wert von Referenz-CT-Daten festgestellt werden.
  • In einem Beispiel berücksichtigt das Qualitätsmaß 22 Bauteilqualitätsdatenwerte, z.B. in einem Inlinetest 38. Das Qualitätsmaß 22 kann z.B. die Änderung einer Defektverteilung oder statistischer Werte, insbesondere eines Mittelwerts, einer Varianz, einer relativen Häufigkeit, eines Quantils oder eines Moments einer Defektverteilung, insbesondere einer Verteilung der Defektarten, einer örtlichen Verteilung von Defekten in einer bestimmten Region oder einer Verteilung einer Defektanzahl pro Fläche oder Volumen etc., zwischen aufgenommenen CT-Daten 32 und Referenz-CT-Daten berücksichtigen.
  • In einem weiteren Beispiel berücksichtigt das Qualitätsmaß 22 Unsicherheitsmaße 40, z.B. in einem Inlinetest 38, die von dem Machine Learning Modell 14 zu erkannten Defekten 8 ermittelt werden. Eine Veränderung des Unsicherheitsmaßes 40 des Machine Learning Modells 14 bei der Defekterkennung deutet auf eine Veränderung der aufgenommenen CT-Daten 32 hin und somit auf eine notwendige Anpassung 26 des Machine Learning Modells 14.
  • Das Verfahren kann, z.B. in einem Inlinetest 38, vorsehen, dass ein Nutzer über eine Nutzerschnittstelle 64 aufgefordert wird, anhand eines Kriteriums ausgewählte Ergebnisse der Anwendung des Machine Learning Modells 14 auf CT-Daten 16 des wenigstens einen industriellen Bauteils 6 zu bewerten und dass diese Bewertungen den Groundtruth-CT-Daten 30 hinzugefügt werden. Dies ermöglicht die Anwendung von semi-supervised learning Methoden, wobei das Machine Learning Modell 14 selbst anhand eines Kriteriums CT-Daten 16 auswählt und dem Nutzer zur Bewertung präsentiert. Das Kriterium kann beispielsweise so gewählt sein, dass der Informationsgewinn für das Machine Learning Modell 14 möglichst groß ist. Dies hat den Vorteil, dass der Aufwand für den Nutzer möglichst gering gehalten wird, da sein Feedback nur für ausgewählte Beispiele notwendig ist. Diese von einem Nutzer annotierten CT-Daten 16 werden den Groundtruth-CT-Daten 30 hinzugefügt, sodass immer wieder neue annotierte CT-Daten für ein erneutes Training 42 des Machine Learning Modells 14 zur Verfügung stehen. Auch dadurch wird eine regelmäßige Qualitätskontrolle des Machine Learning Modells 14 sichergestellt.
  • In einem Beispiel, z.B. in einem weiteren Inline-Test 38, werden Groundtruth-CT-Daten 30 des wenigstens einen Bauteils 6 bereitgestellt, wobei das Qualitätsmaß 22 eine signifikante statistische Abweichung von Eigenschaften der Defekte 8, insbesondere der Art, der Größe, der Beschaffenheit, des Abstands oder der Position der Defekte 8, in den Groundtruth-CT-Daten 30 von den während des Inline-Prüfverfahrens erkannten Defekten 8 berücksichtigt. Durch diesen Vergleich von Statistiken über Eigenschaften der Defekte 8 inline aufgenommener CT-Daten 32 mit Statistiken über Eigenschaften der Defekte 8 in den Groundtruth-CT-Daten 30 kann eine Änderung der Aufnahmebedingungen festgestellt werden, um das Machine Learning Modell 14 daran anzupassen.
