- Anzeige -
Schweißnahtanalyse von Röntgenbildern mittels Deep Learning
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 […]

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

sentin GmbH
www.sentin.ai
- Anzeige -

Das könnte Sie auch Interessieren

Bild: Sick AG
Bild: Sick AG
KI per Cloud 
für Sick-Geräte

KI per Cloud für Sick-Geräte

Bild: Sick AG DStudio ist ein Webdienst von Sick, mit dem neuronale Netze trainiert werden können, die für verschiedene Sick-Geräte ausgelegt sind. Durch die einfache Benutzeroberfläche ist die Nutzung auch ohne fundierte KI-Kenntnisse möglich. Fortschritt und Erfolg...

Bild: Edag Group
Bild: Edag Group
Edag Tech Summit 2020

Edag Tech Summit 2020

Bild: Edag Group Der in den letzten 10 Monaten entwickelte fahrbare Prototyp zeigt das Potential der CityBots anschaulich am Anwendungsfall der Abfallbeseitigung auf. Dank künstlicher Intelligenz und Machine Learning haben Edag-Experten eine Objekterkennung...