Zusammenfassung
Die Röntgen-Computertomographie (R-CT) hat sich unter den zerstörungsfreien Prüfverfahren zur Inspektion der Produktqualität bereits einen festen Platz erworben. Aufgrund der ausführlichen, hochauflösenden Abbildung von relevanten Bauteilregionen weist die R-CT ein enormes Potenzial zur Lösung aktueller sowie zukünftiger Prüfaufgaben auf. Dementgegen stehen jedoch häufig die im Vergleich zu anderen Prüfverfahren höheren Kosten, welche sich aus den Anlageninvestitionen, der Scanzeit sowie der anschließenden Analyse- und Bewertungszeit ergeben. Als Dienstleiter im Bereich der R-CT ist die Microvista GmbH spezialisiert auf die Entwicklung automatisierter Analyse- und Bewertungsroutinen für CT-Schichtbilder. Der Einsatz von Methoden des maschinellen Sehens insbesondere für qualitative Bewertungen, welche meist noch durch einen Prüfer durchgeführt werden, wird dabei nicht nur als ein wesentlicher Schritt zur Reduktion der Inspektionskosten gesehen, sondern auch um den Bewertungsprozess objektiver und damit zuverlässiger zu gestalten. Im Folgenden sollen die damit einhergehenden Herausforderungen, insbesondere der Umgang mit nur wenigen Trainingsbeispielen, sowie die erzielten Ergebnisse an einem Praxisbeispiel – der Fehlererkennung in einem Wassermantel – vorgestellt werden.
Abstract
X-ray computer tomography (R-CT) has already gained a well-established place among non-destructive testing methods for the inspection of product quality. Due to the detailed, high-resolution imaging of relevant component regions, the R-CT has enormous potential for solving current and future inspection tasks. On the other hand, there are often higher costs in comparison to other testing methods, which result from the investment in equipment, the scanning time as well as the subsequent analysis and evaluation time. As a service provider in the field of R-CT, Microvista GmbH specializes in the development of automated analysis and evaluation routines for CT layer images. The use of computer vision methods, especially for qualitative evaluations, which are usually carried out by an inspector, is not only seen as an essential step towards reducing inspection costs, but also to make the evaluation process more objective and thus more reliable. In the following, the associated challenges, in particular the handling of only a few training examples, as well as the results achieved will be presented using a practical example – fault detection in a water jacket.
About the authors
Robin Höhne hat sein Maschinenbau-Studium 2012 an der Technischen Universität Dresden abgeschlossen und war anschließend am Institut für Leichtbau und Kunststofftechnik im Bereich Funktionsintegration tätig. Seit Januar 2019 arbeitet er als Entwicklungsingenieur bei der Microvista GmbH. Sein Hauptaufgabengebiet umfasst den Einsatz von Methoden des maschinellen Lernens zur Auswertung von CT-Schichtbildern.
Prof. Dr.-Ing. Lutz Hagner ist seit 2008 Geschäftsführer der Microvista GmbH in Blankenburg (Harz) und befasst sich auch im Rahmen seiner Tätigkeit als Dozent an der Hochschule Harz in Wernigerode und der Technischen Universität Otto-von-Guericke Magdeburg mit dem Thema der Industriellen Computertomographie. Seit 1990 ist er bereits Geschäftsführer der NetCo Professional Services GmbH, dem Schwesterunternehmen von Microvista.
Literatur
1. L.Hagner, F. Mnich: Inline-Computertomographie als Qualitätstool in der Serienfertigung, Fachtagung Industrielle Computertomographie 2010 Wels/ Östereich, Proceedings S. 201.Search in Google Scholar
2. L.Hagner, F. Mnich: Schnelle Computertomographie im praktischen Einsatz, Giesserei 1/ 2013, S 44–50.Search in Google Scholar
3. D. Ciresan, U. Meier and J. Schmidhuber: Multi-column deep neural networks for image classification, 2012 IEEE Conference on Computer Vision and Pattern Recognition, Providence, RI, 2012, pp. 3642–3649, doi:0.1109/CVPR.2012.6248110.Search in Google Scholar
4. A. Krizhevsky, I. Sutskever and G. E. Hinton: ImageNet Classification with Deep Convolutional Neural Networks, Neural Information Processing Systems. 25, 2012.Search in Google Scholar
5. R. Shaoqing, H. Kaiming, R. B. Girshick and J. Sun: Faster R-CNN: Towards real-time object detection with regional proposal networks, CoRR 1506.01497, 2015.Search in Google Scholar
6. L. Hagner and R. Höhne: Bewertung der Qualität von Gussbauteilen mittels CT und KI, Giesserei 4/ 2019, S 50–56.Search in Google Scholar
7. H. Salehinejad, E. Colak, T. Dowdell, J. Barfett and S. Valaee: Synthesizing Chest X-Ray Pathology for Training Deep Convolutional Neural Networks, IEEE Transactions on Medical Imaging, pp. 1, 2018. Doi: 10.1109/TMI.2018.2881415.Search in Google Scholar PubMed
8. MATLAB 18.0 and Deep Learning Toolbox, The MathWorks, Inc., Natick, Massachusetts, United States.Search in Google Scholar
© 2019 Walter de Gruyter GmbH, Berlin/Boston
