- Anzeige -
- Anzeige -
- Anzeige -
Lesedauer: 0min
Schweißnahtanalyse von Röntgenbildern mittels Deep Learning

Nov 8, 2019 | Technologie

Mithilfe von KI und Deep Learning entwickelt die Firma Sentin einen digitalen Prüfassistenten zur Bewertung von Röntgenbildern mit Aufnahmen von Schweißnähten, der eine objektive Bewertung der Daten ermöglicht.

Bild: Sentin GmbH

Bei der zerstörungsfreien Werkstoffprüfung (ZfP) mit Röntgenstrahlen kann ein Blick ins Innere von Bauteilen geworfen werden, sodass kritische Stellen frühzeitig erkannt und repariert werden können. Ein besonderer Anwendungsfall für diese Methode ist die Prüfung von Schweißnähten bei Rohren. Dortige Risse sind in Anlagen oder Pipelines besonders kritisch für den Betrieb. Um dabei die Sicherheit zu gewährleisten, werden diese vor der Inbetriebnahme und auch danach in regelmäßigen Abständen geprüft. Speziell ausgebildete Prüfer nehmen dazu Röntgenbilder auf und werten diese aus. Bei einem Pipelineprojekt entstehen so viele Tausend Bilder, die häufig – wie bei einem Arzt -vor einen Lichtkasten gehalten, bewertet und in einen Prüfbericht aufgenommen werden. Dieser Bewertungsprozess von sogenannten Ungänzen ist eine hochkomplexe Aufgabe, dessen Qualität von der Erfahrung des Prüfers abhängt. Bei kritischen Fällen ist eine eindeutige Bewertung auch nicht immer möglich. Eine gern zitierte Aussage der Branche ist daher: Zwei Prüfer. Drei Meinungen. Bei einer Anlage können so pro Woche 2.500 Bilder entstehen und jedes wird bis zu 7 Minuten ausgewertet. Ein Prüfer kann sich am Stück ca.30min Bilder ansehen, bis er kurz pausieren muss. Eine weitere häufig bemühte Aussage ist allerdings auch: Nach 15min sieht man Dinge, die gar nicht da sind.

Digitaler Prüfassistent mit KI

Die Sentin GmbH hat es sich zur Aufgabe gemacht, die Fehlererkennung bei visuellen und bildbasierten Prüfungen mit Deep Learning zu automatisieren. Sie entwickelt einen digitalen Prüfassistenten in Zusammenarbeit mit Applus+ RTD, einem weltweit führenden Dienstleistungsunternehmen der ZfP im Energiesektor, und Visus Industry IT, Anbieter einer industriellen Bildmanagementsoftware (JiveX). Der größte Vorteil dieses Systems ist eine objektive Meinung und mehr Zeit für kritische Fälle. Die zunehmend digitaler werdende Prüfung soll dabei durch die automatische Erkennung von Ungänzen beschleunigt werden. Allerdings stößt die regelbasierte Bilderverarbeitung aufgrund der komplexen Fehlerbilder der Schweißnähte schnell an ihre Grenzen. Das Team von Sentin verwendet daher Deep Learning, um die Bilder zu analysieren. Ein Problem bei der Bewertung sind die verschiedene Helligkeitsstufen, die sich über die manuelle Bildaufnahme ergeben, sowie die Größe von Fehlstellen. Bei manchen Kontrastverhältnissen fällt es Prüfern teilweise schwer, einen kleinen Punkt oder Fleck richtig zu deuten bzw. die richtigen Bildverhältnisse herzustellen, um eine Bewertung vornehmen zu können. Studien zur Bewertung von Röntgenbildern aus dem Medizinbereich haben aber bereits gezeigt, dass Deep-Learning-Methoden schneller und über 20% genauer Bilder bewerten als menschliche Experten.

Training der Algorithmen

Bei der Entwicklung eines Deep-Learning-Modells müssen verschiedene Fehlertypen antrainiert werden, die das System dann automatisch lernt. Eine Schweißnaht kann innere und äußere Fehler aufweisen, die in ca. zehn Kategorien eingeteilt werden. Einige sind z.B. Risse, Poren, unvollständige Durchdringung, Spritzer oder Einschlüsse. Durch richtig klassierte Daten, die mit Bounding Boxes (Markierungen, wo im Bild der Fehler liegt) versehen sind, lernt das System, wie ein Mensch der viele Tausend Bilder gesehen hat, wie eine gute Schweißnaht aussieht. Danach kann es eigenständig solche Fehler finden und markieren. Für das Training gilt: je mehr Daten zur Verfügung stehen, desto besser. Durch sogenanntes Transfer Learning, bei dem ein Modell, dass bereits eine ähnliche Aufgabenstellung lösen kann, als Ausgangspunkt genutzt wird, kann bereits mit wenigen dutzend Beispielen ein hochgenaues Modell trainiert werden. So lassen sich die Modelle schnell auch auf z.B. Risse oder Kratzer auf metallischen Oberflächen von Produkten in der Qualitätssicherung umtrainieren. Beim Training ist darauf zu achten, dass die Rate der falsch-negativen Klassierungen (übersehene Fehler) möglichst gering ist. Für einen Anwendungsfall aus dem Luftfahrtbereich haben die entwickelten Modelle bereits eine Genauigkeit von über 99,9 Prozent erreicht.

