EP3948746A1 - Verfahren und system zum überprüfen einer optischen beanstandung an einem kraftfahrzeug - Google Patents

Verfahren und system zum überprüfen einer optischen beanstandung an einem kraftfahrzeug

Info

Publication number
EP3948746A1
EP3948746A1 EP20703955.3A EP20703955A EP3948746A1 EP 3948746 A1 EP3948746 A1 EP 3948746A1 EP 20703955 A EP20703955 A EP 20703955A EP 3948746 A1 EP3948746 A1 EP 3948746A1
Authority
EP
European Patent Office
Prior art keywords
motor vehicle
checking
optical
complaint
decision signal
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
EP20703955.3A
Other languages
English (en)
French (fr)
Inventor
Roland WILKENS
Christian BRAUCH
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.)
Volkswagen AG
Original Assignee
Volkswagen AG
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 Volkswagen AG filed Critical Volkswagen AG
Publication of EP3948746A1 publication Critical patent/EP3948746A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal

Definitions

  • the invention relates to a method and a system for checking an optical
  • Optical complaints are in particular optical defects in the motor vehicle, which for the most part do not mean any functional restrictions, but primarily impair the appearance of the motor vehicle. Since a design and an optical appearance of the motor vehicle have become increasingly important on the customer side in comparison to purely functional properties, a perception threshold for optical defects has increasingly decreased.
  • Neural network used which is based on captured images of the
  • the invention is based on the object of creating a method and a system for checking a visual complaint on a motor vehicle, in which a review of the visual complaint on the motor vehicle can be carried out in an improved manner.
  • a method for checking an optical complaint on a motor vehicle comprising the steps of: capturing at least one photographic image of the optical complaint on the motor vehicle below specified conditions by means of at least one camera, transmission of the captured at least one photographic image by means of a user device to a
  • Checking device based on the transmitted at least one photographic image the checking device using an artificial intelligence method for this purpose, generating a decision signal based on a
  • Classification result by means of the checking device transmission of the generated decision signal to an output device of the user device, output of the transmitted decision signal by means of the output device.
  • a system for checking an optical complaint on a motor vehicle comprising at least one user device with an output device, and a checking device, the user device being designed in such a way that at least one photographic image captured by a camera of the optical complaint on the motor vehicle is provided To transmit image to the checking device, and wherein the checking device is designed such that the optical
  • the output device of the user device is designed to output the transmitted decision signal.
  • a visual complaint refers in particular to an impairment of the visual appearance of a component of the motor vehicle without a functional or
  • Examples of components of the motor vehicle that can have visual defects are headlights (visual defect e.g. in the form of a condensate on the inside of the headlight), chrome or decorative strips (visual defect e.g. in the form of a covering), a seat cover (optical defect e.g. in Form of wrinkles, abrasion, paint damage, etc.) or
  • Body parts (visual defect e.g. in the form of corrosion or other visual defects in the vehicle paintwork).
  • An artificial intelligence method can, for example, use a trained artificial neural network, in particular a trained deep neural network. Furthermore can an artificial intelligence method also use a Bayesian network or other machine learning methods.
  • the artificial intelligence method comprises a pattern recognition method in which patterns are recognized with regard to an optical defect in the captured at least one photographic image and the classification is carried out on the basis of the recognized pattern.
  • a typical application scenario for the method and the system is described below as an example.
  • a motor vehicle owner notices a visual defect in his motor vehicle and drives to a service provider for the motor vehicle, for example a dealer or a workshop.
  • the visual defect is, for example, one covered with condensate from the inside (i.e. fogged up)
  • At least one photographic image of the optical complaint on the motor vehicle is then recorded there under specified conditions (e.g. lighting, distance / angle to the motor vehicle, resolution, etc.) by means of a camera.
  • the captured photographic image is by means of a user device, for example a
  • Desktop computer transmitted to a checking device, for example to a central server.
  • the transmission takes place, for example, by means of an email via the Internet.
  • the checking device receives the transmitted photographic image and classifies the optical fault imaged therein.
  • the checking device uses an artificial intelligence method, for example an artificial one that has been trained for this purpose
  • Verification device a decision signal. Since artificial intelligences, for example artificial neural networks, generally only provide probabilities for the existence of certain classes, the decision signal is provided, for example, on the basis of a decision logic in which a predetermined one is exceeded
  • Probability threshold value (e.g. 85%) the class belonging to the considered probability value is output as a result or decision signal.
  • the decision signal can include the classification result, but can also be designed differently and include, for example, an assessment of the optical complaint or an objected optical defect.
  • the decision signal generated is transmitted back to the user device and output there by an output device.
  • the motor vehicle owner receives feedback on his visual complaint on the basis of the decision signal issued.
  • the visual complaint is then either fixed, e.g. by replacing or repairing the affected component, or the visual complaint is rejected.
  • the advantage of the invention is that a decision on a visual complaint is independent of a human assessment.
  • Complaints are made using artificial intelligence. This always classifies an optical complaint on the basis of the same yardstick, i.e. the classification and the decision signal are based only on the respectively transmitted at least one recorded photographic image of the optical complaint and are independent of any human moods and / or sympathies or dislikes between a vehicle owner and an employee of the service provider, etc. Furthermore, the vehicle owner immediately receives feedback on his visual complaint.
  • the classification result and / or the decision signal comprises at least one information item recommended for action, at least one component of the motor vehicle that corresponds to the optical complaint
  • Service provider for the at least one motor vehicle takes place, the classification by means of the checking device taking place separately from the service provider.
  • Can use review scale In particular, can be a variety of
  • Service providers for example dealers and / or workshops, can be connected to the same checking device, for example provided as a central server.
  • the checking device then checks the respective photographic images transmitted by the service providers by the optical images depicted therein Complaints are classified and a respective decision signal to the
  • the checking device by means of the checking device it is checked whether the at least one photographic image corresponds to the specified conditions during acquisition, and if this is not the case, a request signal for acquiring a correct image is generated and transmitted to and from the output device is issued. If, for example, components depicted on the captured photographic image are soiled, this can be recognized by the transmission device. The detection can be done with the same or a separate artificial intelligence. If soiling is detected, a request signal is generated and transmitted to the user device and output by the output device. Other adverse conditions are, for example, a lack of illumination or a lack of resolution.
