Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
2 8 | w w w c o m p u t e r - a u t o m a t i o n d e 10 -24 Vi s u e l l e In s p e k t i o n Herausforderung Elektrobatterie von Rudolf Schambeck Die Herstellung von Elektrobatterien birgt viele Fallstricke Um diesen zu entgehen bietet sich die visuelle Inspektion mit Hilfe von Deep-Learning-Software 3D-Scannern und bildverarbeitungsgesteuerten Robotern an Eine Vereinfachung der Herstellung von Elektrobatterien und -fahrzeugen ist für die Automobilindustrie enorm wichtig Hersteller Rivan konnte eine Vielzahl an Arbeitsschritte bei der Batterieherstellung einsparen Material bei der Konstruktion reduzieren und so die Kosten senken Möglich wird das vor allem durch industrielle Bildverarbeitung mit Deep Learning und 3D-Sensoren Bei der visuellen Inspektion in der Batterieherstellung prüft KI-Technologie beispielsweise die Gleichmäßigkeit der Oberflächenbeschichtung erkennt Defekte in Zellen und liest Barcodes und Seriennummern Sie sorgt für die konsistente Positionierung und Anwendung von Klebstoffen und thermischen Perlen und sichert durch den Einsatz bildverarbeitungsgesteuerter Robotik auch die Qualität der Montage von Batteriepacks Vorbereitung und Bewertung neuronaler Netze Einige moderne Lösungen für die maschinelle Bildverarbeitung richten sich an Datenwissenschaftler und bieten fertige Studio-Umgebungen und Tools Andere erfordern die Zusammenarbeit von Programmierern und Ingenieuren Grundsätzlich sind moderne Lösungen einfacher zu bedienen als ältere Systeme was an den besseren Benutzeroberflächen und besserer Interoperabilität zwischen Software Hardware und Upgrades durch Abonnements liegt Fortschrittliche Bildverarbeitungssoftware verfügt zudem über Deep Learning-Tools die für höhere Inspektionsstufen erforderlich sind und komplexere Anwendungsfälle besser bewältigen können Neuronale Netze für Deep Learning insbesondere faltende neuronale Netze sind fortschrittliche KI-Tools die das menschliche Gehirn nachahmen Ihre Anwendung erfordert allerdings sachkundige Vorbereitung des Datenmaterials Dabei muss unter anderem die Vermischung von Trainingsund Testdatensätzen ebenso berücksichtigt werden wie mehrdeutige und inkonsistente Datenannotation sowie Umweltfaktoren Im Vergleich zur menschlichen Leistung und zur regelbasierten maschinellen Bildverarbeitung können neuronale Netze in manchen Bereichen überragende Leistungen erbringen – etwa beim Detektieren von Oberflächenfehlern beim Erkennen und Zählen von Objekten beim Lesen schwieriger Zeichen und beim Erkennen unerwarteter Abweichungen von zuvor gesehenen Objekten Entscheidend für die Bewertung der Leistung der Modelle ist die Auswahl der richtigen Metriken Die grundlegendste Metrik ist die Genauigkeit die Anzahl der korrekten Klassifizierungen geteilt durch die Anzahl aller Klassifizierungen Doch diese Metrik eignet sich möglicherweise nicht für unausgewogene Datensätze Besser geeignet sind stattdessen Metriken wie der F1-Score für die Klassifizierung oder die durchschnittliche Genauigkeit für Erkennungsaufgaben Als Faustregel gilt dass es besser ist Metriken zu vermeiden die sich auf die Gegenüberstellung der Rate der echten Positiven und der Falsch-Positiven stützen Denn Die daraus resultierenden Zahlen können irreführend optimistisch sein – insbesondere wenn die Zahl der echten Negativen hoch ist Sofort einsatzbereit Deep Learning OCR Manche Lösungen für die maschinelle Bildverarbeitung sind sofort einsatzbereit und erfordern keine besonderen Vorkenntnisse wie etwa die optische Zeichenerkennung