DE102022208384A1

DE102022208384A1 - Verfahren zum Ermitteln eines Qualitätszustands eines Prüfobjekts

Info

Publication number: DE102022208384A1
Application number: DE102022208384.9A
Authority: DE
Inventors: Mehul BANSAL; Andreas Steimer
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-08-11
Filing date: 2022-08-11
Publication date: 2024-02-22

Abstract

Die Erfindung betrifft ein Verfahren zum Ermitteln eines Qualitätszustands (14) eines Prüfobjekts (12), wobei das Verfahren folgende Schritte aufweist: Bereitstellen von Bilddaten (22), wobei die Bilddaten jeweils das Prüfobjekt zeigen (12); und jeweiliges Vorverarbeiten der Bilddaten (22) durch einen Ensemble Algorithmus (34) des maschinellen Lernens, wobei die einzelnen Algorithmen des maschinellen des Ensemble-Algorithmus des maschinellen Lernens (34) jeweils trainiert sind, unabhängig von anderen Algorithmen des maschinellen Lernens des Ensemble-Algorithmus des maschinellen Lernens (34) basierend auf das Prüfobjekt (12) zeigenden Bilddaten (22) einer vorgegebenen Menge von Ausprägungsklassen (42) eines Qualitätsmerkmals jeweils zumindest eine A-Priori-Wahrscheinlichkeit (40) zuzuordnen, um Vorverarbeitungsergebnisse zu erhalten.

Description

Die Erfindung betrifft ein Verfahren zum Ermitteln eines Qualitätszustands eines Prüfobjekts, insbesondere ein Verfahren, bei dem durch eine Nachverarbeitung eines Vorverarbeitungsergebnisses deutlich validere Aussagen über den Qualitätszustand eines Prüfobjektes getroffen werden können als bei gewöhnlichen Verfahren zum Ermitteln eines Qualitätszustandes eines Prüfobjektes.
Im Rahmen der Qualitätssicherung während eines Fertigungsprozesses wird der Qualitätszustand eines Prüfobjektes beziehungsweise gefertigten Bauteils für gewöhnlich einer Prüfung unterzogen. Hierbei werden eines oder mehrere Qualitätsmerkmale überprüft, die repräsentativ für den Qualitätszustand sind. Qualitätsmerkmale können dabei zum Beispiel Form- oder Oberflächenbeschaffenheiten betreffen. Durch die Prüfung wird festgestellt, ob diesbezüglich eine Anomalie vorliegt. Unter Anomalien werden allgemein Abweichungen von einer vorgegebenen Norm oder einer Soll-Beschaffenheit verstanden. Beispielsweise kann auf einer glatten Oberfläche eines gefertigten Bauteils beispielsweise ein Kratzer eine solche Anomalie darstellen.
Basierend auf der Prüfung kann anschließend beispielsweise entschieden werden, ob das entsprechende Prüfobjekt weiterverarbeitet werden kann oder ausgemustert beziehungsweise, beispielsweise automatisch, verworfen werden muss. Die relevanten Qualitätsmerkmale werden dabei vorab basierend auf Anforderungen an das gefertigte Bauteil festgelegt.
Um derartige Prüfungen zuverlässig und unabhängig von menschlichen Sinnen zu ermöglichen, basieren entsprechende Verfahren häufig auf Algorithmen des maschinellen Lernens. Algorithmen des maschinellen Lernens basieren darauf, dass Verfahren der Statistik verwendet werden, um eine Datenverarbeitungsanlage derart zu trainieren, dass diese eine bestimmte Aufgabe ausführen kann, ohne dass sie ursprünglich explizit hierzu programmiert worden ist. Das Ziel des maschinellen Lernens besteht dabei darin, Algorithmen zu konstruieren, die aus Daten lernen und Vorhersagen treffen können. Diese Algorithmen erstellen mathematische Modelle, mit denen beispielsweise Daten klassifiziert werden können. Zur Erkennung eines Kratzers kann dabei beispielsweise ein Bild eines Prüfobjekts hinsichtlich seiner farblichen Kontraste und Intensitäten erfasst werden und dann, durch einen entsprechend trainierten Algorithmus des maschinellen Lernens (auch „trainierter Klassifikator“ genannt), darin ein Muster bzw. Kriterium identifiziert werden, das typisch für einen Kratzer ist.
Um die Genauigkeit der Erkennung des Qualitätszustands zu erhöhen, können auch Ensembles bzw. Kombinationen voneinander unabhängiger Basisalgorithmen verwendet werden, die das Qualitätsmerkmal jeweils auf Basis unterschiedlicher Charakteristika bzw. nach unterschiedlichen Kriterien untersuchen. So kann beispielsweise ein Basisalgorithmus den Kratzer nach seiner Länge einer Ausprägungsklasse zuordnen und ein anderer Basisalgorithmus nach seiner Tiefe.
Aus der Druckschrift WO 2008/128504 A1 ist ein Verfahren zur Erkennung und Klassifizierung von Oberflächenfehlern, in dem die erfassten Informationen über neuronale Netze klassifiziert werden, bekannt.
Häufig wird der Qualitätszustand dabei nicht nur binär, im Sinne einer Aussage wie „Kratzer“ oder „nicht Kratzer“ ermittelt, sondern nach Ausprägungsklassen des Qualitätsmerkmals, was auch als weiche Klassifikation bezeichnet wird. Hintergrund ist, dass nicht jeder Kratzer problematisch sein beziehungsweise das entsprechende Prüfobjekt oder Bauteil automatisch verworfen werden muss, sondern dies erst ab einer gewissen Schwere des Kratzers der Fall sein kann. Daher können die Ausprägungsklassen auch als Schweregradklassen bezeichnet werden. In solchen Fällen kann vorab eine zweckmäßige Einteilung der Ausprägungsklassen vorgenommen werden, beispielsweise in „keiner oder leichter Kratzer“, „mittlerer Kratzer“ oder „schwerer Kratzer“. Diese Ausprägungsklassen können sich beispielsweise durch Kriterien wie die Länge, die Breite und auch die Tiefe der ihnen zugeordneten Kratzer unterscheiden. Algorithmen des maschinellen Lernens geben in solchen Fällen in der Regel eine Wahrscheinlichkeit aus, mit der ein Bild einen Kratzer der jeweiligen Ausprägungsklasse enthält. Es kann also beispielsweise sein, dass der entsprechende Algorithmus des maschinellen Lernens in das Prüfobjekt zeigenden Bilddaten mit einer Wahrscheinlichkeit von 20 % die Ausprägungsklasse „leichter“ Kratzer, mit 76 % die Ausprägungsklasse „mittlerer“ Kratzer und mit 4 % die Ausprägungsklasse „schwerer“ Kratzer erkennt.
