November 13, 2019‍

Während AI-basierte Technologie heutzutage in etlichen Bereichen der Bildverarbeitung wie Gesichtserkennung oder sogar Krebsdiagnose menschliche Performance überbietet, lässt die in der Praxis „erlebte“ Zuverlässigkeit von Oberflächeninspektionssystemen in der Stahlindustrie oft zu wünschen übrig. Im scheinbaren Widerspruch dazu erreichen dieselben Systeme auf Testdaten eine hohe Klassifikationsgenauigkeit. Hauptursachen dieser Diskrepanz sind Testdatensätze, die die Produktionsbedingungen nicht abbilden, zu kleine Trainingsmengen, starke Klassenungleichgewichte in der Produktion, und veraltete Klassifikationsalgorithmen. Eine strukturierte Optimierung der Datensätze und der Klassifikatoren unter Einsatz aktueller Deep-Learning-Technologie steigert die tatsächliche Leistung vorhandener Systeme drastisch. Für bestmögliche Performance müssen Oberflächenfehler prozessübergreifend klassifiziert werden.

‍

Der volle Fachbeitrag ist veröffentlicht in der “STAHL + TECHNIK 1 (2019) Nr. 11”

‍
‍