  • Das eine Qualität des Machine Learning Modells 14 beschreibende Qualitätsmaß 22 wird in zeitlichen Abständen durch Vergleichen mit einem Qualitätskriterium 24 überprüft, und in Abhängigkeit vom Ergebnis der Prüfung findet eine Anpassung 26 des Machine Learning Modells 14 statt, um das Qualitätsmaß 22 für das Machine Learning Modell 14 zu optimieren.
  • Die Anpassung 26 des Machine Learning Modells 14 kann durch ein erneutes Training 42 auf Basis von ausgewählten Trainingsdaten durchgeführt werden. Die Trainingsdaten können aus den Groundtruth-CT-Daten 30 und/oder den aufgenommenen CT-Daten 30 und/oder aus weiteren CT-Daten ausgewählt werden. Die Trainingsdaten können auch aus einer Cloud 62 geladen werden.
  • Die Trainingsdaten können CT-Daten 16 des gleichen wenigstens einen industriellen Bauteils 6 beinhalten oder anderer industrieller Bauteile 6 oder auch anderer Objekte.
  • In einem Beispiel werden zur Anpassung 26 des Machine Learning Modells 14 Groundtruth-CT-Daten 30 des wenigstens einen Bauteils 6 bereitgestellt und das Machine Learning Modell 14 angepasst, indem, insbesondere mittels Hyperparameter Optimization 44 Methoden, die Hyperparameter des Machine Learning Modells 14 anhand der Groundtruth-CT-Daten 30 optimiert werden. Vorteilhafterweise ist dabei wenigstens ein Hyperparameter ein Modell-Hyperparameter des Machine Learning Modells 14, der die Modellauswahl oder die Architektur des Machine Learning Modells 14 betrifft.
  • In einem Beispiel werden Groundtruth-CT-Daten 30 des wenigstens einen Bauteils 6 bereitgestellt, wobei eine die Abweichung der von dem Machine Learning Modell 14 auf den Groundtruth-CT-Daten 30 berechneten Defekte 8 von den tatsächlichen Defekten 8 bewertende Metrik für das Training des Machine Learning Modells 14, insbesondere mittels Metric Learning 46, gelernt wird und das Machine Learning Modell 14 anhand der gelernten Metrik in einem erneuten Training 42 neu trainiert wird. Dies erhöht die Genauigkeit des Machine Learning Modells 14 und ermöglicht eine Anpassung des Machine Learning Modells 14 an aufgenommene CT-Daten 32.
  • In einem Beispiel werden einzelne oder alle Schritte des Verfahrens verteilt in einer Cloud 62 ausgeführt. Dadurch kann die Überprüfung des wenigstens einen industriellen Bauteils 6 möglichst schnell, vorzugsweise inline in Echtzeit, durchgeführt werden.