  • Action request information for establishing the specified conditions is derived, the generated request signal being the derived
  • Action request information includes a notice to clean the component before capturing the photographic image. Further information on the action request can include, for example, an illumination of the component, a distance between the component and at least one camera and / or a resolution of the photographic image.
  • the photographic images of the awarded components are provided with markings (also called labels) manually by an expert, for example. Both photographic images are taken into account that show components that are free from optical defects, as well as components that have optical defects.
  • the artificial intelligence which can be designed as an artificial neural network, for example, is trained in such a way that there is a classification at the output that only decides whether there is an optical defect (ie the output provides the information: there is an optical defect " Yes or no").
  • photographic images are automatically captured and provided at the end of a production line of the motor vehicle in a manufacturing plant using a camera.
  • a large number of reference images can be provided in a simple manner. Since it is assumed that the photographic images captured at the end of the production line almost exclusively show components of the motor vehicle that are free from defects, manual marking of the images can be dispensed with. Since motor vehicles in such production lines are usually manufactured in a large number of variants (e.g. with regard to a specific color and design of the components), a wide range of reference images is also available. It can be provided that the recorded reference images are fed to a central server, where they are collected to train the artificial intelligence.
  • the artificial intelligence is trained again on the basis of the further training data set.
  • the captured photographic images can be collected on a central server until the specified number (e.g. 500, 1000, ...) is reached.
  • the collected photographic images are then manually marked and combined to form a further training data set. Especially with a large one
  • Deviation e.g. large proportion of deviations in relation to all classifications
  • the artificial intelligence is trained again on the basis of the further training data set.
  • photographic image can be selected depending on the optical complaint.
  • the user device for example, based on a component number and / or a component designation and / or a vehicle type by means of the user device can be queried from the checking device and / or transmitted by the latter to the user device.
  • the user device then outputs the specified conditions via the output device or controls the acquisition by means of the camera accordingly.
  • the specified conditions can also be stored in the user device and / or generated by the latter.
  • Fig. 1 is a schematic representation of an embodiment of the system for
  • Fig. 1 is a schematic representation of an embodiment of the system 1 for
  • the system 1 comprises a user device 2 with an output device 3 and a checking device 4.
  • the user device 2 is, for example, at the location of a service provider for the motor vehicle 50, e.g. in a workshop where the
  • the checking device 4 is embodied, for example, on a central server of a vehicle manufacturer.
  • system 1 comprises further user devices 12, for example at further dealers and / or workshops for the motor vehicle 50.
  • system 1 as part of a
  • Repair management system 100 is formed. For optical complaints, for example, an obligation to report can then be provided within the scope of the repair management system 100, so that every optical complaint that occurs is included in the
  • Repair management system 100 is recorded as a data record or complaint case and the method for checking the optical complaint is carried out for each case.
  • the initial situation when starting the process is as follows: A vehicle owner comes to the service provider with his motor vehicle and complains about a visual one Defect. The service provider must then decide, in particular within the scope of a guarantee agreement, whether the affected component of the motor vehicle 50 must be repaired or replaced or whether the visual complaint is unjustified.
  • a headlight 51 of the motor vehicle 50 is complained about; for example, the headlight 51 may be covered with condensate due to rear ventilation on an inside of the headlight 51.
  • At least one photographic image 5 of the optical complaint is recorded by means of a camera 20.
  • the user device 2 is designed to receive the at least one photographic image 5 captured by the optical complaint on the motor vehicle 50 by means of a camera 20 under predetermined conditions, for example via an interface 6 designed for this, and to transmit it to the checking device 4.
  • checking device 3 If necessary, further information is transmitted to the checking device 3, such as a vehicle type, a vehicle age, a part number, etc.
  • the checking device 3 receives the transmitted at least one photographic image
  • the checking device 3 uses an artificial intelligence 7 method, for example a deep neural network previously trained for this purpose. On the basis of a classification result provided by the artificial intelligence 7, the checking device 4 generates a
  • the deep neural network delivers, for example, as
  • the decision signal 8 can be derived on the basis of probability threshold values. For example, two classes can be used as classes, with a first class affirming a visual defect in the affected component of motor vehicle 50, while a second class denies this.
  • the generated decision signal 8 is from the checking device 4 to the
  • the output device 3 of the user device 2 then outputs the transmitted decision signal 8.
  • a vehicle owner can be given short-term and, in particular, objective feedback on whether there is a visual defect in his
  • Decision signal 8 takes place in particular via a communication network, for example the Internet.
  • Communication can take place in the form of emails or some other standardized format.
  • four classes can be distinguished with the following content:
  • photographic image 5 does not meet the given conditions
  • Decision signal 8 comprises at least one action recommendation information 9 in the form of an action recommendation signal to replace or not to replace at least one component of motor vehicle 50 corresponding to the optical complaint.
  • photographic figure 5 can be selected depending on the optical problem.
  • User device 2 then outputs the specified conditions via output device 3 or controls camera 20 or lighting, etc. accordingly.
  • the specified conditions can also be stored in the user device 2 and / or generated by it.
  • the checking device 4 checks whether the at least one photographic image 5 corresponds to the specified conditions during acquisition, and if this is not the case, a request signal 10 for acquiring a correct mapping is generated and transmitted to the output device 3 and output by this.
  • Action request information 11 for establishing the predetermined conditions is derived, the generated request signal 10 being the derived
  • Action request information 11 can include, for example, a request to increase an illuminance, to reduce / increase a distance between camera 20 and motor vehicle and / or
  • the artificial intelligence 7 is based on a
  • Training data set is trained or is trained, which comprises a plurality of marked photographic images of at least excellent areas and / or components of the motor vehicle 50.
  • the training of the artificial intelligence 7 can also take place in the checking device 4.
  • the training can, however, also take place independently of the checking device 4, for example on one provided for this purpose
  • photographic images at the end of a production line of the motor vehicle 50 are automatically captured and provided in a manufacturing plant by means of a camera.
  • a reference marking of the photographic images 5 captured during the runs takes place, with a further training data set being created taking into account the reference-marked photographic images, and with the artificial intelligence 7 being trained again on the basis of the further training data set.

