- Anzeige -
- 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 Prozent 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: Maximilian Topp, CTO, sentin GmbH
Firma: sentin GmbH
www.sentin.ai
- Anzeige -

News

- Anzeige -

Weitere Beiträge

Das könnte Sie auch interessieren

Wie KI in der Krise Wirtschaftsleistung unterstützen kann

Künstliche Intelligenz hat einen großen Einfluss auf die Zeit in der Corona-Krise, aber auch nach der Krise ist sie sehr hilfreich. Claudia Bünte ist Expertin auf dem Gebiet der KI und Professorin für ‚International Business Administration‘ mit Schwerpunkt Marketing an der SRH in Berlin. 2016 gründete sie die Marketingberatung ‚Kaiserscholle – Center of Marketing Excellence‘ und berät Top-Manager in Kernfragen der Markenführung und des Marketings.

mehr lesen

Digitalisierung und künstliche Intelligenz optimieren Prozessanlagen

Digitalisierung und künstliche Intelligenz (KI) eröffnen auch in der Prozessautomatisierung Perspektiven für Einsparungen in allen Phasen des Lebenszyklus einer Anlage. Schon verfügbar ist ein digitales Feldgerät, das Festo Motion Terminal VTEM. Auch Dashboards von Festo visualisieren Anlagenzustände und selbst künstliche Intelligenz ist in der Prozessautomatisierung keine ferne Zukunftsmusik mehr.

mehr lesen

Künstliche Intelligenz gezielt in der Wertschöpfung einsetzen

Die Wettbewerbsfähigkeit deutscher produzierender Unternehmen hängt heute mehr denn je von der Fähig-keit ab, komplexen Herausforderungen wie volatilen Märkten effektiv zu begegnen. Insbesondere im industri-ellen Kontext ergeben sich durch eine stetig wachsende Datenverfügbarkeit sowie verbesserte Analysemög-lichkeiten erhebliche Potenziale: „Artificial Intelligence“ (AI), zu Deutsch „Künstliche Intelligenz“ (KI), ermög-licht die Verarbeitung großer Datenmengen und kann dabei helfen, Prognosen abzuleiten und die Entschei-dungsfindung zu erleichtern. Um diese Potenziale abrufen zu können, müssen Unternehmen befähigt wer-den, Künstliche Intelligenz in der Wertschöpfung gezielt einzusetzen.

mehr lesen

Quantensprung für die künstliche Intelligenz

Quantencomputer werden die künstliche Intelligenz und das Maschinelle Lernen tiefgreifend verändern und völlig neue Anwendungsmöglichkeiten erschließen. In einer Studie erläutern Experten der Fraunhofer-Allianz Big Data und künstliche Intelligenz gemeinsam mit wissenschaftlichen Partnern, wie Quantencomputer Verfahren des Maschinellen Lernens beschleunigen können und welche Potenziale ihr Einsatz in Industrie und Gesellschaft mit sich bringen wird. Die Studie stellt grundlegende Konzepte und Technologien des Quantencomputings vor, analysiert die aktuelle Forschungs- und Kompetenzlandschaft und zeigt Marktpotenziale auf.

mehr lesen

KI-Studie 2020: Das Fremdeln des Top-Managements mit KI

Künstliche Intelligenz ist eine wichtige Technologie, von der sich Unternehmen handfeste Wettbewerbsvorteile versprechen. Das ist das Ergebnis einer aktuellen Studie des IT-Dienstleisters Adesso unter Führungskräften. Konkrete Projekte haben allerdings bislang nur wenige Firmen umgesetzt. Besonders zurückhaltend zeigt sich bei dem Thema das Top-Management.

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.