  • In einem weiteren Beispiel werden CT-Daten 16, umfassend Groundtruth-CT-Daten 30 und/oder aufgenommene CT-Daten 32, aus einer Cloud 62 geladen und/oder CT-Daten 16, umfassend Groundtruth-CT-Daten 30 und/oder aufgenommene CT-Daten 32, in eine Cloud 62 hochgeladen, um diese anderen Qualitätssicherungssystemen zur Verfügung zu stellen. Dies hat den Vorteil, dass CT-Daten 16 aus anderen Quellen, z.B. aus anderen Anwendungen, für das Training des Machine Learning Modells 14 und/oder für die Anpassung 26 des Machine Learning Modells 14 und/oder für die Auswertung des Qualitätsmaßes 22 verwendet werden können. Dabei können CT-Daten 16 anderer industrieller Bauteile 6 oder der gleichen industriellen Bauteile 6 aus anderen Anwendungen oder anderer Objekte aus einer Cloud 62 geladen und verwendet werden. Außerdem können die während des Inline-Prüfverfahrens aufgenommenen CT-Daten 32 und/oder die Groundtruth-CT-Daten 30 in eine Cloud 62 hochgeladen und anderen Anwendungen zur Verfügung gestellt werden.
  • Anhand von aufgenommenen CT-Daten 32 kann außerdem die Laufzeit und/oder die Robustheit gegenüber Rauschen und/oder die Reproduzierbarkeit von Defekterkennungsergebnissen und/oder die Ressourcenverwendung des Inline-Prüfverfahrens in zeitlichen Abständen überprüft werden.
  • 5 zeigt schematisch ein System 50 für die zerstörungsfreie Qualitätssicherung wenigstens eines industriellen Bauteils 6 in einem Inline-Prüfverfahren. Das System 50 enthält eine CT-Daten-Aufnahmeeinrichtung 60 und eine Verarbeitungseinheit 52. Die CT-Daten-Aufnahmeeinrichtung 60 ist mit der Verarbeitungseinheit 52 gekoppelt. Die CT-Daten-Aufnahmeeinrichtung 60 ist konfiguriert, um aufgenommene CT-Daten 32 des industriellen Bauteils 6 zu erfassen.
  • Die CT-Daten-Aufnahmeeinrichtung 60 kann aufgenommene CT-Daten 32 an die Verarbeitungseinheit 52 liefern. Die Verarbeitungseinheit 52 umfasst einen Prozessor 54, z. B. eine CPU oder GPU. Der Prozessor 54 kann die aufgenommenen CT-Daten 32 über eine Schnittstelle 56 empfangen. Der Prozessor 54 kann Programmcode aus einem maschinen-lesbaren Hardwarespeicher 58 laden. Der Prozessor 54 kann den Programmcode ausführen. Beim Ausführen des Programmcodes führt der Prozessor 54 Verfahren wie die hierin beschriebenen durch, z. B. eine zerstörungsfreie Qualitätssicherung in einem Inline-Prüfverfahren, eine Überprüfung der Qualität des Machine Learning Modells 14 in zeitlichen Abständen, eine Anpassung des Machine Learning Modells 14 usw. Zum Beispiel kann der Prozessor 54 das in der 3 gezeigte computerimplementierte Verfahren beim Laden von Programmcode aus dem maschinen-lesbaren Hardwarespeicher 58, z.B. auch mit den in 4 dargestellten Schritten, ausführen. Die Verarbeitungseinheit 52 kann optional eine Nutzerschnittstelle 64 zum Ausgeben von CT-Daten 16 und zum Eingeben von Nutzereingaben wie Bewertungen von ausgewählten Ergebnissen der Anwendung des Machine Learning Modells 14 auf CT-Daten 16 des wenigstens einen industriellen Bauteils 6, Groundtruth-CT-Daten 30, Annotationen, Bounding-Boxes usw. enthalten. Die Verarbeitungseinheit 52 kann optional an eine Cloud 62 angebunden sein, sodass CT-Daten 16, insbesondere aufgenommene CT-Daten 32 und/oder Groundtruth-CT-Daten 30, aus der Cloud 62 und/oder in die Cloud geladen werden können und/oder Verarbeitungsschritte des computerimplementierten Verfahrens verteilt in der Cloud 62 ausgeführt werden können. Die Verarbeitungseinheit 52 kann optional an eine Datenbank 66 gekoppelt sein, in der Groundtruth-CT-Daten 30 oder aufgenommene CT-Daten 32 gespeichert sein können.