Seiten: 1 2Auf einer Seite lesen

Autor:
Firma:

News

Weitere Beiträge

Das könnte Sie auch interessieren

KI-Studie: Unternehmen gewichten Technologie und Qualifizierung gleich

Unternehmen mit KI-Projekten sind dann am erfolgreichsten, wenn die Qualifizierung der eigenen Mitarbeiter den gleichen Stellenwert wie Investitionen in intelligente Technologien hat. Dazu gehört auch das Schaffen einer Lernkultur, die diese Qualifizierungsmassnahmen trägt. Das ist das Kernergebnis einer im Auftrag von Microsoft durchgeführten internationalen Studie. In einer Datenanalyse wurden dafür rund eine halbe Million englischsprachiger Beiträge ausgewertet und zusätzlich im März 2020 Interviews mit rund 12.000 Fach- und Führungskräften aus 20 Ländern geführt.

mehr lesen

Startups für KI und das Internet der Dinge

Vinci Energies in Deutschland reagiert auf den digitalen Wandel mit einem Ausbau der eigenen Startup-Offensive: dem Digitalschmiede Startup-Radar. Ziel der Initiative ist es, DACH-weit Startups zu identifizieren, die durch innovative Technologien und Lösungen das Leistungsspektrum der Vinci Energies Marken ergänzen können. Als Systemintegrator setzt Vinci Energies auf enge Kooperationen mit jungen Firmen, um ihre Expertise in Kundenprojekte einzubinden und so ein innovatives Ökosystem zu schaffen, das Kundenunternehmen bei immer komplexer werdenden Anforderungen unterstützt. Unter anderem sind Hellsicht und S O NAH schon Teil dieser Kooperation, die insgesamt bereits mehr als 20 feste Startup-Partnerschaften umfasst.

mehr lesen

Künstliche Intelligenz direkt an die Maschine bringen

Bisher haben industrielle Anwendungen der künstlichen Intelligenz (KI) aufgrund von Latenzzeiten und hohen Datenmengen bei der Cloudanbindung nur bedingt überzeugt. Entscheidend ist darum, KI direkt an die Maschine zu bringen und dort – direkt an der Quelle – Daten in Echtzeit zu interpretieren. Mit der Plattform Scraitec tut der KI-Spezialist Resolto genau dies, beispielsweise bei einem Haushaltsgeräte- oder Automobilhersteller.

mehr lesen

Teil 3 – Wie effizient ist das autonome System?

Die Arbeitsgemeinschaft Autonome Systeme der VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik hat zehn Grundsatzfragen zum Thema künstliche Intelligenz und autonome Systeme formuliert. Den Diskurs zu diesen Kernfragen im Umgang mit KI bildet die IT&Produktion einer Artikelserie ab. In diesem Interview erörtert Dr. Eckhard Roos, Leiter Industry Segment Management Process Automation bei Festo und Mitglied des Vorstands der VDI/VDE-GMA, wie effizient ein autonomes System ist.

mehr lesen

Schutz der Privatsphäre und KI in Kommunikationssystemen

Alle zwei Jahre vergeben der VDE, die Deutsche Telekom sowie die Städte Friedrichsdorf und Gelnhausen den mit 10.000 Euro dotierten Johann-Philipp-Reis-Preis an einen Nachwuchswissenschaftler. Dieses Jahr geht er an Prof. Dr.-Ing. Delphine Reinhardt von der Georg-August-Universität Göttingen und an Dr.-Ing. Jakob Hoydis von den Nokia Bell Labs in Nozay, Frankreich. Die beiden Preisträger teilen sich die Auszeichnung und damit das Preisgeld.

Infor bringt Infor Coleman AI auf den Markt

Infor, Anbieter von branchenspezifischer Business-Software für die Cloud, hat bekanntgegeben, dass die Plattform Infor Coleman AI für Embedded-Machine-Learning-Modelle ab sofort verfügbar ist. Sie bietet die Geschwindigkeit, Wiederholbarkeit und Personalisierung, die Unternehmen benötigen, um KI vollständig zu operationalisieren.