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug (50), umfassend die Schritte: Erfassen mindestens einer fotografischen Abbildung (5) der optischen Beanstandung an dem Kraftfahrzeug (50) unter vorgegebenen Bedingungen mittels mindestens einer Kamera (20), Übermitteln der erfassten mindestens einen fotografischen Abbildung (5) mittels einer Nutzereinrichtung (2) an eine Überprüfungseinrichtung (4), Klassifizieren der optischen Beanstandung mittels der Überprüfungseinrichtung (4) auf Grundlage der übermittelten mindestens einen fotografischen Abbildung (5), wobei die Überprüfungseinrichtung (4) hierzu ein Verfahren der Künstlichen Intelligenz (7) verwendet, Erzeugen eines Entscheidungssignals (8) auf Grundlage eines Klassifizierungsergebnisses mittels der Überprüfungseinrichtung (4), Übermitteln des erzeugten Entscheidungssignals (8) an eine Ausgabeeinrichtung (3) der Nutzereinrichtung (2), Ausgeben des übermittelten Entscheidungssignals (8) mittels der Ausgabeeinrichtung (3). Ferner betrifft die Erfindung ein System (1) zum Überprüfen einer optischen Beanstandung an mindestens einem Kraftfahrzeug (50).

Description

Beschreibung
Verfahren und System zum Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug
Die Erfindung betrifft ein Verfahren und ein System zum Überprüfen einer optischen
Beanstandung an einem Kraftfahrzeug.
Eine Anzahl von optischen Beanstandungen an Kraftfahrzeugen hat in der Vergangenheit kontinuierlich zugenommen. Optische Beanstandungen sind hierbei insbesondere optische Mängel an dem Kraftfahrzeug, die überwiegend keine funktionellen Einschränkungen bedeuten, sondern vor allem ein Erscheinungsbild des Kraftfahrzeugs beeinträchtigen. Da kundenseitig ein Design und ein optisches Erscheinungsbild des Kraftfahrzeugs in den letzten Jahren im Vergleich zu rein funktionellen Eigenschaften zunehmend an Bedeutung gewinnen, hat sich eine Wahrnehmungsschwelle für optische Mängel zunehmend verringert.
Aus der US 2017/0221110 A1 sind ein Verfahren und eine Vorrichtung zum Schätzen von Kosten eines Unfallschadens an einem Kraftfahrzeug bekannt. Hierbei kommt ein tiefes
Neuronales Netz zum Einsatz, welches auf Grundlage von erfassten Abbildungen des
Unfallschadens eine Teileliste erzeugen kann und auf Grundlage der Teileliste die
Schadenskosten berechnet.
Eine Beurteilung von optischen Beanstandungen an Kraftfahrzeugen ist derzeit jedoch nur unbefriedigend gelöst.
Der Erfindung liegt die Aufgabe zu Grunde, ein Verfahren und ein System zum Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug zu schaffen, bei der eine Überprüfung der optischen Beanstandung an dem Kraftfahrzeug verbessert durchgeführt werden kann.
Die Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen des
Patentanspruchs 1 und eine Vorrichtung mit den Merkmalen des Patentanspruchs 9 gelöst. Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen.
Insbesondere wird ein Verfahren zum Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug zur Verfügung gestellt, umfassend die Schritte: Erfassen mindestens einer fotografischen Abbildung der optischen Beanstandung an dem Kraftfahrzeug unter vorgegebenen Bedingungen mittels mindestens einer Kamera, Übermitteln der erfassten mindestens einen fotografischen Abbildung mittels einer Nutzereinrichtung an eine
Überprüfungseinrichtung, Klassifizieren der optischen Beanstandung mittels der
Überprüfungseinrichtung auf Grundlage der übermittelten mindestens einen fotografischen Abbildung, wobei die Überprüfungseinrichtung hierzu ein Verfahren der Künstlichen Intelligenz verwendet, Erzeugen eines Entscheidungssignals auf Grundlage eines
Klassifizierungsergebnisses mittels der Überprüfungseinrichtung, Übermitteln des erzeugten Entscheidungssignals an eine Ausgabeeinrichtung der Nutzereinrichtung, Ausgeben des übermittelten Entscheidungssignals mittels der Ausgabeeinrichtung.
Ferner wird ein System zum Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug geschaffen, umfassend mindestens eine Nutzereinrichtung mit einer Ausgabeeinrichtung, und eine Überprüfungseinrichtung, wobei die Nutzereinrichtung derart ausgebildet ist, mindestens eine unter vorgegebenen Bedingungen mittels einer Kamera von der optischen Beanstandung an dem Kraftfahrzeug erfasste fotografische Abbildung an die Überprüfungseinrichtung zu übermitteln, und wobei die Überprüfungseinrichtung derart ausgebildet ist, die optische
Beanstandung auf Grundlage der übermittelten mindestens einen fotografischen Abbildung zu klassifizieren und hierzu ein Verfahren der Künstlichen Intelligenz zu verwenden, ein
Entscheidungssignal auf Grundlage eines Klassifizierungsergebnisses zu erzeugen und das erzeugte Entscheidungssignal an die Ausgabeeinrichtung der mindestens einen
Nutzereinrichtung zu übermitteln, wobei die Ausgabeeinrichtung der Nutzereinrichtung derart ausgebildet ist, das übermittelte Entscheidungssignal auszugeben.
Eine optische Beanstandung bezeichnet insbesondere eine Beeinträchtigung des optischen Erscheinungsbildes eines Bauteils des Kraftfahrzeugs, ohne dass ein funktioneller bzw.
technischer Mangel vorliegt.
Beispiele für Bauteile des Kraftfahrzeugs, welche optische Beanstandungen aufweisen können, sind Scheinwerfer (optischer Mangel z.B. in Form eines Kondensats an einer Innenseite des Scheinwerfers), Chrom- oder Schmuckleisten (optischer Mangel z.B. in Form eines Belags), ein Sitzbezug (optischer Mangel z.B. in Form von Falten, Abrieb, Farbschäden etc.) oder
Karosserieteile (optischer Mangel z.B. in Form einer Korrosion oder sonstiger optischer Mängel am Fahrzeuglack).
Ein Verfahren der Künstlichen Intelligenz kann beispielsweise ein trainiertes Künstliches Neuronales Netz, insbesondere ein trainiertes Tiefes Neuronales Netz, verwenden. Ferner kann ein Verfahren der Künstlichen Intelligenz auch ein Bayessches Netz oder sonstige Verfahren des Maschinellen Lernens verwenden. Insbesondere umfasst das Verfahren der Künstlichen Intelligenz ein Mustererkennungsverfahren, bei dem Muster im Hinblick auf einen optischen Mangel in der erfassten mindestens einen fotografischen Abbildung erkannt werden und das Klassifizieren auf Grundlage der erkannten Muster erfolgt.
Ein typisches Anwendungsszenario des Verfahrens und des Systems wird im Folgenden beispielhaft geschildert. Ein Kraftfahrzeugbesitzer stellt an seinem Kraftfahrzeug einen optischen Mangel fest und fährt zu einem Servicedienstleister für das Kraftfahrzeug, beispielsweise einem Händler oder einer Werkstatt. Der optische Mangel ist beispielsweise ein von einer Innenseite her mit einem Kondensat belegter (d.h. beschlagener)
