Erkennung von Anomalien auf Stahloberflächen

Ersetzen eines arbeitsintensiven manuellen Inspektionsprozesses

Das JLI-Schienenoberflächeninspektionssystem ist ein Beispiel für ein System, das einen Prozess ersetzt, bei dem zuvor eine Reihe von Mitarbeitern jedes Bild visuell auf Anomalien auswerten musste.

Diese Arbeit erfordert ein hohes Maß an Konzentration und kann sehr mühsam sein.
Eine Lösung mit maschinellem Lernen auf der Schienenoberflächeninspektion ist sehr sinnvoll, wenn es um robuste, sich wiederholende Inspektionen im laufenden Betrieb geht.

Ein Netzwerk, das einen großen Datenfluss verarbeiten kann

JLI entwickelte ein Netzwerk, das mit dem Output des Oberflächeninspektionssystems für Schienen arbeiten konnte.

Das Netzwerk wurde anhand einer großen Anzahl von kommentierten Anomalien trainiert und an über 10.000 Bildern getestet, um eine niedrige Falschrückweisungsrate und eine hohe Erkennungsrate zu gewährleisten.
Es ist von großer Bedeutung, dass ein maschinelles Lernnetzwerk in der Lage ist, den großen Datenfluss zu bewältigen - in diesem Fall die Live-Bilder von 6-Megapixel-Kameras.

Das Hardware-Design nutzt eine GPU, um den Algorithmus lokal zu beschleunigen. Bei Bedarf kann es mit weiteren GPUs skaliert werden.

JLI hat sich dafür entschieden, das maschinelle Lernnetzwerk lokal auszuführen, um jegliche Latenz bei der Ausführung zu vermeiden.

Eine Erkennungsrate von über 95%

Die Erkennungsrate des Systems liegt bei über 95 %, was besser und konsistenter ist als die bisherige manuelle Prüfung.

Fehlerhafte Bilder werden zur Überprüfung durch einen Bediener gespeichert, der dann entscheiden kann, wie mit den Fehlern umzugehen ist.

Ein Frühwarnsignal kann ausgelöst werden, wenn wiederkehrende prozessbedingte Fehler entdeckt werden.

Diese Funktion ermöglicht es dem Bediener, das Anomaliennetzwerk als Werkzeug zur Verbesserung der Produktionsausbeute und zur Steigerung des Durchsatzes an Gutteilen zu nutzen.