DE102023003640A1 - Verfahren und Vorrichtung zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie - Google Patents
Verfahren und Vorrichtung zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie Download PDFInfo
- Publication number
- DE102023003640A1 DE102023003640A1 DE102023003640.4A DE102023003640A DE102023003640A1 DE 102023003640 A1 DE102023003640 A1 DE 102023003640A1 DE 102023003640 A DE102023003640 A DE 102023003640A DE 102023003640 A1 DE102023003640 A1 DE 102023003640A1
- Authority
- DE
- Germany
- Prior art keywords
- image
- seam
- vehicle body
- components
- joining area
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000007547 defect Effects 0.000 title claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 239000003566 sealing material Substances 0.000 description 4
- 239000002184 metal Substances 0.000 description 3
- 239000000565 sealant Substances 0.000 description 3
- 238000000275 quality assurance Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000003356 suture material Substances 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie. Bei einem Verfahren, welches eine zuverlässige Prüfung der Ausbildung der die Fuge überdeckenden Naht gewährleisten, wird ein Bild (11) von mindestens einem einen Nahtverlauf (13) umfassenden Bereich der Fahrzeugkarosserie (1) erstellt, welches zur Fehlererkennung mit Hilfe einer Künstlichen Intelligenz (7) analysiert und klassifiziert wird.
Description
- Die Erfindung betrifft ein Verfahren zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie sowie eine Vorrichtung zur Durchführung des Verfahrens.
- Aus der
DE 102 03 027 A1 ist eine Nahtabdichtung für einen Fügebereich zwischen Blechteilen einer Kraftfahrzeugkarosserie mit einer Dichtmittelanordnung bekannt, wobei die Dichtmittelanordnung eine Fuge zwischen den miteinander verbundenen Blechteilen vollständig überdeckt. Um den Zeitaufwand zum Aufbringen der Nahtabdichtung zu reduzieren, umfasst die Dichtmittelanordnung eine Dichtbahn, die vollflächig dichtend auf an die Fuge angrenzenden, streifenförmigen Dichtzonen der Blechteile aufliegt. - Die
DE 10 2022 022 502 A1 offenbart eine Auftragsdüse von Nahtabdichtmaterial auf ein Karosseriebauteil eines Kraftwagens, mit einem Düsengrundkörper, welcher einen Zuführkanal zum Zuführen des Nahtabdichtmaterials ausbildet, der in einen auftragsseitigen Austrittsspalt mündet. Durch den Auftragsspalt ist das Nahtabdichtmaterial auf das Karosseriebauteil aufbringbar, wobei die Auftragsdüse ein von dem Nahtabdichtmaterial durchströmbares Filterelement umfasst. - Aufgabe der Erfindung ist es, ein Verfahren und eine Vorrichtung zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie anzugeben, welche eine zuverlässige Prüfung der Ausbildung der die Fuge überdeckenden Naht gewährleisten.
- Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche. Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung, sowie der Erläuterung von Ausführungsbeispielen der Erfindung, die in den Figuren dargestellt sind.
- Die Aufgabe wird mit dem Gegenstand des Patentanspruchs 1 bzw. 5 gelöst.
- Bei dem eingangs erläuterten Verfahren zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie, wird ein Bild von mindestens einem die Nahtabdichtung umfassenden Bereich der Fahrzeugkarosserie erstellt, welches zur Fehlererkennung mit Hilfe einer Künstlichen Intelligenz analysiert und klassifiziert wird. Somit kann die gesamte Karosserie eines Fahrzeuges kontaktfrei und trotzdem zuverlässig auf die Überdeckung der Fugen durch Nähte mittels Methoden des maschinellen Lernens überprüft werden, um Stellen mit ungenügenden oder falschen Auftrag des Nahtmaterials auf den Fugen zu identifizieren. Ein solches Verfahren kann in jede Serienfertigung eingefügt werden und zur Qualitätskontrolle genutzt werden.
- Vorteilhafterweise wird das Bild vor der Analyse segmentiert, wobei für die Segmentierung ein neuronales Netzwerk trainiert wird. Dieses neuronale Netzwerk wird dabei auf den speziellen Fall der Erkennung und Segmentierung einer Karosserie eines Fahrzeuges trainiert, wobei die Segmentierung entlang dem Verlauf der die Fugen abdeckenden Nähte erfolgt.