Fahrzeugscheinwerfer. Beim Servicedienstleister beanstandet der Kraftfahrzeugbesitzer den optischen Mangel. Dort wird dann mindestens eine fotografische Abbildung der optischen Beanstandung an dem Kraftfahrzeug unter vorgegebenen Bedingungen (z.B. Beleuchtung, Abstand/Winkel zum Kraftfahrzeug, Auflösung etc.) mittels einer Kamera erfasst. Die erfasste fotografische Abbildung wird mittels einer Nutzereinrichtung, beispielsweise einem
Desktopcomputer, an eine Überprüfungseinrichtung, beispielsweise an einen zentralen Server, übermittelt. Das Übermitteln erfolgt beispielsweise mittels einer Email über das Internet. Die Überprüfungseinrichtung empfängt die übermittelte fotografische Abbildung und klassifiziert die darin abgebildete optische Beanstandung. Hierzu verwendet die Überprüfungseinrichtung ein Verfahren der Künstlichen Intelligenz, beispielsweise ein hierfür trainiertes Künstliches
Neuronales Netz. Auf Grundlage eines Klassifizierungsergebnisses erzeugt die
Überprüfungseinrichtung ein Entscheidungssignal. Da Künstliche Intelligenzen, beispielsweise Künstliche Neuronale Netze, in der Regel lediglich Wahrscheinlichkeiten für das Vorliegen von bestimmten Klassen liefern, wird das Entscheidungssignal beispielsweise auf Grundlage einer Entscheidungslogik bereitgestellt, in der ab Überschreiten eines vorgegebenen
Wahrscheinlichkeitsschwellenwertes (z.B. 85 %) die zum betrachteten Wahrscheinlichkeitswert zugehörige Klasse als Ergebnis bzw. Entscheidungssignal ausgegeben wird. Das
Entscheidungssignal kann das Klassifikationsergebnis umfassen, kann aber auch anders ausgebildet sein und beispielsweise eine Bewertung der optischen Beanstandung bzw. eines beanstandeten optischen Mangels umfassen. Das erzeugte Entscheidungssignal wird an die Nutzereinrichtung zurück übermittelt und dort von einer Ausgabeeinrichtung ausgeben. Beim Servicedienstleister erhält der Kraftfahrzeugbesitzer dann auf Grundlage des ausgegebenen Entscheidungssignals eine Rückmeldung zu seiner optischen Beanstandung. Auf Grundlage des ausgegebenen Entscheidungssignals wird die optische Beanstandung dann entweder behoben, z.B. durch Austausch oder Reparatur des betroffenen Bauteils, oder die optische Beanstandung wird zurückgewiesen.
Der Vorteil der Erfindung ist, dass eine Entscheidung zu einer optischen Beanstandung unabhängig von einer menschlichen Beurteilung ist. Die Klassifikation der optischen
Beanstandung erfolgt mittels einer Künstlichen Intelligenz. Diese klassifiziert eine optische Beanstandung immer auf Grundlage des gleichen Maßstabs, das heißt die Klassifikation und das Entscheidungssignal beruhen nur auf der jeweils übermittelten mindestens einen erfassten fotografischen Abbildung der optischen Beanstandung und sind unabhängig von eventuell vorhandenen menschlichen Stimmungen und/oder Sympathien oder Abneigungen zwischen einem Kraftfahrzeugbesitzer und einem Mitarbeiter des Servicedienstleisters etc. Ferner erhält der Kraftfahrzeugbesitzer sofort eine Rückmeldung zu seiner optischen Beanstandung.
Hierdurch können gerechtfertigte optische Beanstandungen von nicht gerechtfertigten optischen Beanstandungen automatisiert, und daher auf effiziente und zeitsparende Weise, unterschieden werden. Ein Aufwand und Kosten bei der Wartung und der Reparatur von Kraftfahrzeugen können daher durch das beschriebene Verfahren reduziert werden.
In einer Ausführungsform ist vorgesehen, dass das Klassifikationsergebnis und/oder das Entscheidungssignal zumindest eine Handlungsempfehlungsinformation umfasst, mindestens ein mit der optischen Beanstandung korrespondierendes Bauteil des Kraftfahrzeugs
auszutauschen oder nicht auszutauschen. Hierdurch kann ein Servicedienstleister direkt eine Rückmeldung darüber gegeben werden, ob ein defektes Bauteil zu tauschen ist oder nicht, und ob eine optische Beanstandung gerechtfertigt ist oder nicht.
In einer weiteren Ausführungsform ist vorgesehen, dass das Erfassen der mindestens einen fotografischen Abbildung und das Ausgeben des Entscheidungssignals bei einem
Servicedienstleister für das mindestens eine Kraftfahrzeug erfolgt, wobei das Klassifizieren mittels der Überprüfungseinrichtung örtlich getrennt von dem Servicedienstleister erfolgt.
Hierdurch kann eine verteilte Infrastruktur aufgebaut werden. Der Vorteil ist, dass mehrere Nutzereinrichtungen die gleiche Überprüfungseinrichtung und daher alle den gleichen
Überprüfungsmaßstab verwenden können. Insbesondere kann eine Vielzahl von
Servicedienstleistern, beispielsweise Händlern und/oder Werkstätten, mit derselben, beispielsweise als zentraler Server bereitgestellten, Überprüfungseinrichtung verbunden sein. Die Überprüfungseinrichtung überprüft dann die jeweils von den Servicedienstleistern übermittelten fotografischen Abbildungen, indem die darin abgebildeten optischen Beanstandungen klassifiziert werden und ein jeweiliges Entscheidungssignal an den
zugehörigen Servicedienstleister zurück übermittelt wird.
In einer Ausführungsform ist vorgesehen, dass mittels der Überprüfungseinrichtung überprüft wird, ob die mindestens eine fotografische Abbildung den vorgegebenen Bedingungen beim Erfassen entspricht, und sofern dies nicht der Fall ist, ein Aufforderungssignal zum Erfassen einer korrekten Abbildung erzeugt und an die Ausgabeeinrichtung übermittelt und von dieser ausgegeben wird. Sind beispielsweise auf der erfassten fotographischen Abbildung abgebildete Bauteile verschmutzt, so kann dies von der Übermittlungseinrichtung erkannt werden. Das Erkennen kann mit der gleichen oder einer separaten Künstlichen Intelligenz erfolgen. Wird eine Verschmutzung erkannt, so wird ein Aufforderungssignal erzeugt und an die Nutzereinrichtung übermittelt und von der Ausgabeeinrichtung ausgegeben. Andere hinderliche Bedingungen sind beispielsweise eine mangelnde Ausleuchtung oder eine mangelnde Auflösung.
In einer Weiterbildung ist vorgesehen, dass mittels der Überprüfungseinrichtung eine
Handlungsaufforderungsinformation zum Herstellen der vorgegebenen Bedingungen abgeleitet wird, wobei das erzeugt Aufforderungssignal die abgeleitete
Handlungsaufforderungsinformation umfasst. Ist das in der erfassten fotografischen Abbildung abgebildete Bauteil des Kraftfahrzeugs beispielsweise verschmutzt, so kann die
Handlungsaufforderungsinformation einen Hinweis umfassen, das Bauteil vor Erfassen der fotografischen Abbildung zu reinigen. Weitere Handlungsaufforderungsinformationen können beispielsweise eine Ausleuchtung des Bauteils, einen Abstand des Bauteils zur mindestens einen Kamera und/oder eine Auflösung der fotografischen Abbildung umfassen.
In einer Ausführungsform ist vorgesehen, dass die Künstliche Intelligenz auf Grundlage eines Trainingsdatensatzes trainiert ist oder trainiert wird, der eine Vielzahl von markierten