Als nachteilig erweist sich bei einer derartigen weichen Klassifikation jedoch, dass die gelernten Wahrscheinlichkeiten nie perfekt zu den einzelnen Klassen beziehungsweise Targets passen und somit eine Streuung der zu jeder Klasse gehörenden prädizierten Wahrscheinlichkeiten besteht.. Bei der Verwendung von Ensembles von Klassifikatoren multipliziert sich die Ergebnismenge sogar noch mit der Anzahl verwendeter Klassifikatoren. Zwar kann durch Mittelwertbildung über die Ergebnisse alle Klassifikatoren die Unsicherheit pro Ausprägungsklasse reduziert werden, jedoch beseitigt dies nicht das Problem widersprüchlicher oder konkurrierender Ergebnisse bezüglich unterschiedlicher Ausprägungsklassen durch Streuung oder Überlappung.
Der Erfindung liegt somit die Aufgabe zugrunde, ein Verfahren zur Erkennung eines Qualitätszustands eines Prüfobjekts mit größerer Eindeutigkeit und Validität beziehungsweise Aussagekraft anzugeben.
Die Aufgabe wird gelöst durch ein Verfahren zum Ermitteln eines Qualitätszustands eines Prüfobjekts gemäß den Merkmalen des Patentanspruchs 1.
Die Aufgabe wird zudem auch gelöst durch ein System zum Ermitteln eines Qualitätszustandes eines Prüfobjektes gemäß den Merkmalen des Patentanspruchs 9.
Offenbarung der Erfindung
Gemäß einer Ausführungsform der Erfindung wird diese Aufgabe gelöst durch ein Verfahren zum Ermitteln eines Qualitätszustands eines Prüfobjekts, wobei das Verfahren ein Bereitstellen von Bilddaten, wobei die Bilddaten jeweils das Prüfobjekt zeigen, ein jeweiliges Vorverarbeiten der Bilddaten durch einen Ensemble Algorithmus des maschinellen Lernens, wobei die einzelnen Algorithmen des maschinellen Lernens des Ensemble Algorithmus des maschinellen Lernens jeweils trainiert sind, unabhängig von anderen Algorithmen des maschinellen Lernens des Ensemble Algorithmus des maschinellen Lernens basierend auf das Prüfobjekt zeigenden Bilddaten einer vorgegebenen Menge von Ausprägungsklassen eines Qualitätsmerkmals jeweils zumindest eine A-Priori-Wahrscheinlichkeit zuzuordnen, um Vorverarbeitungsergebnisse zu erhalten, ein Nachverarbeiten der Vorverarbeitungsergebnisse durch jeweiliges Ermitteln eines Wahrscheinlichkeitswertes für jede Ausprägungsklasse des Qualitätsmerkmals basierend auf den Vorverarbeitungsergebnissen und Kombinieren der ermittelten Wahrscheinlichkeitswerten, um für wenigstens einen Teil der Ausprägungsklassen des Qualitätsmerkmals jeweils eine A-Posteriori-Wahrscheinlichkeit zu bestimmen, und ein Ermitteln des Qualitätszustandes des Prüfobjektes basierend auf den A-Posteriori-Wahrscheinlichkeiten für den wenigstens einen Teil der Ausprägungsklassen aufweist.
Als A-Priori-Wahrscheinlichkeit wird dabei die vorhergesagte Wahrscheinlichkeit der Ausprägungsklasse bezeichnet, wohingegen die A-Posteriori-Wahrscheinlichkeit eine rückschauende Betrachtung darstellt, unter der Voraussetzung, dass die vorhergesagte Wahrscheinlichkeit bereits ermittelt worden ist.
Unter Wahrscheinlichkeitswert für eine Ausprägungsklasse wird weiter eine Wahrscheinlichkeitsfunktion, welche angibt, wie wahrscheinlich die Vorhersageergebnisse jeweils wären, wenn ein entsprechendes Beispiel beziehungsweise der Zustand des entsprechenden Prüfobjektes bezüglich des Qualitätsmerkmales tatsächlich in die entsprechende Ausprägungsklasse fallen würde, verstanden, oder ein Wert, welcher angibt, wie wahrscheinlich die gegebene Ausprägungsklasse die Extremität der Vorhersageergebnisse erzeugt hätte.
Unter Bilddaten werden zudem Daten verstanden, welche mit Hilfe eines speziellen Programmes als Bild beziehungsweise Grafik wiedergegeben werden können.
Durch die erfindungsgemäße Nachverarbeitung kann die Menge an zur Verfügung stehenden Informationen deutlich effizienter ausgenutzt werden als bei gewöhnlichen Verfahren zum Ermitteln eines Qualitätszustandes eines Prüfobjektes, da neben der vorrausschauenden Bestimmung der Wahrscheinlichkeit eine zusätzliche rückschauende Evaluierung des Ergebnisses durchgeführt wird, auf Basis ermittelter Eigenschaften des zugrundeliegenden trainierten Vorverarbeitungsalgorithmus.
Insgesamt wird somit ein Verfahren zur Erkennung eines Qualitätszustands eines Prüfobjekts mit größerer Eindeutigkeit und Validität beziehungsweise Aussagekraft angegeben.
In einer Ausführungsform weist der Schritt des Nachverarbeitens der Vorverarbeitungsergebnisse ein jeweiliges Ermitteln von zumindest einer Kerndichtenschätzfunktion für jede Ausprägungsklasse des Qualitätsmerkmals und ein Anwenden der Bayes'schen Regel auf die ermittelten Kerndichteschätzfunktionen auf.
