Beiträge zur Qualitätssicherung von Produktionsprozessen durch maschinelles Lernen
Interpretierbare Klassifikatoren zur Fusion von Informationen aus Bilddaten verschiedener Blickwinkel und Generierung bedingter Bildpaare
Mit dem Fortschreiten der Automatisierung in der industriellen Fertigung werden Verfahren benötigt, um sowohl die Fertigung als auch die Qualitätssicherung zu automatisieren. Oft kommen Kameras zum Einsatz, deren Bilddaten durch spezielle Algorithmen ausgewertet werden. Lernbasierte Verfahren wie Künstliche Neuronale Netzwerke zeigen dabei eine hohe Performanz in verschiedenen Problemdomänen. Ein Nachteil dieser Modelle ist jedoch ihr Blackbox-Charakter, der es schwierig macht, ihre interne Funktionsweise und Klassifikationsergebnisse nachzuvollziehen. Die Arbeit präsentiert Lösungen zur Qualitätssicherung in Produktionsprozessen, exemplarisch anhand eines Fertigungsprozesses aus der Automobilzulieferer-Branche. Ein Versuchsaufbau mit zwei Kameras wird vorgestellt, und es wird ein neuartiges Fusionsnetzwerk, basierend auf faltenden neuronalen Netzwerken, zur Fusionierung und Klassifizierung der Bildinformationen vorgeschlagen. Um die interne Funktionsweise der Fusionsnetzwerke besser zu verstehen, wurden innovative Methoden zur Analyse dieser Modelle entwickelt. Im letzten Teil der Arbeit werden Netzwerkstrukturen zur bedingten künstlichen Generierung von Bildpaaren vorgestellt, und der Nutzen synthetischer Daten für das Training von Künstlichen Neuronalen Netzwerken wird am Beispiel der untersuchten Applikation diskutiert.