fotografischen Abbildungen zumindest von ausgezeichneten Bereichen und/oder Bauteilen des Kraftfahrzeugs umfasst. Hierbei werden die fotografischen Abbildungen der ausgezeichneten Bauteile beispielsweise manuell durch einen Experten mit Markierungen (auch Labels genannt) versehen. Hierbei werden sowohl fotografische Abbildungen berücksichtigt, die Bauteile zeigen, welche frei von optischen Mängeln sind, als auch Bauteile, die optische Mängel aufweisen. Im einfachsten Fall wird die Künstliche Intelligenz, die beispielsweise als Künstliches Neuronales Netz ausgebildet sein kann, derart trainiert, dass am Ausgang eine Klassifikation vorliegt, die lediglich entscheidet, ob ein optischer Mangel vorliegt (d.h. der Ausgang liefert die Information: optischer Mangel ist vorhanden„ja“ oder„nein“). ln einer weiteren Ausführungsform ist vorgesehen, dass zum Bereitstellen von fotografischen Abbildungen, welche als Referenzabbildungen ohne optische Mängel markiert sind oder werden, fotografische Abbildungen am Ende einer Produktionslinie des Kraftfahrzeugs in einem Herstellerwerk mittels einer Kamera automatisiert erfasst und bereitgestellt werden. Hierdurch kann auf einfache Weise eine Vielzahl von Referenzabbildungen bereitgestellt werden. Da davon ausgegangen wird, dass die am Ende der Produktionslinie erfassten fotografischen Abbildungen nahezu ausschließlich optisch mangelfreie Bauteile des Kraftfahrzeugs zeigen, kann auf eine manuelle Markierung der Abbildungen verzichtet werden. Da Kraftfahrzeuge in solchen Produktionslinien üblicherweise in einer Vielzahl von Varianten (z.B. in Bezug auf eine konkrete Farbe und Ausgestaltung der Bauteile) hergestellt werden, steht zugleich eine große Bandbreite an Referenzabbildungen zur Verfügung. Es kann vorgesehen sein, dass die erfassten Referenzabbildungen einem zentralen Server zugeführt werden, wo diese zum Trainieren der Künstlichen Intelligenz gesammelt werden.
In einer Ausführungsform ist vorgesehen, dass nach einer vorgegebenen Anzahl von
Durchläufen des Verfahrens, eine Referenzmarkierung der bei den Durchläufen jeweils erfassten fotografischen Abbildungen erfolgt, wobei unter Berücksichtigung der
referenzmarkierten fotografischen Abbildungen ein weiterer Trainingsdatensatz erstellt wird, und wobei die Künstliche Intelligenz auf Grundlage des weiteren Trainingsdatensatzes erneut trainiert wird. Der Vorteil ist, dass eine regelmäßige Überprüfung der Künstlichen Intelligenz stattfinden kann. Hierzu können die erfassten fotografischen Abbildungen auf einem zentralen Server gesammelt werden, bis die vorgegebene Anzahl (z.B. 500, 1000,...) erreicht ist.
Anschließend werden die gesammelten fotografischen Abbildungen manuell markiert und zu einem weiteren Trainingsdatensatz zusammengefasst. Insbesondere bei einer großen
Abweichung (z.B. großer Anteil an Abweichungen in Bezug auf alle Klassifizierungen) der jeweils von der Überprüfungseinrichtung bereitgestellten Klassifikationsergebnisse bzw. der jeweils von der Überprüfungseinrichtung hieraus abgeleiteten Entscheidungssignale von der nachfolgenden manuellen Markierung wird die Künstliche Intelligenz erneut auf Grundlage des weiteren Trainingsdatensatzes trainiert.
Es kann vorgesehen sein, dass die vorgegebenen Bedingungen beim Erfassen der
fotografischen Abbildung in Abhängigkeit der optischen Beanstandung gewählt werden.
Insbesondere kann vorgesehen sein, dass die jeweils vorgegebenen Bedingungen
beispielsweise auf Grundlage einer Bauteilnummer und/oder einer Bauteilbezeichnung und/oder eines Fahrzeugtyps mittels der Nutzereinrichtung bei der Überprüfungseinrichtung abgefragt und/oder von dieser an die Nutzereinrichtung übermittelt werden. Die Nutzereinrichtung gibt dann die vorgegebenen Bedingungen über die Ausgabeeinrichtung aus oder steuert das Erfassen mittels der Kamera entsprechend an. Alternativ können die vorgegebenen Bedingungen auch bei der Nutzereinrichtung hinterlegt sein und/oder von dieser erzeugt werden. Der Vorteil ist, dass für jede optische Beanstandung oder Gruppen von optischen Beanstandungen jeweils optimale Erfassungsbedingungen gewählt werden können.
Merkmale zur Ausgestaltung des Systems ergeben sich aus der Beschreibung von
Ausgestaltungen des Verfahrens. Die Vorteile des Systems sind hierbei jeweils die gleichen wie bei den Ausgestaltungen des Verfahrens.
Nachfolgend wird die Erfindung anhand bevorzugter Ausführungsbeispiele unter Bezugnahme auf die Figuren näher erläutert. Hierbei zeigen:
Fig. 1 eine schematische Darstellung einer Ausführungsform des Systems zum
Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug.
In Fig. 1 ist eine schematische Darstellung einer Ausführungsform des Systems 1 zum
Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug 50 gezeigt.
Das System 1 umfasst eine Nutzereinrichtung 2 mit einer Ausgabeeinrichtung 3 und eine Überprüfungseinrichtung 4. Die Nutzereinrichtung 2 befindet sich beispielsweise am Ort eines Servicedienstleisters für das Kraftfahrzeug 50, z.B. in einer Werkstatt, in der das
Kraftfahrzeug 50 gewartet und repariert werden kann. Die Überprüfungseinrichtung 4 ist beispielsweise auf einem zentralen Server eines Fahrzeugherstellers ausgebildet.
Es kann vorgesehen sein, dass das System 1 weitere Nutzereinrichtungen 12 umfasst, beispielsweise bei weiteren Händlern und/oder Werkstätten für das Kraftfahrzeug 50.
Insbesondere kann vorgesehen sein, dass das System 1 als Bestandteil eines
Reparaturmanagementsystems 100 ausgebildet ist. Für optische Beanstandungen kann dann im Rahmen des Reparaturmanagementsystems 100 beispielsweise eine Meldepflicht vorgesehen sein, sodass jede auftretende optische Beanstandung in dem
Reparaturmanagementsystem 100 als Datensatz bzw. Beanstandungsfall aufgenommen wird und das Verfahren zum Überprüfen der optischen Beanstandung für jeden Fall ausgeführt wird.
Die Ausgangssituation beim Starten des Verfahrens ist die folgende: Ein Fahrzeugbesitzer kommt mit seinem Kraftfahrzeug zum Servicedienstleister und beanstandet dort einen optischen Mangel. Der Servicedienstleister muss dann entscheiden, insbesondere im Rahmen einer Garantievereinbarung, ob eine Reparatur oder ein Austausch des betroffenen Bauteils des Kraftfahrzeugs 50 erfolgen muss oder ob die optische Beanstandung ungerechtfertigt ist.
Vorliegend wird beispielsweise ein Scheinwerfer 51 des Kraftfahrzeugs 50 beanstandet, beispielweise kann der Scheinwerfer 51 aufgrund einer Hinterlüftung auf einer Innenseite des Scheinwerfers 51 mit einem Kondensat belegt sein.