Dabei bezeichnet die Kerndichtenschätzfunktion, welche auch als kernel density estimation bezeichnet wird, eine Verteilung beziehungsweise Dichte von im Vorverarbeitungsergebnis des konkreten trainierten Vorverarbeitungsalgorithmus ausgegebenen A-Priori-Wahrscheinlichkeiten, welche der wahren Ausprägungsklasse zugeordnet worden sind, ordinal über die Ausprägungsklassen. Die Kerndichtenschätzfunktion kann beispielsweise auf Basis von Validierungsbildern ermittelt werden, die dem trainierten Vorverarbeitungsalgorithmus bereitgestellt werden, sowie auf Basis von dann durch den trainierten Vorverarbeitungsalgorithmus zur korrekten Ausprägungsklasse zugeordneten A-Priori-Wahrscheinlichkeiten. Somit beschreibt die Kerndichtenschätzfunktion eine Verteilung von A-Priori-Wahrscheinlichkeiten, mit welcher der konkrete trainierte Vorverarbeitungsalgorithmus eine bestimmte Ausprägungsklasse typischerweise korrekt erkennt.
Unter Bayes'scher Regel beziehungsweise Regel von Bayes wird ferner eine Regel verstanden, welche die Berechnung von bedingten Wahrscheinlichkeiten beschreibt. Die Kerndichtenschätzfunktionen aller Ausprägungsklassen können dabei beispielsweise als Likelihood-Funktion in der Regel von Bayes zusammen mit den A-Priori-Wahrscheinlichkeiten der Vorverarbeitungsergebnisses verwendet werden, um eine entsprechende bedingte Wahrscheinlichkeit zu bestimmten.
Die Ermittlung des Qualitätszustands eines Prüfobjekts kann somit basierend auf bekannten Verfahren erfolgen, ohne dass aufwendige und ressourcenintensive Anpassungen vonnöten wären. Das Ergebnis der Ermittlung hat dabei zudem eine höhere Validität und damit größere Aussagekraft. In Produktionsverfahren kann das Verfahren die Notwendigkeit manueller Prüfarbeiten deutlich reduzieren und dennoch eine hohe Prozesssicherheit gewährleisten. Damit steigert das Verfahren die Qualität und senkt die Kosten, sowohl mit Hinblick auf den Produktionsablauf als auch die produzierten Teile oder Baugruppen.
Zudem kann jeder Algorithmus des maschinellen Lernens des Ensemble-Algorithmus des maschinellen Lernens den Ausprägungsklassen eine A-Priori-Wahrscheinlichkeit basierend auf einem anderen spezifischen Kriterium zuordnen
Bei einem Kratzer in der Oberfläche eines Bauteils als Qualitätsmerkmal kann das das spezifische Kriterium dabei zum Beispiel eine Länge, Breite, Tiefe, Homogenität oder auch Form des Kratzers sein.
Somit kann durch Wahl zusätzlicher Kriterien bei unterschiedlichsten Qualitätsmerkmalen eine sichere Erkennung erreicht werden.
In einer weiteren Ausführungsform ist vorgesehen, dass der Ensemble-Algorithmus des maschinellen Lernens zumindest ein künstliches neuronales Netz aufweist.
Künstliche neuronale Netze orientieren sich an biologischen Neuronen und erlauben es, ein unbekanntes Systemverhalten aus vorhandenen Trainingsdaten anzulernen und anschließend das angelernte Systemverhalten auch auf unbekannte Eingangsgrößen anzuwenden. Dabei besteht das neuronale Netz aus Schichten mit idealisierten Neuronen, welche gemäß einer Topologie des Netzes in unterschiedlicher Weise miteinander verbunden sind. Die erste Schicht, welche auch als Eingangsschicht bezeichnet wird, erfasst und überträgt dabei die Eingangswerte, wobei die Anzahl der Neuronen in der Eingangsschicht der Anzahl an Eingangssignalen, welche verarbeitet werden sollen, entspricht. Die letzte Schicht wird auch als Ausgangsschicht bezeichnet und weist genauso viele Neuronen auf, wie Ausgabewerte bereitgestellt werden sollen. Zwischen der Eingangsschicht und der Ausgangsschicht befindet sich zudem wenigstens eine Zwischenschicht, welche oftmals auch als verborgene Schicht bezeichnet wird, wobei die Anzahl der Zwischenschichten und die Anzahl und/oder der Typ der Neuronen in diesen Schichten abhängig von der konkreten Aufgabe, welche durch das neuronale Netz gelöst werden soll, ist.
Somit kann die Bestimmung der Vorverarbeitungsergebnisse auf einfache und flexible Weise bei gleichzeitig geringem Ressourcenverbrauch erfolgen.
Vorzugsweise weist dabei jeder Algorithmus des maschinellen Lernens des Ensemble-Algorithmus des maschinellen Lernens wenigstens ein künstliches neuronales Netz auf.
Bei dem Qualitätsmerkmal kann es sich ferner um eine Oberflächenanomalie handeln, wobei die Ausprägungsklassen jeweils unterschiedliche Schweregrade der Oberflächenanomalie beschreiben. Bevorzugt handelt es sich bei dem Qualitätsmerkmal um einen Kratzer, wie in den obigen Beispielen bereits angesprochen worden ist. Bei dem Qualitätsmerkmal kann es sich aber auch um eine Formanomalie oder ein anderes durch den Fachmann festgelegtes Qualitätsmerkmal handeln. Dabei können einzelne gefertigte Bauteile beziehungsweise Prüfobjekte anschließend
Mit einer weiteren Ausführungsform der Erfindung wird auch ein Verfahren zum Bewerten eines Qualitätszustandes eines Prüfobjektes angegeben, welches ein Ermitteln des Qualitätszustandes des Prüfobjektes durch ein obenstehend beschriebenes Verfahren zum Ermitteln eines Qualitätszustandes eines Prüfobjektes und ein Bewerten des ermittelten Qualitätszustandes basierend auf Vorgaben für den Qualitätszustand aufweist.
Somit wird ein Verfahren zum Bewerten eines Qualitätszustandes eines Prüfobjektes angegeben, welches auf einem Verfahren zur Erkennung eines Qualitätszustands eines Prüfobjekts mit größerer Eindeutigkeit und Validität beziehungsweise Aussagekraft basiert. Durch die erfindungsgemäße Nachverarbeitung kann die Menge an zur Verfügung stehenden Informationen deutlich effizienter ausgenutzt werden als bei gewöhnlichen Verfahren zum Ermitteln eines Qualitätszustandes eines Prüfobjektes, da neben der vorrausschauenden Bestimmung der Wahrscheinlichkeit eine zusätzliche rückschauende Evaluierung des Ergebnisses durchgeführt wird, auf Basis ermittelter Eigenschaften des zugrundeliegenden trainierten Vorverarbeitungsalgorithmus.
