Detektion von Oberflächen­fehlern auf Membranfedern

Ziel des Projekts war die Detektion von Oberflächenfehlern auf Membranfedern mittels eines Machine Learning-Ansatzes. So sollte die Detektion der Fehler automatisiert werden, um die aktuell eingesetzte, manuelle Sichtprüfung zu ersetzen. Auf diese Weise werden Materialbeschädigungen effizienter und zuverlässiger identifiziert.

Materialbeschädigungen mit Deep Learning entgegenwirken

Kratzer, Spanabdrücke und Materialaufplatzungen sind häufige Fehler auf Membranfedern. Durch Fertigungsprozess der Blechumformung kann es zu Spanabdrücken oder ähnlichen Beschädigungen auf der Membranfederbauteiloberläche kommen. Mit analytischen Methoden, wie z.B. der Filterung oder der morphologischen Verarbeitung, werden Fehler nicht ausreichend detektiert, weil deren Merkmalsausprägung sehr unterschiedlich ist. Um dieses Problem zu lösen, kommen im Rahmen des Projekts Deep Learning Methoden zum Einsatz. Die Untersuchung einer großen Datenmenge befähigt das Modell zur Detektion von Oberflächenfehlern.

Projektablauf

Zunächst sammelten die ZF-Experten die Prüfdaten der Membranfedern und klassifizierten sie nach der Art des Defekts vor. Als Nächstes markierte das IPA die Defekte, um für das Training nutzbare Datensätze zu generieren. Verschiedene modernste Deep Learning Modelle wurden verwendet und deren Anpassung an die Problemstellung verglichen. Das Ergebnis zeigte, dass U-Net die beste Übereinstimmung für die Aufgabe besitzt. Durch eine Anpassung der Parameter des ursprünglichen U-Net-Modells konnte schließlich ein zuverlässiges Modell für diese Aufgabe abgeleitet werden.