- 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

News

Weitere Beiträge

Das könnte Sie auch interessieren

KI-Vorreiter führen ihre KI-Initiativen trotz Corona unbeirrt fort

Unternehmen, die beim Thema künstliche Intelligenz (KI) führend sind, zeigen sich von der Corona-Pandemie unbeeindruckt: 78 Prozent der KI-Vorreiter unter den Unternehmen führen ihre KI-Initiativen wie vor der Pandemie fort, 21 Prozent haben deren Umsetzung sogar beschleunigt. Unter den Unternehmen, die KI noch nicht skalierbar einsetzen, fahren hingegen 43 Prozent ihrer Investitionen zurück und 16 Prozent haben ihre KI-Initiativen eingestellt. In Deutschland haben 44 Prozent der Unternehmen keine Änderungen vorgenommen, 8 Prozent die Geschwindigkeit erhöht und 19 Prozent ihre Initiativen aufgrund der unsicheren Lage eingestellt. Weiterhin verzeichnen Unternehmen mit skalierbaren KI-Anwendungen messbare Erfolge bei der Absatzsteigerung und der Reduzierung von Sicherheitsrisiken und Kundenbeschwerden. Zu diesen und weiteren Ergebnissen kommt die Studie ‚The AI Powered Enterprise: Unlocking the potential of AI at scale‘, für die 950 Unternehmen aus elf Ländern und elf Branchen befragt wurden.

mehr lesen

KI übernimmt Arbeit von Software-Ingenieuren

Für selbstadaptive Software gibt es heute unzählige Anwendungsmöglichkeiten. Doch die Entwicklung der Systeme stellt Software-Ingenieure vor neue Herausforderungen. Wissenschaftler vom Softwaretechnik-Institut Paluno an der Universität Duisburg-Essen (UDE) haben jetzt vielversprechende Ergebnisse mit neuartigen Verfahren der künstlichen Intelligenz (KI) erzielt, die den Entwicklungsprozess selbstadaptiver Systeme automatisieren.

mehr lesen

Wie wird künstliche Intelligenz zum Standardwerkzeug für den Mittelstand?

Das Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU möchte zusammen mit den produzierenden Unternehmen des Mittelstands die entscheidende Barriere für die Anwendung künstlicher Intelligenz überwinden: Die Köpfe sind überzeugt, aber die Umgestaltung der Produktionsanlagen und -prozesse in den Fabriken stockt. Deshalb arbeiten die Forscherinnen und Forscher an einem systematischen Leitfaden, mit dem KI zum Standardwerkzeug werden soll, das bessere Produkte mit geringerem Ressourceneinsatz ermöglicht. Erste Ergebnisse sind vielversprechend.

mehr lesen

Leistungsstarkes KI-System am KIT installiert

Als ein Werkzeug der Spitzenforschung ist künstliche Intelligenz (KI) heute unentbehrlich. Für einen erfolgreichen Einsatz – ob in der Energieforschung oder bei der Entwicklung neuer Materialien – wird dabei neben den Algorithmen zunehmend auch spezialisierte Hardware zu einem immer wichtigeren Faktor. Das Karlsruher Institut für Technologie (KIT) hat nun als erster Standort in Europa das neuartige KI-System NVIDIA DGX A100 in Betrieb genommen. Angeschafft wurde es aus Mitteln der Helmholtz Artificial Intelligence Cooperation Unit (HAICU).

mehr lesen

Machine Learning einfach gemacht

Seit einigen Jahren schon werden die Fantasien der Ingenieure und Anlagenbauer beflügelt durch die Möglichkeiten von KI- und Machine-Learning-Algorithmen. Klingt zwar zunächst sehr kompliziert, bietet aber konkrete Vorteile für die smarte Fabrik. Maschinen und Anlagen bzw. Produktionsprozesse erzeugen kontinuierlich Daten. Erfolgreich werden zukünftig Unternehmen sein, denen es gelingt, Mehrwert aus diesen Daten zu generieren.

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.