Der durch den Nachverarbeitungsalgorithmus zunächst wertungsfrei bereitgestellte Qualitätszustand kann dabei flexibel auf unterschiedlichste Anforderungen hin bewertet und verwendet werden, um beispielsweise Entscheidungen im Produktionsablauf zu treffen und beispielsweise einzelne Prüfobjekte basierend auf der Bewertung automatisch zu verwerfen. Rein exemplarisch kann ein kumulierter Grenzwert von 55 % für Ausprägungsklassen „mittlerer Kratzer“ und „schwerer Kratzer“ und ein Grenzwert von 35 % für „leichter Kratzer“ definiert werden. Die Bewertungsergebnisse können dann bspw. jeweils lauten „Prüfobjekt manuell nachprüfen“, wenn der Grenzwert von 55 % überschritten wird oder der Grenzwert von 35 % unterschritten wird.
Dabei kann vorgesehen sein, dass das Bewerten des ermittelten Qualitätszustandes basierend auf Vorgaben für den Qualitätszustand ein Einteilen des ermittelten Qualitätszustandes in ein Element aus der folgenden Gruppe aufweisen: „Prüfobjekt ok“, „Prüfobjekt nicht ok“, „Prüfobjekt manuell nachprüfen“. Vorzugsweise sind Bewertungsergebnisse, enthaltend jedes dieser Elemente, hinterlegt, wodurch alles praktisch wichtigen Entscheidungsoptionen auf Basis des Prüfergebnisses abgebildet sind.
Mit einer weiteren Ausführungsform der Erfindung wird weiter auch ein Computerprogramm mit Programmcode, um ein obenstehend beschriebenes Verfahren zum Ermitteln eines Qualitätszustands eines Prüfobjekts auszuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird, angegeben.
Mit einer weiteren Ausführungsform der Erfindung wird zudem auch ein computerlesbarer Datenträger mit Programmcode eines Computerprogramms um ein obenstehend beschriebenes Verfahren zum Ermitteln eines Qualitätszustands eines Prüfobjekts auszuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird, angegeben.
Das Computerprogramm und der computerlesbare Datenträger haben dabei jeweils den Vorteil, dass diese ausgebildet sind, ein Verfahren zur Erkennung eines Qualitätszustands eines Prüfobjekts mit größerer Eindeutigkeit und Validität beziehungsweise Aussagekraft auszuführen. Durch die erfindungsgemäße Nachverarbeitung kann die Menge an zur Verfügung stehenden Informationen deutlich effizienter ausgenutzt werden als bei gewöhnlichen Verfahren zum Ermitteln eines Qualitätszustandes eines Prüfobjektes, da neben der vorrausschauenden Bestimmung der Wahrscheinlichkeit eine zusätzliche rückschauende Evaluierung des Ergebnisses durchgeführt wird, auf Basis ermittelter Eigenschaften des zugrundeliegenden trainierten Vorverarbeitungsalgorithmus.
Mit einer weiteren Ausführungsform der Erfindung wird außerdem auch ein System zum Ermitteln eines Qualitätszustandes eines Prüfobjektes angegeben, wobei das System ausgebildet ist, ein obenstehend beschriebenes Verfahren zum Ermitteln eines Qualitätszustandes auszuführen.
Somit wird ein System zum Ermitteln eines Qualitätszustandes eines Prüfobjektes angegeben, welches ausgebildet ist, ein Verfahren zur Erkennung eines Qualitätszustands eines Prüfobjekts mit größerer Eindeutigkeit und Validität beziehungsweise Aussagekraft auszuführen. Durch die erfindungsgemäße Nachverarbeitung kann die Menge an zur Verfügung stehenden Informationen deutlich effizienter ausgenutzt werden als bei gewöhnlichen Verfahren zum Ermitteln eines Qualitätszustandes eines Prüfobjektes, da neben der vorrausschauenden Bestimmung der Wahrscheinlichkeit eine zusätzliche rückschauende Evaluierung des Ergebnisses durchgeführt wird, auf Basis ermittelter Eigenschaften des zugrundeliegenden trainierten Vorverarbeitungsalgorithmus.
Mit einer weiteren Ausführungsform der Erfindung wird ferner auch ein System zum Bewerten eines Qualitätszustandes eines Prüfobjektes angegeben, wobei das System eine Bereitstellungseinheit, welche ausgebildet ist, einen Qualitätszustandes des Prüfobjektes bereitzustellen, wobei der Qualitätszustand des Prüfobjektes durch ein obenstehend beschriebenes System zum Ermitteln eines Qualitätszustandes des Prüfobjektes ermittelt wurde, und eine Bewertungseinheit, welche ausgebildet ist, den bereitgestellten Qualitätszustand basierend auf Vorgaben für den Qualitätszustand zu bewerten, aufweist.
Somit wird ein System zum Bewerten eines Qualitätszustandes eines Prüfobjektes angegeben, welches auf einem Verfahren zur Erkennung eines Qualitätszustands eines Prüfobjekts mit größerer Eindeutigkeit und Validität beziehungsweise Aussagekraft basiert. Durch die erfindungsgemäße Nachverarbeitung kann die Menge an zur Verfügung stehenden Informationen deutlich effizienter ausgenutzt werden als bei gewöhnlichen Verfahren zum Ermitteln eines Qualitätszustandes eines Prüfobjektes, da neben der vorrausschauenden Bestimmung der Wahrscheinlichkeit eine zusätzliche rückschauende Evaluierung des Ergebnisses durchgeführt wird, auf Basis ermittelter Eigenschaften des zugrundeliegenden trainierten Vorverarbeitungsalgorithmus.
Zusammenfassend ist festzustellen, dass mit der vorliegenden Erfindung ein Verfahren zum Ermitteln eines Qualitätszustands eines Prüfobjekts, insbesondere ein Verfahren, bei dem durch eine Nachverarbeitung eines Vorverarbeitungsergebnisses deutlich validere Aussagen über den Qualitätszustand eines Prüfobjektes getroffen werden können als bei gewöhnlichen Verfahren zum Ermitteln eines Qualitätszustandes eines Prüfobjektes, angegeben wird.
Die beschriebenen Ausgestaltungen und Weiterbildungen lassen sich beliebig miteinander kombinieren.