  • Zusammenfassend betrifft die Erfindung ein computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils 6 in einem Inline-Prüfverfahren, umfassend die folgenden Schritte: Bereitstellen einer Defektspezifikation 12 von zu detektierenden Defekten 8 des wenigstens einen industriellen Bauteils 6, Bereitstellung eines Machine Learning Modells 14 zur Defekterkennung 18, das auf CT-Daten 16 des wenigstens einen industriellen Bauteils 6 operiert, Aufnahme von aufgenommenen CT-Daten 32 des wenigstens einen industriellen Bauteils 6 und Anwenden des Machine Learning Modells 14 zur Defekterkennung 18 auf diese CT-Daten zur Ermittlung von Bauteilqualitätsdaten, Vergleich wenigstens eines Bauteilqualitätsdatenwerts mit wenigstens einem in der Defektspezifikation 12 angegebenen Sollwert 20, wobei in zeitlichen Abständen ein eine Qualität des Machine Learning Modells 14 beschreibendes Qualitätsmaß 22 durch Vergleichen mit einem Qualitätskriterium 24 überprüft wird und in Abhängigkeit vom Ergebnis der Prüfung das Machine Learning Modell 14 angepasst wird, um das Qualitätsmaß 22 für das Machine Learning Modell 14 zu optimieren.
  • Bezugszeichenliste
    • 6
    Industrielles Bauteil
    8
    Defekt
    10
    Flussdiagramm
    12
    Defektspezifikation
    14
    Machine Learning Modell
    16
    CT-Daten
    18
    Defekterkennung
    20
    Sollwert
    22
    Qualitätsmaß
    24
    Qualitätskriterium
    26
    Anpassung
    30
    Groundtruth-CT-Daten
    32
    Aufgenommene CT-Daten
    34
    Abstraktionsschnittstelle
    36
    Groundtruth-Tests
    38
    Inline-Tests
    40
    Unsicherheitsmaß
    42
    Erneutes Training
    44
    Hyperparameter Optimization
    46
    Metric Learning
    50
    System
    52
    Verarbeitungseinheit
    54
    CPU
    56
    Schnittstelle
    58
    maschinen-lesbarer Hardwarespeicher
    60
    CT-Daten-Aufnahmeeinrichtung
    62
    Cloud
    64
    Nutzerschnittstelle
    66
    Datenbank
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • CN 111751390 A [0004]
  • Zitierte Nicht-Patentliteratur
    • „Bergstra, James S., Remi Bardenet, Yoshua Bengio, and Baläzs Kegl. „Algorithms for hyperparameter optimization.“ In Advances in neural information processing systems, pp. 2546-2554 [0037]
    • Metric Learning, Aurelien Bellet, Amaury Habrard, and Marc Sebban, Synthesis Lectures on Artificial Intelligence and Machine Learning, 2015, vol. 9:1, pp. 1-151 [0042]