Um diese Entscheidung zu treffen, wird unter vorgegebenen Bedingungen, wie z.B. eine vorgegebene Beleuchtung, ein vorgegebener Abstand, eine vorgegebene Auslösung etc., mindestens eine fotografische Abbildung 5 von der optischen Beanstandung mittels einer Kamera 20 erfasst. Die Nutzereinrichtung 2 ist derart ausgebildet, die mindestens eine unter vorgegebenen Bedingungen mittels einer Kamera 20 von der optischen Beanstandung an dem Kraftfahrzeug 50 erfasste fotografische Abbildung 5 zu empfangen, beispielsweise über eine hierfür ausgebildete Schnittstelle 6, und an die Überprüfungseinrichtung 4 zu übermitteln.
Gegebenenfalls werden hierbei weitere Informationen an die Überprüfungseinrichtung 3 übermittelt, wie zum Beispiel ein Fahrzeugtyp, ein Fahrzeugalter, eine Teilenummer etc.
Die Überprüfungseinrichtung 3 empfängt die übermittelte mindestens eine fotografische
Abbildung 5 und klassifiziert die optische Beanstandung auf Grundlage der übermittelten mindestens einen fotografischen Abbildung 5. Hierbei verwendet die Überprüfungseinrichtung 3 ein Verfahren der Künstlichen Intelligenz 7, beispielsweise ein vorher zu diesem Zweck trainiertes Tiefes Neuronales Netz. Auf Grundlage eines von der Künstlichen Intelligenz 7 bereitgestellten Klassifizierungsergebnisses erzeugt die Überprüfungseinrichtung 4 ein
Entscheidungssignal 8. Liefert das Tiefe Neuronale Netz beispielsweise als
Klassifizierungsergebnis Wahrscheinlichkeiten für ein Vorliegen bestimmter Klassen, so kann das Entscheidungssignal 8 auf Grundlage von Wahrscheinlichkeitsschwellenwerten abgeleitet werden. Als Klassen können beispielsweise zwei Klassen verwendet werden, wobei eine erste Klasse einen optischen Mangel an dem betroffenen Bauteil des Kraftfahrzeugs 50 bejaht, eine zweite Klasse diesen hingegen verneint.
Das erzeugte Entscheidungssignal 8 wird von der Überprüfungseinrichtung 4 an die
Nutzereinrichtung 2 bzw. deren Ausgabeeinrichtung 3 übermittelt. Die Ausgabeeinrichtung 3 der Nutzereinrichtung 2 gibt das übermittelte Entscheidungssignal 8 anschließend aus. Beim Servicedienstleister kann einem Fahrzeuginhaber hierdurch eine kurzfristige und insbesondere objektive Rückmeldung darüber gegeben werden, ob ein optischer Mangel an seinem
Kraftfahrzeug 50 vorliegt oder nicht. Das Übermitteln der mindestens einen fotografischen Abbildung 5 und des
Entscheidungssignals 8 erfolgt insbesondere über ein Kommunikationsnetzwerk, beispielsweise das Internet. Die Kommunikation kann hierbei in Form von Emails oder eines sonstigen standardisierten Formats erfolgen.
Es kann vorgesehen sein, dass beim Klassifizieren der erfassten fotografischen Abbildung mehr als zwei Klassen unterschieden werden. Beispielsweise können vier Klassen mit dem folgenden Inhalt unterschieden werden:
1) Keine fotografische Abbildung 5 vorhanden oder die erfasste mindestens eine
fotografische Abbildung 5 entspricht nicht den vorgegebenen Bedingungen;
2) eine Bildqualität der erfassten mindestens einen fotografischen Abbildung 5 ist zu gering;
3) es liegt ein optischer Mangel vor;
4) es liegt kein optischer Mangel vor.
Es kann vorgesehen sein, dass das Klassifikationsergebnis und/oder das
Entscheidungssignal 8 zumindest eine Handlungsempfehlungsinformation 9 in Form eines Handlungsempfehlungssignals umfasst, mindestens ein mit der optischen Beanstandung korrespondierendes Bauteil des Kraftfahrzeugs 50 auszutauschen oder nicht auszutauschen.
Es kann vorgesehen sein, dass die vorgegebenen Bedingungen beim Erfassen der
fotografischen Abbildung 5 in Abhängigkeit der optischen Beanstandung gewählt werden.
Insbesondere kann vorgesehen sein, dass die jeweils vorgegebenen Bedingungen
beispielsweise auf Grundlage einer Bauteilnummer und/oder einer Bauteilbezeichnung und/oder eines Fahrzeugtyps mittels der Nutzereinrichtung 2 bei der Überprüfungseinrichtung 4 abgefragt und/oder von dieser an die Nutzereinrichtung 2 übermittelt werden. Die
Nutzereinrichtung 2 gibt dann die vorgegebenen Bedingungen über die Ausgabeeinrichtung 3 aus oder steuert die Kamera 20 oder eine Beleuchtung etc. entsprechend an. Alternativ können die vorgegebenen Bedingungen auch in der Nutzereinrichtung 2 hinterlegt sein und/oder von dieser erzeugt werden.
Es kann ferner vorgesehen sein, dass mittels der Überprüfungseinrichtung 4 überprüft wird, ob die mindestens eine fotografische Abbildung 5 den vorgegebenen Bedingungen beim Erfassen entspricht, und sofern dies nicht der Fall ist, ein Aufforderungssignal 10 zum Erfassen einer korrekten Abbildung erzeugt und an die Ausgabeeinrichtung 3 übermittelt und von dieser ausgegeben wird.
Weiterbildend kann vorgesehen sein, dass mittels der Überprüfungseinrichtung eine
Handlungsaufforderungsinformation 11 zum Herstellen der vorgegebenen Bedingungen abgeleitet wird, wobei das erzeugte Aufforderungssignal 10 die abgeleitete
Handlungsaufforderungsinformation 11 umfasst. Die Handlungsaufforderungsinformation 11 kann beispielsweise eine Aufforderung umfassen, eine Beleuchtungsstärke zu erhöhen, einen Abstand der Kamera 20 zum Kraftfahrzeug zu verringern/zu vergrößern und/oder eine
Auflösung der fotografischen Abbildung zu erhöhen.
Es kann weiter vorgesehen sein, dass die Künstliche Intelligenz 7 auf Grundlage eines
Trainingsdatensatzes trainiert ist oder trainiert wird, der eine Vielzahl von markierten fotografischen Abbildungen zumindest von ausgezeichneten Bereichen und/oder Bauteilen des Kraftfahrzeugs 50 umfasst. Das Trainieren der Künstlichen Intelligenz 7 kann ebenfalls in der Überprüfungseinrichtung 4 erfolgen. Das Trainieren kann jedoch auch unabhängig von der Überprüfungseinrichtung 4 stattfinden, beispielsweise auf einem hierfür vorgesehenen
Rechencluster.
Weiterbildend kann vorgesehen sein, dass zum Bereitstellen von fotografischen Abbildungen, welche als Referenzabbildungen ohne optische Mängel markiert sind oder werden,
fotografische Abbildungen am Ende einer Produktionslinie des Kraftfahrzeugs 50 in einem Herstellerwerk mittels einer Kamera automatisiert erfasst und bereitgestellt werden.
Es kann vorgesehen sein, dass nach einer vorgegebenen Anzahl von Durchläufen des
Verfahrens, eine Referenzmarkierung der bei den Durchläufen jeweils erfassten fotografischen Abbildungen 5 erfolgt, wobei unter Berücksichtigung der referenzmarkierten fotografischen Abbildungen ein weiterer Trainingsdatensatz erstellt wird, und wobei die Künstliche Intelligenz 7 auf Grundlage des weiteren T rainingsdatensatzes erneut trainiert wird. Bezugszeichenliste
System
Nutzereinrichtung
Ausgabeeinrichtung
Überprüfungseinrichtung
fotografische Abbildung
Schnittstelle
Künstliche Intelligenz
Entscheidungssignal
Handlungsempfehlungsinformation
Aufforderungssignal
Handlungsaufforderungsinformation
Kamera
Kraftfahrzeug
Scheinwerfer
Reparaturmanagementsystem