Weitere mögliche Ausgestaltungen, Weiterbildungen und Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Merkmalen der Erfindung.
Kurze Beschreibung der Zeichnungen
Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzepten der Erfindung.
Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die dargestellten Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.
Es zeigen:

1 eine schematische Darstellung eines Systems zum Ermitteln eines Qualitätszustandes eines Prüfobjekts gemäß einer Ausführungsform der Erfindung;
2a-c ein Flussdiagramm eines Verfahrens zum Ermitteln eines Qualitätszustandes eines Prüfobjektes gemäß einer Ausführungsform der Erfindung; und
3 ein Flussdiagramm eines Verfahrens zum Ermitteln eines Qualitätszustands eines Prüfobjekts gemäß einer Ausführungsform der Erfindung.

In den Figuren der Zeichnungen bezeichnen gleiche Bezugszeichen gleiche oder funktionsgleiche Elemente, Bauteile oder Komponenten, soweit nichts Gegenteiliges angegeben ist.
1 zeigt eine schematische Darstellung eines Systems 10 zum Ermitteln eines Qualitätszustandes eines Prüfobjekts 12 gemäß einer Ausführungsform der Erfindung.
Das System 10 ist hinsichtlich seiner Systemgrenzen durch eine Strich-Punkt-Linie illustriert.
Bei dem Prüfobjekt 12 kann es sich beispielsweise um ein im Rahmen eines Fertigungsprozesses gefertigtes Bauteil handeln, dessen Qualitätszustand 14 erkannt beziehungsweise ermittelt werden soll. Der Qualitätszustand 14 wird durch zumindest ein Qualitätsmerkmal beschrieben, wie etwa einem Oberflächenkratzer.
Zur Ermittlung des Qualitätszustandes des Prüfobjektes umfasst das System 10 dabei ein Steuergerät 16. Das System 10 umfasst ferner einen optischen Sensor beziehungsweise eine Bildbereitstellungseinrichtung 18.
Die Bildbereitstellungseinrichtung 18 ist hier ferner rein exemplarisch als Bildaufnahmeeinrichtung ausgebildet und kann in einem Aufnahmebereich 20 aktuelle Bilder 22 von Prüfobjekten 12 aufnehmen, wenn das jeweilige Prüfobjekt 12 sich im Aufnahmebereich 20 befindet. Das Bild 22 kann dann durch die Bildbereitstellungseinrichtung 18 an das Steuergerät 16 übertragen werden. Zur Fortbewegung des Prüfobjekts 12 durch den Aufnahmebereich 20 umfasst das System 10 in diesem Ausführungsbeispiel eine optionale Transporteinrichtung 24, die das Prüfobjekt 12 gemäß dem rein exemplarisch dargestellten Bewegungsvektor 26 zu bewegen vermag. In anderen Ausführungsbeispielen kann die Bildbereitstellungseinrichtung 18 auch bereits eines oder mehrere Bilder 22 gespeichert haben, die abseits des Systems 10 erstellt worden sind.
Bevorzugt umfasst das Steuergerät 16 eine Eingabeeinrichtung 28 zum Empfang von Bilddaten 22 von der Bildbereitstellungseinrichtung 18. Ferner umfasst das Steuergerät 16 bevorzugt eine Verarbeitungseinrichtung 30, um den Qualitätszustand 14 des im Bild 22 enthaltenen Prüfobjekts 12 zu erkennen. Außerdem umfasst das Steuergerät 16 bevorzugt eine Ausgabeeinrichtung 32 zum Bereitstellen des erkannten Qualitätszustands 14 des Prüfobjekts 12.
Die Verarbeitungseinrichtung 30 ist dabei insbesondere ausgebildet, die Bilddaten 22 durch einen Ensemble Algorithmus des maschinellen Lernens vor zu verarbeiten, wobei die einzelnen Algorithmen des maschinellen Lernens des Ensemble Algorithmus des maschinellen Lernens jeweils trainiert sind, unabhängig von anderen Algorithmen des maschinellen Lernens des Ensemble Algorithmus des maschinellen Lernens basierend auf das Prüfobjekt zeigenden Bilddaten einer vorgegebenen Menge von Ausprägungsklassen eines Qualitätsmerkmals jeweils zumindest eine A-Priori-Wahrscheinlichkeit zuzuordnen, um Vorverarbeitungsergebnisse zu erhalten, die Vorverarbeitungsergebnisse durch jeweiliges Ermitteln eines Wahrscheinlichkeitswertes für jede Ausprägungsklasse des Qualitätsmerkmals basierend auf den Vorverarbeitungsergebnissen und Kombinieren der ermittelten Wahrscheinlichkeitswerten, um für wenigstens einen Teil der Ausprägungsklassen des Qualitätsmerkmals jeweils eine A-Posteriori-Wahrscheinlichkeit zu bestimmen, nach zu verarbeiten, und den Qualitätszustandes des Prüfobjektes basierend auf den A-Posteriori-Wahrscheinlichkeiten für den wenigstens einen Teil der Ausprägungsklassen zu ermitteln.
Somit ist das Steuergerät 16 ausgebildet, einen Vorverarbeitungsalgorithmus 34 und einen Nachverarbeitungsalgorithmus 36 anzuwenden. Die Algorithmen können rein exemplarisch auf einem Speichermedium 38 der gezeigten Verarbeitungseinrichtung 30 installiert sein.
2a bis 2c zeigen ein Flussdiagramm zum Ermitteln eines Qualitätszustandes eines Prüfobjektes gemäß einer Ausführungsform der Erfindung. Lediglich zur Veranschaulichung wird hierbei, wo zweckmäßig, eine Referenz zu den Beispielen der 1 über entsprechende Bezugszeichen hergestellt. Dies impliziert jedoch keine Beschränkung auf die Beispiele aus 1. Die in 2a-c illustrierten Diagramme sind ausnahmsweise maßstäblich und erlauben somit das Ablesen konkreter Werte.