Claims (10)

  1. Computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils (6) in einem Inline-Prüfverfahren, umfassend die folgenden Schritte: - Bereitstellen einer Defektspezifikation (12) von zu detektierenden Defekten (8) des wenigstens einen industriellen Bauteils (6); - Bereitstellung eines Machine Learning Modells (14) zur Defekterkennung (18), das auf CT-Daten (16) des wenigstens einen industriellen Bauteils (6) operiert; - Aufnahme von aufgenommenen CT-Daten (32) des wenigstens einen industriellen Bauteils (6) und Anwenden des Machine Learning Modells (14) zur Defekterkennung (18) auf diese CT-Daten zur Ermittlung von Bauteilqualitätsdaten; - Vergleich wenigstens eines Bauteilqualitätsdatenwerts mit wenigstens einem in der Defektspezifikation (12) angegebenen Sollwert (20); dadurch gekennzeichnet, dass in zeitlichen Abständen ein eine Qualität des Machine Learning Modells (14) beschreibendes Qualitätsmaß (22) durch Vergleichen mit einem Qualitätskriterium (24) überprüft wird und in Abhängigkeit vom Ergebnis der Prüfung das Machine Learning Modell (14) angepasst wird, um das Qualitätsmaß (22) für das Machine Learning Modell (14) zu optimieren.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Qualitätsmaß (22) eine zeitliche Änderung von während des Inline-Prüfverfahrens aufgenommenen CT-Daten (32) und/oder von Bauteilqualitätsdatenwerten und/oder von Unsicherheitsmaßen (40), die von dem Machine Learning Modell (14) zu erkannten Defekten (8) ermittelt werden, berücksichtigt.
  3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass Groundtruth-CT-Daten (30) des wenigstens einen Bauteils (6) bereitgestellt werden, dass das Machine Learning Modell (14) auf die Groundtruth-CT-Daten (30) angewendet wird, um Defekterkennungsqualitätsdaten zu ermitteln, und dass das Qualitätsmaß (22) die Abweichung wenigstens eines Defekterkennungsqualitätsdatenwerts von einem Sollwert berücksichtigt.
  4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass ein Nutzer über eine Nutzerschnittstelle (64) aufgefordert wird, anhand eines Kriteriums ausgewählte Ergebnisse der Anwendung des Machine Learning Modells (14) auf CT-Daten (16) des wenigstens einen industriellen Bauteils (6) zu bewerten und dass diese Bewertungen den Groundtruth-CT-Daten (30) hinzugefügt werden.
  5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass Groundtruth-CT-Daten (30) des wenigstens einen Bauteils (6) bereitgestellt werden und dass das Qualitätsmaß (22) eine signifikante statistische Abweichung von Eigenschaften der Defekte (8), insbesondere der Art, der Größe, der Beschaffenheit, des Abstands oder der Position der Defekte (8), in den Groundtruth-CT-Daten (30) von den während des Inline-Prüfverfahrens erkannten Defekten (8) berücksichtigt.
  6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass Groundtruth-CT-Daten (30) des wenigstens einen Bauteils (6) bereitgestellt werden und dass das Machine Learning Modell (14) angepasst wird, indem die Hyperparameter des Machine Learning Modells (14) anhand der Groundtruth-CT-Daten (30) optimiert werden.
  7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass wenigstens ein Hyperparameter ein Modell-Hyperparameter des Machine Learning Modells (14) ist, der die Modellauswahl oder die Architektur des Machine Learning Modells (14) betrifft.
  8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass Groundtruth-CT-Daten (32) des wenigstens einen Bauteils (6) bereitgestellt werden, dass eine die Ähnlichkeit von CT-Daten (16) bewertende Metrik für das Training des Machine Learning Modells (14) gelernt wird und dass das Machine Learning Modell (14) anhand der gelernten Metrik neu trainiert wird.
  9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass - einzelne oder alle Schritte des Verfahrens verteilt in einer Cloud (62) ausgeführt werden und/oder - CT-Daten (16) aus einer Cloud (62) geladen werden und/oder - CT-Daten (16) in eine Cloud (62) hochgeladen werden, um diese anderen Qualitätssicherungssystemen zur Verfügung zu stellen.
  10. System (50) zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils (6) in einem Inline-Prüfverfahren, gekennzeichnet durch: - eine CT-Daten-Aufnahmeeinrichtung (60) zur Bereitstellung von CT-Daten (16) des wenigstens einen industriellen Bauteils (6); - einen oder mehrere Prozessoren (54); - einen oder mehrere maschinen-lesbare Hardwarespeicher (58), die Anweisungen umfassen, die durch einen oder mehrere Prozessoren (54) ausführbar sind und Operationen durchführen, die ein Verfahren nach einem der vorhergehenden Ansprüche umfassen.
DE102022118066.2A 2022-07-19 2022-07-19 Computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren, sowie System für dessen Verwendung Pending DE102022118066A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102022118066.2A DE102022118066A1 (de) 2022-07-19 2022-07-19 Computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren, sowie System für dessen Verwendung