Claims

Patentansprüche
1. Verfahren zum Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug (50), umfassend die Schritte:
Erfassen mindestens einer fotografischen Abbildung (5) der optischen Beanstandung an dem Kraftfahrzeug (50) unter vorgegebenen Bedingungen mittels mindestens einer Kamera (20),
Übermitteln der erfassten mindestens einen fotografischen Abbildung (5) mittels einer Nutzereinrichtung (2) an eine Überprüfungseinrichtung (4),
Klassifizieren der optischen Beanstandung mittels der Überprüfungseinrichtung (4) auf Grundlage der übermittelten mindestens einen fotografischen Abbildung (5), wobei die Überprüfungseinrichtung (4) hierzu ein Verfahren der Künstlichen Intelligenz (7) verwendet,
Erzeugen eines Entscheidungssignals (8) auf Grundlage eines
Klassifizierungsergebnisses mittels der Überprüfungseinrichtung (4),
Übermitteln des erzeugten Entscheidungssignals (8) an eine Ausgabeeinrichtung (3) der Nutzereinrichtung (2),
Ausgeben des übermittelten Entscheidungssignals (8) mittels der Ausgabeeinrichtung (3).
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass das Klassifikationsergebnis und/oder das Entscheidungssignal (8) zumindest eine
Handlungsempfehlungsinformation (9) umfasst, mindestens ein mit der optischen
Beanstandung korrespondierendes Bauteil des Kraftfahrzeugs (50) auszutauschen oder nicht auszutauschen.
3. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass das Erfassen der mindestens einen fotografischen Abbildung (5) und das Ausgeben des Entscheidungssignals (8) bei einem Servicedienstleister für das mindestens eine
Kraftfahrzeug (50) erfolgt, wobei das Klassifizieren mittels der
Überprüfungseinrichtung (4) örtlich getrennt von dem Servicedienstleister erfolgt.
4. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass mittels der Überprüfungseinrichtung (4) überprüft wird, ob die mindestens eine
fotografische Abbildung (5) den vorgegebenen Bedingungen beim Erfassen entspricht, und sofern dies nicht der Fall ist, ein Aufforderungssignal (10) zum Erfassen einer korrekten Abbildung erzeugt und an die Ausgabeeinrichtung (3) übermittelt und von dieser ausgegeben wird.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass mittels der
Überprüfungseinrichtung (4) eine Handlungsaufforderungsinformation (11) zum Herstellen der vorgegebenen Bedingungen abgeleitet wird, wobei das erzeugt
Aufforderungssignal (10) die abgeleitete Handlungsaufforderungsinformation (11) umfasst.
6. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die Künstliche Intelligenz (7) auf Grundlage eines Trainingsdatensatzes trainiert ist oder trainiert wird, der eine Vielzahl von markierten fotografischen Abbildungen zumindest von ausgezeichneten Bereichen und/oder Bauteilen des Kraftfahrzeugs (50) umfasst.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass zum Bereitstellen von
fotografischen Abbildungen, welche als Referenzabbildungen ohne optische Mängel markiert sind oder werden, fotografische Abbildungen am Ende einer Produktionslinie des Kraftfahrzeugs (50) in einem Herstellerwerk mittels einer Kamera automatisiert erfasst und bereitgestellt werden.
8. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass nach einer vorgegebenen Anzahl von Durchläufen des Verfahrens, eine
Referenzmarkierung der bei den Durchläufen jeweils erfassten fotografischen
Abbildungen (5) erfolgt, wobei unter Berücksichtigung der referenzmarkierten
fotografischen Abbildungen ein weiterer Trainingsdatensatz erstellt wird, und wobei die Künstliche Intelligenz (7) auf Grundlage des weiteren Trainingsdatensatzes erneut trainiert wird.
9. System (1) zum Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug (50), umfassend:
mindestens eine Nutzereinrichtung (2) mit einer Ausgabeeinrichtung (3), und
eine Überprüfungseinrichtung (4),
wobei die Nutzereinrichtung (2) derart ausgebildet ist, mindestens eine unter
vorgegebenen Bedingungen mittels einer Kamera (20) von der optischen Beanstandung an dem Kraftfahrzeug (50) erfasste fotografische Abbildung (5) an die Überprüfungseinrichtung (4) zu übermitteln, und
wobei die Überprüfungseinrichtung (4) derart ausgebildet ist, die optische Beanstandung auf Grundlage der übermittelten mindestens einen fotografischen Abbildung (5) zu klassifizieren und hierzu ein Verfahren der Künstlichen Intelligenz (7) zu verwenden, ein Entscheidungssignal (8) auf Grundlage eines Klassifizierungsergebnisses zu erzeugen und das erzeugte Entscheidungssignal (8) an die Ausgabeeinrichtung (3) der mindestens einen Nutzereinrichtung (2) zu übermitteln,
wobei die Ausgabeeinrichtung (3) der Nutzereinrichtung (2) derart ausgebildet ist, das übermittelte Entscheidungssignal (8) auszugeben.
10. Reparaturmanagementsystem (100), umfassend mindestens ein System (1) gemäß Anspruch 9.
EP20703955.3A 2019-03-28 2020-01-31 Verfahren und system zum überprüfen einer optischen beanstandung an einem kraftfahrzeug Pending EP3948746A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019204346.1A DE102019204346A1 (de) 2019-03-28 2019-03-28 Verfahren und System zum Überprüfen einer optischen Beanstandung an einem Kraftfahrzeug
PCT/EP2020/052436 WO2020192985A1 (de) 2019-03-28 2020-01-31 Verfahren und system zum überprüfen einer optischen beanstandung an einem kraftfahrzeug