In einem ersten Schritt I', der in 2a gezeigt ist, erfolgt eine Bereitstellung einer Vielzahl von ein Prüfobjekt zeigenden Trainingsbildern, die zum Training eines Vorverarbeitungsalgorithmus 34 verwendet werden. Bevorzugt umfasst der Vorverarbeitungsalgorithmus ein Ensemble an künstlichen neuronalen Netzen. Das Training kann in bekannter Weise erfolgen, weshalb die Unterschritte von Schritt I' hier nicht näher illustriert sind. Trainingsziel ist, dass der trainierte Vorverarbeitungsalgorithmus 34 jeweils zumindest eine A-Priori-Wahrscheinlichkeit 40 zu einer vorgegebenen Menge von Ausprägungsklassen 42 eines Qualitätsmerkmals eines Prüfobjekts 12 als Vorverarbeitungsergebnis 44 zuordnen kann.
In einem zweiten Schritt II', der ebenfalls in 2a dargestellt ist, erfolgt dann ein Auswerten von ein aktuelles Prüfobjekt zeigenden Bilddaten durch den in Schritt I' trainierten Vorverarbeitungsalgorithmus 34. Hierzu wird dem Vorverarbeitungsalgorithmus 34 eine Vielzahl von das Prüfobjekt 12 zeigenden Bilddaten zur Verarbeitung bereitgestellt, basierend auf denen der Vorverarbeitungsalgorithmus 34 eine Menge von Vorverarbeitungsergebnissen 44' ermittelt. Dies erfolgt indem zunächst durch den Vorverarbeitungsalgorithmus 34, für alle Bilddaten jeweils eine A-Priori-Wahrscheinlichkeit 40 zu jeder der vorgegebenen Ausprägungsklassen 42 eines Qualitätsmerkmals eines Prüfobjekts 12 zugeordnet wird. In die Vorverarbeitungsergebnisse 44' geht dabei, pro Bild, jedoch nur jene einzelne A-Priori-Wahrscheinlichkeit 40 ein, welche der, dem Bild zugrundeliegenden, wahren Ausprägungsklasse 42 zugeordnet worden ist. Die nicht der wahren Ausprägungsklasse 42 zugeordneten A-Priori-Wahrscheinlichkeiten 40 können in der Validierung automatisch oder manuell ausselektiert werden. In 2a ist zu Schritt II` ein Diagramm gezeigt, welches exemplarische Vorverarbeitungsergebnisse 44' zeigt. Jeder darin enthaltene Punkt stellt genau ein Vorverarbeitungsergebnis 44' für genau ein Bild dar und kennzeichnet diesbezüglich die der wahren Ausprägungsklasse 42 zugeordnete A-Priori-Wahrscheinlichkeit 40 (von 0 bis 1 bzw. 0 % bis 100 %) auf der vertikalen Achse sowie die wahre Ausprägungsklasse 42 auf der horizontalen Achse. Letztere ist normiert auf einen Bereich von 0 bis 1, wobei die Werte zwischen 0 und 1 im Vorfeld durch den Fachmann zweckmäßig den Ausprägungsklassen 42 zugeordnet worden sind. Beispielsweise kann ein Wert von 0,05 der schwächsten noch technisch relevanten Ausprägungsklasse 42 von Kratzern entsprechen, die hier rein exemplarisch als Qualitätsmerkmal betrachtet werden sollen. Analog kann ein Wert von 0,95 rein exemplarisch der schwersten bislang festgestellten Ausprägungsklasse 42 von Kratzern entsprechen. In dem Diagramm sind zwei Vorverarbeitungsergebnisse 46 und 48 rein exemplarisch gesondert gekennzeichnet. Das Vorverarbeitungsergebnis 46 enthält hier eine A-Priori-Wahrscheinlichkeit 40 von etwa 0,61 für die Ausprägungsklasse 42 mit dem Wert 0,39. Beim Vorverarbeitungsergebnis 48 liegt die A-Priori-Wahrscheinlichkeit 40 bei etwa 0,05 für die Ausprägungsklasse 42 mit dem Wert 0,05.
Aus den so gewonnenen Vorverarbeitungsergebnissen 44' wird in einem dritten Schritt III` zumindest eine Kerndichtenschätzfunktion 50 zu jeder Ausprägungsklasse 42 des Qualitätsmerkmals erstellt. 2b zeigt zu Schritt III' ein Diagramm, wo zu jeder der Ausprägungsklassen 42 aus 2a deren explizite Bezeichnung mit den Werten 0,05; 0,16; 0,27; 0,39; 0,5; 0,61; 0,72; 0,84 und 0,95 sowie als Verläufe im Diagramm die zugehörigen Kerndichtenschätzfunktionen 50 dargestellt sind. Auf der horizontalen Achse ist hier die jeweilige A-Priori-Wahrscheinlichkeit 40 aus 2a aufgetragen. Auf der vertikalen Achse ist eine Wahrscheinlichkeitsdichte 52 aufgetragen, die angibt, wie stark sich die Punkte zu einer Ausprägungsklasse 42 im Diagramm in 2a bei einer bestimmten A-Priori-Wahrscheinlichkeit 40 konzentrieren. Die Konzentration der Punkte wird demnach vorzugsweise in „Anzahl Punkten pro Intervall der A-Priori-Wahrscheinlichkeit 40“ bezogen auf die vertikale Achse in 2a ausgedrückt. Das Intervall kann, rein beispielhaft mit 0,01 oder 0,001, durch den Fachmann zweckmäßig gewählt werden und beeinflusst die Auflösung der Kerndichtenschätzfunktionen 50 in 2b. In ihrer technischen Bedeutung geben die Kerndichtenschätzfunktionen 50 also an, wie häufig bzw. sicher der zugrundeliegende trainierte Vorverarbeitungsalgorithmus 34 bei einer spezifischen A-Priori-Wahrscheinlichkeit 40 die wahre Ausprägungsklasse 42 benennt. In dem in 2b gezeigten Beispiel ergibt sich für die Ausprägungsklasse 42 mit dem Wert 0,39, exemplarisch bei einer A-Priori-Wahrscheinlichkeit 40 von etwa 0,61, eine sehr kleine Wahrscheinlichkeitsdichte 52 von nur etwa 1 Punkt pro Intervall. Hingegen ergibt sich für die Ausprägungsklasse 42 mit dem Wert 0,05, exemplarisch bei einer A-Priori-Wahrscheinlichkeit 40 von etwa 0,05, eine sehr hohe Wahrscheinlichkeitsdichte 52 von etwa 25 Punkten pro Intervall. Derartige Kerndichtenschätzfunktionen 50 können auch als Wahrscheinlichkeitsdichtefunktionen 54 bezeichnet werden.