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102022118066.2A DE102022118066A1 (de) 2022-07-19 2022-07-19 Computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren, sowie System für dessen Verwendung

Publications (1)

Publication Number Publication Date
DE102022118066A1 true DE102022118066A1 (de) 2024-01-25

Family

ID=89429405

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022118066.2A Pending DE102022118066A1 (de) 2022-07-19 2022-07-19 Computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren, sowie System für dessen Verwendung

Country Status (1)

Country Link
DE (1) DE102022118066A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751390A (zh) 2020-06-08 2020-10-09 洛阳中信成像智能科技有限公司 一种工业ct图像分析自动交互系统及其使用方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111751390A (zh) 2020-06-08 2020-10-09 洛阳中信成像智能科技有限公司 一种工业ct图像分析自动交互系统及其使用方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
„Bergstra, James S., Remi Bardenet, Yoshua Bengio, and Baläzs Kegl. „Algorithms for hyperparameter optimization." In Advances in neural information processing systems, pp. 2546-2554
Metric Learning, Aurelien Bellet, Amaury Habrard, and Marc Sebban, Synthesis Lectures on Artificial Intelligence and Machine Learning, 2015, vol. 9:1, pp. 1-151

Similar Documents

Publication Publication Date Title
DE102019209565A1 (de) Verfahren und Vorrichtung zum Überprüfen der Robustheit eines künstlichen neuronalen Netzes
DE112017005651T5 (de) Vorrichtung zur Klassifizierung von Daten
DE102019110721A1 (de) Workflow zum trainieren eines klassifikators für die qualitätsprüfung in der messtechnik
DE102020126554A1 (de) Mikroskopiesystem und verfahren zum überprüfen von eingabedaten
DE102021100444A1 (de) Mikroskopiesystem und verfahren zum bewerten von bildverarbeitungsergebnissen
DE102019120696A1 (de) Vorrichtung und Verfahren zur Reifenprüfung
DE102021207613A1 (de) Verfahren zur Qualitätssicherung eines Systems
DE102017220954A1 (de) Verfahren, Vorrichtung und Computerprogramm zur Ermittlung einer Anomalie
WO2020260016A1 (de) Verfahren und vorrichtung zum trainieren eines maschinellen lernsystems
DE102022118066A1 (de) Computerimplementiertes Verfahren zur zerstörungsfreien Qualitätssicherung wenigstens eines industriellen Bauteils in einem Inline-Prüfverfahren, sowie System für dessen Verwendung
DE102019117680A1 (de) Automatisiertes segmentierungsverfahren für die qualitätsprüfung
DE102010028382A1 (de) Verfahren und Computersystem zur Bearbeitung tomographischer Bilddaten aus einer Röntgen-CT-Untersuchung eines Untersuchungsobjektes
DE102018133092B3 (de) Computer-implementiertes Verfahren zur Analyse von Messdaten aus einer Messung eines Objektes
DE102022201679A1 (de) Verfahren und Vorrichtung zum Trainieren eines neuronalen Netzes
DE102021202813A1 (de) Verfahren, Vorrichtung und Computerprogramm für eine Unsicherheitsbewertung einer Bildklassifikation
DE102019219730A1 (de) Verfahren und Vorrichtung zur modellbasierten Analyse
DE102022208384A1 (de) Verfahren zum Ermitteln eines Qualitätszustands eines Prüfobjekts
DE102020212005B4 (de) Verfahren zur Bestimmung der für einen Bildklassifikator entscheidungsrelevanten Bildanteile
DE102021212731A1 (de) Überprüfen von test- und/oder trainings-datensätzen für ein computerbasiertes maschinenlernmodul
DE102019118924A1 (de) Verfahren und Vorrichtung zur Generierung von Trainingsdaten für ein maschinelles Lernverfahren zum Bestimmen von Merkmalen von Strukturauffälligkeiten eines räumlich ausgedehnten Objekts
DE102021212727A1 (de) Verfahren zum Erzeugen von Trainingsdaten zum Trainieren eines Algorithmus des maschinellen Lernens
DE102021212732A1 (de) Überprüfen von test- und/oder trainings-datensätzen für ein computerbasiertes maschinenlernmodul
EP4293433A1 (de) Kontinuierliches anpassen einer bewertungsfunktion
EP4205047A1 (de) Verfahren zur qualitätssicherung eines beispielbasierten systems
DE102022201161A1 (de) Objektklassifizierung mit einem einstufigen metabasierten Objektdetektor unter Verwendung von Klassenprototypen

Legal Events

Date Code Title Description
R012 Request for examination validly filed