Deep Learning and Quality Control

Kristina Preuer
Dec 3, 2019 9:34:43 AM

In meinem letzten Betrag habe ich erklärt, dass sich künstliche Intelligenz durch Deep Learning stark verbessern konnte, jedoch noch nicht genauer erläutert, was Deep Learning eigentlich ist. In diesem Beitrag werde ich daher zuerst Deep Learning erklären und Ihnen zeigen, dass sich hinter diesem Buzzword nichts verbirgt, was nicht jedermann in den Grundzügen verstehen kann. Anschließend zeige ich, was man mit dem Einsatz von Deep Learning in der Qualitätskontrolle erreichen kann.

Deep Learning ist eine Machine Learning Methode. Bei Machine Learning werden Modelle erstellt, die Informationen verarbeiten können und basierend auf diesen Informationen gewisse Schlüsse ziehen und Ergebnisse liefern. So kann ein Machine Learning Modell zum Beispiel dazu verwendet werden, um Fehler auf Produkten zu erkennen. In diesem Fall sind die Bilder der Produkte die Informationen, anhand welcher das Modell entscheidet, ob das Produkt einwandfrei ist oder nicht.

Bei Deep Learning kommen mehrschichtige neuronale Netze als Modelle zum Einsatz. Ein neuronales Netz ist im Grunde nichts anderes, als eine mathematische Funktion. Eine simple Funktion ist zum Beispiel y = 3x + 9. In diesem Beispiel gibt es einen Input (x), einen Output (y) und zwei Funktionsparameter (3 und 9). Eine Funktion nimmt also einen Input an und verarbeitet diesen anhand von Funktionsparametern zu einem Output. Genau das gleiche passiert bei neuronalen Netzen.

So simpel es auch klingt, aber hinter Deep Learning verbirgt sich nichts anderes. Zwar ist die mathematische Funktion, die hinter einem neuronalen Netz steckt, komplexer und besteht aus mehreren Millionen von Parametern, jedoch bleibt das Prinzip das gleiche wie bei unserem simplen Beispiel. Das Ziel bei Machine Learning ist es, herauszufinden, welche Parameter man verwenden muss, um die Input Informationen zu einem richtigen Ergebnis zu verarbeiten.

Es wäre für einen Menschen unmöglich, die Millionen von Parametern, die ein neuronales Netz nutzt, einzeln festzulegen. Daher stellen Deep Learning Modelle diese Parameter selbstständig während des sogenannten Trainingsprozesses ein. Um die richtigen Werte zu finden, benötigen neuronale Netze Daten, d.h. Input – Output Paare. Umso mehr Daten zur Verfügung stehen, umso besser können Deep Learning Modelle die Zusammenhänge zwischen Inputs und Outputs lernen und folglich auch in der Zukunft für neue Inputs die richtigen Outputs liefern.

Deep Learning kann in vielen Bereichen, wie automatische Übersetzungen, Spracherkennung und sogar in der Medikamentenforschung eingesetzt werden. In der automatisierten Qualitätssicherung wird Deep Learning jedoch zumeist in der Bildverarbeitung eingesetzt, da viele Qualitätsaspekte visuell erkannt werden können. So können zum Beispiel verschiedene Stahldefekte mit Deep Learning erkannt werden.

Bei der Erkennung von Stahldefekten können neuronale Netze über 95% der Fehler erkennen. Der Einsatz dieser Netze bringt eine Vielzahl von Vorteilen für ein stahlproduzierendes Unternehmen mit sich. Erstens bedarf es nur sehr wenig bzw. kein menschliches Eingreifen nach dem erfolgreichen Trainingsprozess. Weiters kann die optische Qualitätssicherung direkt in die Produktion eingebunden werden, dadurch können Fehler direkt dort erkannt werden wo sie entstehen und folglich auch zeitnahe eingegriffen werden. Ein weiterer Vorteil ist die leichte Skalierbarkeit, denn ein neuronales Netz kann auf mehreren Maschinen eingesetzt werden und in mehreren Werken. Dieser übergreifende Einsatz verringert nicht nur die Entwicklungskosten pro Maschine/Werk, sondern stellt auch einen einheitlichen Standard her, da die optische Qualitätssicherung nicht mehr durch das subjektive Empfinden beeinflusst wird. Abschließend ist ein neuronales Netz nicht nur ein verlässliches Qualitätssicherungswerkzeug, sondern kann auch die Datenbasis für eine Produktionsoptimierung liefern. Denn nur wenn wir wissen wo, wann, welche und wieviele Fehler passieren, können wir der Frage nachgehen warum diese Fehler passieren und diesen entsprechend vermeiden.

You May Also Like

These Stories on Data Science

Subscribe by Email

No Comments Yet

Let us know what you think