2c zeigt eine bevorzugte weitere Ausführungsform des Schritts III`, in dem aus den beschriebenen Wahrscheinlichkeitsdichtefunktionen 54 kumulative Verteilungsfunktionen 56 erstellt werden. Die kumulativen Verteilungsfunktionen 56 umfassen eine kumulierte Wahrscheinlichkeitsdichte 58, die in dem Diagramm in 2c, analog zu 2b, auf der vertikalen Achse über der A-Priori-Wahrscheinlichkeit 40 (horizontale Achse) aufgetragen ist. Kumulative Verteilungsfunktionen können aus Likelihood-Funktionen der Wahrscheinlichkeitsdichtefunktionen abgeleitet werden, sodass bereits kleinere Variationen in der A-Priori-Wahrscheinlichkeit 40 zu einer großen Veränderung der kumulierten Wahrscheinlichkeitsdichte 58 führen. Dies führt zu robusteren Verarbeitungsergebnissen. So ergibt sich in dem in 2c gezeigten Beispiel für die Ausprägungsklasse 42 mit dem Wert 0,39 bei der A-Priori-Wahrscheinlichkeit 40 von etwa 0,61, eine kumulierte Wahrscheinlichkeitsdichte 58 von etwa 0,07, jedoch ist die Steigung der zugehörigen kumulative Verteilungsfunktionen 56 an dieser Stelle erkennbar größer als bei der entsprechenden Wahrscheinlichkeitsdichtefunktion 54 in 2b. Entsprechend verhält es sich mit der zur Ausprägungsklasse 42 mit dem Wert 0,05 gehörenden kumulativen Verteilungsfunktion 56.
Schließlich werden in einem Schritt IV`, der in 2c nur angedeutet ist, die Kerndichtenschätzfunktionen 50 einem Nachverarbeitungsalgorithmus 36 implementiert, der dazu ausgebildet ist, die Bayes'sche Regel auf die Kerndichteschätzfunktionen 50 oder die kumulierte Funktion anzuwenden, um zu jeder Ausprägungsklasse 42 des Qualitätsmerkmals eine A-Posteriori-Wahrscheinlichkeit 60 (zu bestimmen und diese als Qualitätszustand 14 des Prüfobjekts 12 bereitzustellen.
Gemäß der Ausführungsform der 2 lautet die entsprechend angewendete Bayes'sche Regel dabei wie folgt $P (i | {\hat{x}}_{1}, \dots, {\hat{x}}_{K}) \propto P (i) * \prod_{1}^{K} p_{k, i}$
mit i als Index der i-ten Ausprägungsklasse, k als Index des k-ten künstlichen neuronalen Netzes des Ensembles an künstlichen neuronalen Netzen mit k = {1,...,K}, weiterhin mit x̂_k als die beobachtete durch das k-te künstliche neuronale Netz zu das Prüfobjekt zeigenden Bilddaten ausgegebene A-Priori-Wahrscheinlichkeit, weiterhin mit P(i) als A-Priori-Wahrscheinlichkeit der i-ten Ausprägungsklasse und mit p_k,i als Kerndichteschätzfunktion für den k-ten Basisalgorithmus und die i-te Ausprägungsklasse.
3 zeigt ein Flussdiagramm eines Verfahrens zur Erkennung eines Qualitätszustands 14 eines Prüfobjekts 12 gemäß einer Ausführungsform der Erfindung.
In einem ersten Schritt I erfolgt eine Bereitstellung von Bilddaten 22, welche das Prüfobjekt 12 zeigen.
In einem zweiten Schritt II wird das Bild durch einen Ensemble-Algorithmus des maschinellen Lernens 34 Lernens vorverarbeitet, wobei die einzelnen Algorithmen des maschinellen Lernens des Ensemble-Algorithmus des maschinellen Lernens jeweils trainiert sind, unabhängig von anderen Algorithmen des maschinellen Lernens des Ensemble-Algorithmus des maschinellen Lernens basierend auf den Bilddaten 22 einer vorgegebenen Menge von Ausprägungsklassen 42 eines Qualitätsmerkmals jeweils zumindest eine A-Priori-Wahrscheinlichkeit 40 zuzuordnen, um Vorverarbeitungsergebnisse 44 zu erzeugen.
In einem dritten Schritt III erfolgt nun eine Nachverarbeitung der Vorverarbeitungsergebnisse 44 durch einen Nachverarbeitungsalgorithmus 36, wobei für jede Ausprägungsklasse 42 des Qualitätsmerkmals eine Kerndichtenschätzfunktion 50 ermittelt wird. Diese wären für die Ausprägungsklassen 42 mit den Werten 0,05; 0,39 und 0,5 bspw. die in 2b gezeigten Wahrscheinlichkeitsdichtefunktionen 54 für diese drei exemplarischen Ausprägungsklassen 42. Der Nachverarbeitungsalgorithmus 36 wendet nun die Bayes'sche Regel auf die Kerndichteschätzfunktionen 50 an, um zu jeder Ausprägungsklasse 42 eine A-Posteriori-Wahrscheinlichkeit 60 zu bestimmen, wobei anschließend , beispielsweise durch Vergleich mit entsprechenden Schwellwerten, ein entsprechender Qualitätszustand des Prüfobjektes basierend auf den A-Posteriori-Wahrscheinlichkeiten für wenigstens einen Teil der Ausprägungsklassen des Qualitätsmerkmal. Insbesondere genügt es dabei die Ausprägungsklassen, bei deren Vorliegen das entsprechende Prüfobjekt verworfen wird, beispielsweise automatisch verworfen wird, zu betrachten, zumal sich die A-Posteriori Wahrscheinlichkeiten der einzelnen Ausprägungsklassen insgesamt 100 % betragen.
Für die im obigen Beispiel genannte Ausprägungsklasse 42 mit dem Wert 0,05 und der A-Priori-Wahrscheinlichkeit 40 von 0,05 gibt die Wahrscheinlichkeitsdichtefunktion 54 dann einen sehr hohen Wert von etwa 25 aus, sodass die A-Posteriori-Wahrscheinlichkeit 60 gegenüber der A-Priori-Wahrscheinlichkeit 40 stark nach oben skaliert wird. Für die Ausprägungsklasse 42 mit dem Wert 0,39 und der A-Priori-Wahrscheinlichkeit 40 von 0,61 gibt die Wahrscheinlichkeitsdichtefunktion 54 einen deutlich kleineren Wert von etwa 1 aus, sodass die A-Posteriori-Wahrscheinlichkeit 60 gegenüber der A-Priori-Wahrscheinlichkeit 40 hier - gegenüber der Ausprägungsklasse 42 mit dem Wert 0,05 - sehr viel weniger stark (nämlich nur um 1/25 so stark) nach oben skaliert wird. Für die Ausprägungsklasse 42 mit dem Wert 0,5 und der A-Priori-Wahrscheinlichkeit 40 von 0,34 gibt die Wahrscheinlichkeitsdichtefunktion 54 in etwa denselben Wert von 1 aus.