- In einer Ausgestaltung wird das neuronale Netzwerk auf der Basis von aus einer Bibliothek entnommenen vortrainierten Gewichten für die Segmentierung trainiert. Dadurch wird der Datensatz für das Training klein gehalten, wodurch der Rechenaufwand verringert wird.
- In einer Variante wird zur Fehlererkennung das vollständig segmentierte Bild durch die Künstliche Intelligenz mit einem Idealbild verglichen. Dadurch können nicht nur Fehler, sondern auch Länge und Breite der Nähte erkannt und klassifiziert werden, was in einer Datenbank abgespeichert werden kann und zur Dokumentation der Qualität der einzelnen Karosserien verwendet werden kann.
- In einer Ausführungsform bildet die Künstliche Intelligenz aus dem vollständig segmentierten Bild und dem Idealbild ein Differenzbild, welches mittels einer kontextbezogenen Bildklassifikation auf Fehler untersucht wird. Mittels der kontextbezogenen Bildklassifikation werden Muster in dem Differenzbild in Bezug auf fehlerhafte Nahtverläufe auf der Karosserie ausgewertet und klassifiziert.
- Ein weiterer Aspekt der Erfindung betrifft eine Vorrichtung zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie, umfassend eine Bildaufnahmeeinrichtung und eine Mustererkennungs- und Klassifizierungseinrichtung zur Durchführung des Verfahrens nach mindestens einem in dieser Schutzrechtsanmeldung beschriebenen Merkmal. Mittels dieser einfach aufgebauten Vorrichtung ist eine zuverlässige Qualitätskontrolle in einer Serienfertigung von Fahrzeugkarosserien möglich.
- Weitere Vorteile, Merkmale und Einzelheiten ergeben sich aus der nachfolgenden Beschreibung, in der - gegebenenfalls unter Bezug auf die Zeichnung - zumindest ein Ausführungsbeispiel im Einzelnen beschrieben ist. Beschriebene und/oder bildlich dargestellte Merkmale können für sich oder in beliebiger, sinnvoller Kombination den Gegenstand der Erfindung bilden, gegebenenfalls auch unabhängig von den Ansprüchen, und können insbesondere zusätzlich auch Gegenstand einer oder mehrerer separater Anmeldung/en sein. Gleiche, ähnliche und/oder funktionsgleiche Teile sind mit gleichen Bezugszeichen versehen.
- Es zeigen:
-
1 ein Ausführungsbeispiel der erfindungsgemäßen Vorrichtung, -
2 ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens, -
3 ein genaueres Ausführungsbeispiel der Verfahrensschritte Segmentierung und Fehlererkennung, -
4 eine beispielhafte Darstellung eines aufgenommenen und eines segmentierten Bildes. - In
1 ist ein Ausführungsbeispiel der erfindungsgemäßen Vorrichtung dargestellt, welche in der Produktion von Fahrzeugen zur Qualitätssicherung bei der Herstellung von Fahrzeugkarosserien verwendet wird. Die Karosserie besteht aus mehreren Bestandteilen, die miteinander verschweißt sind. Um die die Bestandteile verbindenden Fugen abzudecken, wird ein Nahtmaterial auf die Fugen aufgetragen. Die Qualität der aufgetragenen Naht wird in einem Qualitätssicherungsprozess überwacht. Zu diesem Zweck ist unter der Karosserie 1 ein Kamerasystem 3 so angeordnet, dass die gesamte Karosserie 1 mit dem Öffnungswinkel des Kamerasystems 3 erfasst werden kann. Das Kamerasystem 3 ist mit einer Bildverarbeitungseinheit 5 verbunden, die auf Basis einer Künstlichen Intelligenz 7 arbeitet. Die Ergebnisse der Bildverarbeitung werden von der Bildverarbeitungseinheit 5 zu einem Datenverarbeitungssystem 9 für die Qualitätsanalyse weitergeleitet. - Ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens ist in