Publications (1)

Publication Number Publication Date
EP3948746A1 true EP3948746A1 (de) 2022-02-09

Family

ID=69500712

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20703955.3A Pending EP3948746A1 (de) 2019-03-28 2020-01-31 Verfahren und system zum überprüfen einer optischen beanstandung an einem kraftfahrzeug

Country Status (4)

Country Link
EP (1) EP3948746A1 (de)
CN (1) CN113490960A (de)
DE (1) DE102019204346A1 (de)
WO (1) WO2020192985A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114556418A (zh) * 2019-10-28 2022-05-27 3M创新有限公司 自动化车辆修复系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102030A (zh) * 2018-08-23 2018-12-28 阿里巴巴集团控股有限公司 控制在线模型更新的方法及装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4750444B2 (ja) * 2005-03-24 2011-08-17 株式会社日立ハイテクノロジーズ 外観検査方法及びその装置
WO2007074770A1 (ja) * 2005-12-26 2007-07-05 Nikon Corporation 画像解析によって欠陥検査を行う欠陥検査装置
DE102013109915B4 (de) * 2013-09-10 2015-04-02 Thyssenkrupp Steel Europe Ag Verfahren und Vorrichtung zur Überprüfung eines Inspektionssystems zur Erkennung von Oberflächendefekten
WO2016158873A1 (ja) * 2015-03-31 2016-10-06 日新製鋼株式会社 溶融めっき鋼板の表面欠陥検査装置および表面欠陥検査方法
GB2544324A (en) * 2015-11-13 2017-05-17 Cathx Res Ltd Method and system for processing image data
CA2956780A1 (en) 2016-02-01 2017-08-01 Mitchell International, Inc. Methods for improving automated damage appraisal and devices thereof
US10511676B2 (en) * 2016-03-17 2019-12-17 Conduent Business Services, Llc Image analysis system for property damage assessment and verification
CN106504248B (zh) * 2016-12-06 2021-02-26 成都通甲优博科技有限责任公司 基于计算机视觉的车辆损伤判别方法
CN107607554A (zh) * 2017-09-26 2018-01-19 天津工业大学 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法
CN108985343B (zh) * 2018-06-22 2020-12-25 深源恒际科技有限公司 基于深度神经网络的汽车损伤检测方法和系统
CN109064454A (zh) * 2018-07-12 2018-12-21 上海蝶鱼智能科技有限公司 产品缺陷检测方法及系统
CN109239073B (zh) * 2018-07-28 2020-11-10 西安交通大学 一种用于汽车车身的表面缺陷检测方法
CN109145903A (zh) * 2018-08-22 2019-01-04 阿里巴巴集团控股有限公司 一种图像处理方法和装置
CN109461149A (zh) * 2018-10-31 2019-03-12 泰州市创新电子有限公司 喷漆表面缺陷的智能检测系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102030A (zh) * 2018-08-23 2018-12-28 阿里巴巴集团控股有限公司 控制在线模型更新的方法及装置

Also Published As

Publication number Publication date
WO2020192985A1 (de) 2020-10-01
CN113490960A (zh) 2021-10-08
DE102019204346A1 (de) 2020-10-01

Similar Documents

Publication Publication Date Title
DE102019211016A1 (de) Erkennung von Hands-off-Situationen durch maschinelles Lernen
DE102017200855A1 (de) Verfahren und System zur Diagnose von Komponenten eines Fahrzeugs
DE102019208149A1 (de) Nozzle Health mit neuronalem Netz
DE102018209595A1 (de) Verfahren zum automatischen Bestimmen eines Straßenzustands
DE102017210787A1 (de) Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
DE10323390A1 (de) Telediagnose-Viewer
EP3776507A1 (de) Verfahren zum einrichten bildgebender sensoren, computer-programm-produkt zum einrichten bildgebender sensoren, sensoreinrichtungssystem und anlage
WO2020192985A1 (de) Verfahren und system zum überprüfen einer optischen beanstandung an einem kraftfahrzeug
DE102024117595B4 (de) Verfahren und vorrichtung zur risikokontrolle bei der bewertung von fahrzeugunfallschäden, elektronisches gerät und speichermedium
DE102018212249A1 (de) Verfahren, System und elektronische Recheneinrichtung zum Überprüfen von Sensoreinrichtungen von Fahrzeugen, insbesondere von Kraftfahrzeugen
EP3921810B1 (de) Verfahren und vorrichtung zum automatisierten identifizieren eines produktfehlers eines produkts und/oder zum automatisierten identifizieren einer produktfehlerursache des produktfehlers
DE102005040142A1 (de) Verfahren zur Identifikation komplexer Diagnosesituationen im Kundendienst
DE102016011856A1 (de) Verfahren zur Auswahl eines Fahrzeugs aus einer Menge möglicher Fahrzeuge per Fernzugriff
EP4075220B1 (de) Vorrichtung und verfahren zur identifizierung von veränderungen an einer maschinenanordnung
DE10315344B4 (de) Verfahren und Vorrichtung zur Erkennung fehlerhafter Komponenten in Fahrzeugen
DE102022127214A1 (de) Systeme und Verfahren zum Überwachen einer Verschlechterung einer Masseleitung von an einen Kommunikationsbus gekoppelten elektrischen Vorrichtungen
DE102013020550A1 (de) Verfahren und Einrichtung zur Datenkommunikation in Fahrzeugen, insbesondere in Kraftfahrzeugen
DE102019109067B4 (de) Entscheidungsfindungsmodul zum automatischen Bereitstellen von Handlungsempfehlungen
DE102019218127B4 (de) Verfahren und Vorrichtung zum optimalen Bereitstellen von KI-Systemen
DE102024104124B4 (de) Diagnosesystem für ein Fahrzeug
DE102019103192A1 (de) Verfahren zum Erzeugen von Trainingsdaten für ein digitales, lernfähiges Kamerasystem
DE102020131777A1 (de) Verfahren und Vorrichtung zur Ermittlung des Zustands einer Ladeeinheit
DE102024135112A1 (de) Verfahren und vorrichtung zur prognose von fehlerzuständen in fahrzeugen anhand von feldbeschwerdedaten
WO2025061475A1 (de) Verfahren zur herstellung eines kraftfahrzeugs
DE102019126597B4 (de) Verfahren, Vorrichtung, Computerprogramm und computerlesbares Speichermedium zur Analyse eines mechatronischen Systems

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20211028

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20231110