In einem weiteren optionalen Schritt IV kann der ermittelte Qualitätszustand 14 des Prüfobjekts 12 einem Bewertungsalgorithmus 62 zugeführt werde, der auf Basis von hinterlegten Schwellwerten 64 für die A-Posteriori-Wahrscheinlichkeit 60 wenigstens einer Ausprägungsklasse 42 oder auf Basis wenigstens einer über mehrere Ausprägungsklassen 42 hinweg kumulierten A-Posteriori-Wahrscheinlichkeit wenigstens ein Bewertungsergebnis 66 ermittelt. Das Bewertungsergebnis 66 kann dabei beispielsweise lauten, dass „Prüfobjekt ok“ ausgegeben wird, wenn sich die A-Posteriori-Wahrscheinlichkeiten 60 für mittlere und schwere Kratzer in Summe nicht über 50 % bewegen.
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

WO 2008128504 A1 [0006]

Claims

Verfahren zum Ermitteln eines Qualitätszustands (14) eines Prüfobjekts (12), wobei das Verfahren folgende Schritte aufweist: - Bereitstellen von Bilddaten (22), wobei die Bilddaten jeweils das Prüfobjekt zeigen (12); - Jeweiliges Vorverarbeiten der Bilddaten (22) durch einen Ensemble Algorithmus (34) des maschinellen Lernens, wobei die einzelnen Algorithmen des maschinellen des Ensemble-Algorithmus des maschinellen Lernens (34) jeweils trainiert sind, unabhängig von anderen Algorithmen des maschinellen Lernens des Ensemble-Algorithmus des maschinellen Lernens (34) basierend auf das Prüfobjekt (12) zeigenden Bilddaten (22) einer vorgegebenen Menge von Ausprägungsklassen (42) eines Qualitätsmerkmals jeweils zumindest eine A-Priori-Wahrscheinlichkeit (40) zuzuordnen, um Vorverarbeitungsergebnisse zu erhalten; - Nachverarbeiten der Vorverarbeitungsergebnisse (44) durch jeweiliges Ermitteln eines Wahrscheinlichkeitswertes für jede Ausprägungsklasse (42) des Qualitätsmerkmals basierend auf den Vorverarbeitungsergebnissen und Kombinieren der ermittelten Wahrscheinlichkeitswerte, um für wenigstens einen Teil der Ausprägungsklassen (42) des Qualitätsmerkmals jeweils eine A-Posteriori-Wahrscheinlichkeit (60) zu bestimmen; und - Ermitteln des Qualitätszustandes des Prüfobjektes basierend auf den A-Posteriori-Wahrscheinlichkeiten (60) für den wenigstens einen Teil der Ausprägungsklassen (42) des Qualitätsmerkmals.
Verfahren nach Anspruch 1, wobei der Schritt des Nachverarbeitens der Vorverarbeitungsergebnisse ein jeweiliges Ermitteln von zumindest einer Kerndichtenschätzfunktion (50) für jede Ausprägungsklasse (42) des Qualitätsmerkmals und ein Anwenden der Bayes'schen Regel auf die ermittelten Kerndichteschätzfunktionen (50) aufweist.
Verfahren nach Anspruch 1 oder 2, wobei der Algorithmus des maschinellen Lernens (34) zumindest ein künstliches neuronales Netz aufweist.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass es sich bei dem Qualitätsmerkmal um eine Oberflächenanomalie handelt und dass die Ausprägungsklassen (42) jeweils unterschiedliche Schweregrade der Oberflächenanomalie beschreiben.
Verfahren zum Bewerten eines Qualitätszustandes eines Prüfobjektes, wobei das Verfahren folgende Schritte aufweist: - Ermitteln des Qualitätszustandes des Prüfobjektes durch ein Verfahren zum Ermitteln eines Qualitätszustandes eines Prüfobjektes nach einem der Ansprüche 1 bis 4; und - Bewerten des ermittelten Qualitätszustandes basierend auf Vorgaben für den Qualitätszustand.
Verfahren nach Anspruch 5, wobei der Schritt des Bewertens des ermittelten Qualitätszustandes basierend auf Vorgaben für den Qualitätszustand ein Einteilen des ermittelten Qualitätszustandes in wenigstens ein Element aus der folgenden Gruppe aufweist: „Prüfobjekt ok“, „Prüfobjekt nicht ok“, „Prüfobjekt manuell nachprüfen“.
Computerprogramm mit Programmcode, um ein Verfahren zum Ermitteln eines Qualitätszustands (14) eines Prüfobjekts (12) nach einem der Ansprüche 1 bis 4 auszuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird.
Computerlesbarer Datenträger mit Programmcode eines Computerprogramms um ein Verfahren zum Ermitteln eines Qualitätszustands (14) eines Prüfobjekts (12) nach einem der Ansprüche 1 bis 4 auszuführen, wenn das Computerprogramm auf einem Computer ausgeführt wird.
System zum Ermitteln eines Qualitätszustandes eines Prüfobjektes, wobei das System (10) ausgebildet ist, ein Verfahren zum Ermitteln eines Qualitätszustandes nach einem der Ansprüche 1 bis 4 auszuführen.
System zum Bewerten eines Qualitätszustandes eines Prüfobjektes, wobei das System eine Bereitstellungseinheit, welche ausgebildet ist, einen Qualitätszustandes des Prüfobjektes bereitzustellen, wobei der Qualitätszustand des Prüfobjektes durch ein System zum Ermitteln eines Qualitätszustandes des Prüfobjektes ermittelt wurde, und eine Bewertungseinheit, welche ausgebildet ist, den bereitgestellten Qualitätszustand basierend auf Vorgaben für den Qualitätszustand zu bewerten, aufweist.