2 gezeigt. Nachdem die Abdichtung der Fugen der Karosserie 3 mit dem Nahtmaterial abgeschlossen ist, wird ein Qualitätssicherungsprogramm gestartet (Block 100). Im Block 110 erstellt das Kamerasystem 3 ein Bild 11 von der Karosserie 3 mit dem darauf befindlichen Nahtverlauf. Um den Kontrast zwischen Karosserie 3 und der Nahtverlauf 13 zu erhöhen, kann eine bestimmte Lichttechnik eingesetzt werden. Dieses so erstellte Bild 15 wird im Block 120 mittels eines neuronalen Netzwerkes vollständig segmentiert. Das segmentierte Bild 15 wird mittels einer Künstlichen Intelligenz hinsichtlich Lage und Breite der Nähte sowie Fehlern im Nahtverlauf erkannt und klassifiziert, indem ein Idealbild mit dem segmentierten Bild 15 verglichen wird, welches in der Bildverarbeitungseinheit 9 abgespeichert ist (Block 130). Eine nähere Betrachtung dazu erfolgt im Block 200 in Zusammenhang mit3 . Im Block 140 wird überprüft, ob der Nahtverlauf auf der Karosserie 3 des Fahrzeuges fehlerhaft ist. Dabei wird den ermittelten Bildern die Karosserienummer zur nachträglichen Identifizierung zugeordnet. Wird im Block 140 festgestellt, dass der Nahtverlauf 13 der geprüften Karosserie 3 fehlerfrei ist, wird die Karosserie 3 im Block 150 der weiteren Verarbeitung zugeführt. Werden Fehler in dem Nahtverlauf ermittelt, bleibt die Karosserie 3 im Block 160 stehen und wird nachgearbeitet. Anschließend wird das Programm im Block 170 geschlossen. - In Zusammenhang mit
3 ist ein konkreteres Ausführungsbeispiel der Verfahrensschritte Segmentierung und Fehlererkennung ausgeführt. Im Block 210 ist das vollständig segmentierte Bild 15 und im Block 220 ein abgespeichertes Idealbild des Nahtverlaufs vorgesehen, aus welchem im Block 230 ein Differenzbild gebildet wird. Dieses Differenzbild wird zur weiteren Analyse in mehrere Bereiche aufgeteilt (Block 240). Die Erkennung von Fehlern im Nahtverlauf 13 erfolgt im Block 250 durch den Einsatz einer kontextuellen Bildklassifizierung (Image Classification), welche ebenfalls mit einem neuronalen Netzwerk durchgeführt wird und welches mehrere Faltungsschichten (CNNs) aufweist. Dadurch kann jeder definierte Bereich des Nahtverlaufes als „In Ordnung“ oder „Nicht in Ordnung“ analysiert und gekennzeichnet werden. -
4 verdeutlicht eine beispielhafte Darstellung eines aufgenommenen und eines segmentierten Bildes. Das Bild 11 stellt die von dem Kamerasystem 3 aufgenommene Karosserie 1 des Fahrzeuges dar, wie es vor der Segmentierung durch die Bildverarbeitungseinheit 7 aussieht. Das in der Bildverarbeitungseinheit 7 enthaltene neuronale Netzwerk ist mit vortrainierten Gewichten aus einer Netzwerk-Bibliothek trainiert, um das Netz auf den speziellen Fall der Segmentierung des Nahtverlaufes 13 auf der Karosserie 1 zu trainieren. Die durch das neuronale Netzwerk 7 erzeugte Segmentierung des Nahtverlaufes 13 ist in Bild 15 gezeigt. - 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
-
- DE 10203027 A1 [0002]
- DE 102022022502 A1 [0003]
Claims (6)
- Verfahren zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie, dadurch gekennzeichnet, dass ein Bild (11) von mindestens einem einen Nahtverlauf (13) umfassenden Bereich der Fahrzeugkarosserie (1) erstellt wird, welches zur Fehlererkennung mit Hilfe einer Künstlichen Intelligenz (7) analysiert und klassifiziert wird.
