Bildsimulation und Virtuelle Messplanung

© Links: MVTec Software GmbH, rechts: Fraunhofer IPA

Bildsimulation

Viele Anwendungen der Künstlichen Intelligenz benötigen eine große Anzahl von Bild- und Sensordaten. Diese zu generieren ist aufwendig. Die Erzeugung künstlicher, aber gleichzeitig sensorrealistischer Bilddaten reduziert diese Aufwände enorm und beschleunigt die Entwicklung KI-basierter Anwendungen extrem. Insbesondere können durch synthetische Bilder unterrepräsentierte Fälle berücksichtigt und dadurch gezielt ausgeglichenere Datensets erzeugt werden.

Um diese möglichst sensorrealistischen Bilder zu erhalten, zeigen insbesondere GAN-Architekturen vielversprechende erste Ergebnisse. Diese müssen anschließend mittels Metriken auf ihre Eignung bewertet werden.

Messplanung

Optimale Messposen für die 3D-Erfassung von Werkstücken zu bestimmen ist eine anspruchsvolle und aufwendige Aufgabe, die häufig zu suboptimalen Ergebnissen führt. Durch modellbasierte Planung von 3D-Sensor-Messungen mittels Reinforcement Learning können anhand der CAD-Modelle verschiedenster Werkstücke optimale Messposen für die 3D-Vermessung identifiziert werden, ohne reale Messungen durchführen zu müssen.

Für das Training sind viele CAD-Werkstücke erforderlich, um für unterschiedlichste Bauteilgeometrien effiziente Messposen abzuleiten. Dabei werden neben unterschiedlichen 3D-Sensoren auch die optischen Eigenschaften der Bauteile berücksichtigt, um vollständige und qualitativ hochwertige Messdaten zu erzielen. Aus einer umfassenden Messplanung können optimierte Strategien bspw. hinsichtlich der Bauteilabdeckung abgeleitet werden.

 

Virtuelle Messplanung mittels Reinforcement Learning

Das Einrichten automatischer Sichtprüfsysteme erfolgt überwiegend über das manuelle Testen und Teachen von Messposen. Um geeignete Messposen für die Sichtprüfung individueller Werkstücke mit einem variablen Roboter-/Sensor-Setup virtuell zu bestimmen, wird nun ein neuer Ansatz auf Basis von Reinforcement Learning verwendet.