- Verfahren nach
Anspruch 1 . dadurch gekennzeichnet, dass das Bild (11) vor der Analyse segmentiert wird, wobei für die Segmentierung ein neuronales Netzwerk (7) trainiert wird. - Verfahren nach
Anspruch 2 , dadurch gekennzeichnet, dass das neuronale Netzwerk (7) auf der Basis von aus einer Bibliothek entnommenen vortrainierten Gewichten für die Segmentierung trainiert wird. - Verfahren nach
Anspruch 1 ,2 oder3 , dadurch gekennzeichnet, dass zur Fehlererkennung das vollständig segmentierte Bild (15) durch die Künstliche Intelligenz (7) mit einem Idealbild (17) verglichen wird. - Verfahren nach
Anspruch 4 , dadurch gekennzeichnet, dass die Künstliche Intelligenz (7) aus dem vollständig segmentierten Bild (15) und dem Idealbild (17) ein Differenzbild bildet, welches mittels einer kontextbezogenen Bildklassifikation auf Fehler untersucht wird. - Vorrichtung zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie, umfassend eine Bildaufnahmeeinrichtung (3) und eine Mustererkennungs- und Klassifizierungseinrichtung (5, 7) zur Durchführung des Verfahrens nach mindestens einem der vorhergehenden Ansprüche.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102023003640.4A DE102023003640A1 (de) | 2023-09-07 | 2023-09-07 | Verfahren und Vorrichtung zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102023003640.4A DE102023003640A1 (de) | 2023-09-07 | 2023-09-07 | Verfahren und Vorrichtung zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102023003640A1 true DE102023003640A1 (de) | 2023-12-07 |
Family
ID=88790726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102023003640.4A Pending DE102023003640A1 (de) | 2023-09-07 | 2023-09-07 | Verfahren und Vorrichtung zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102023003640A1 (de) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10203027A1 (de) | 2002-01-26 | 2003-08-07 | Daimler Chrysler Ag | Nahtabdichtung |
-
2023
- 2023-09-07 DE DE102023003640.4A patent/DE102023003640A1/de active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10203027A1 (de) | 2002-01-26 | 2003-08-07 | Daimler Chrysler Ag | Nahtabdichtung |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018177484A1 (de) | Verfahren und system zur vorhersage von sensorsignalen eines fahrzeugs | |
DE102019220049A1 (de) | Verfahren und Vorrichtung zur Kalibrierung mindestens eines Sensors | |
DE102016118825A1 (de) | Bilderfassungssystem für eine automatisierte Produktionslinie | |
WO2021148981A1 (de) | Kabelbearbeitungsstation, kabelmaschine mit kabelbearbeitungsstationen sowie computerimplementiertes verfahren | |
DE102016108163A1 (de) | Verfahren und Vorrichtung zum Bestimmen einer Qualität eines in einem Umformvorgang umgeformten Bauteils | |
DE102018114867A1 (de) | Verfahren zum Verbinden von Bauteilen | |
EP4222039A1 (de) | Optische schienenwegerkennung | |
DE102023003640A1 (de) | Verfahren und Vorrichtung zur Fehlererkennung einer Nahtabdichtung an einem Fügebereich zwischen zwei Bauteilen einer Fahrzeugkarosserie | |
DE102019120696A1 (de) | Vorrichtung und Verfahren zur Reifenprüfung | |
EP3961559B1 (de) | Verfahren und vorrichtung zum ermitteln von defekten während eines oberflächenmodifizierungsverfahrens | |
DE19740024C1 (de) | Berührungsloses Prüfverfahren für Schweißpunkte | |
DE102008016801A1 (de) | Onboard-Fehlerdiagnoseverfahren für Fahrzeuge | |
DE102019210801A1 (de) | Verfahren, Vorrichtung, Computerprogramm und maschinenlesbares Speichermedium zur Detektion eines Objekts | |
DE102021205993A1 (de) | Verfahren zum Betreiben eines Scheinwerfersystems eines Kraftfahrzeugs | |
EP3576013A1 (de) | Abschätzen eines verlaufs eines schienenpfads | |
DE102021120435A1 (de) | Verfahren und Vorrichtung zum Ermitteln der Größe von Defekten während eines Oberflächenmodifizierungsverfahrens | |
DE19612465C2 (de) | Automatisches Optimieren von Objekt-Erkennungssystemen | |
DE102018207220A1 (de) | Verfahren, Vorrichtung und Computerprogramm zum Detektieren eines Berechnungsfehlers oder einer Fehlfunktion | |
DE102017221381A1 (de) | Verfahren, Vorrichtung und Computerprogramm zum Ermitteln eines Abstandes zu einem Objekt | |
EP3772017A1 (de) | Bahnsignalerkennung für autonome schienenfahrzeuge | |
DE102020133626A1 (de) | Verfahren zum Erkennen von für ein neuronales Netz schwierig korrekt zu klassifizierenden Szenen, Assistenzeinrichtung und Kraftfahrzeug | |
DE102022203067A1 (de) | Verfahren zum Erkennen von Objekten in Bilddaten | |
DE102019209292A1 (de) | Verfahren zum Betreiben einer Umfeldsensorik eines Fahrzeugs und Umfeldsensorik | |
DE102013209800A1 (de) | Verfahren zur Parametrierung eines Bildverarbeitungssystems für die Überwachung einer Werkzeugmaschine | |
EP3717863B1 (de) | Verfahren zur positionierung von messstellen an einem bewegten gegenstand |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R230 | Request for early publication | ||
R016 | Response to examination communication |