Link direkt zur Servicenavigation Link direkt zur Hauptnavigation und Suche Link direkt zum Inhalt

WenDeKI

Oberflächenprüfung von Bauteilen in der Serienproduktion – generative KI für das Training kamerabasierter Inspektionssysteme

Logo WenDeKI
© Projekt WenDeKI

Projektbeschreibung:

In der Serienproduktion, beispielsweise in der metall- und kunststoffverarbeitenden Industrie, ist die zuverlässige und vollständige Inspektion von Bauteilen ein wichtiger Faktor für die Qualitätssicherung. Kamerabasierte Inspektionssysteme auf Basis von KI-Modellen bieten dafür eine effiziente und kostengünstige Lösung. Die Erkennung von Defekten, von denen nur wenige Musterteile vorliegen, stellt jedoch eine Herausforderung dar.

Das Projekt zielt darauf ab, diese Herausforderung durch die Entwicklung eines generativen KI-Modells zu lösen, das die zum Training benötigten Bilddaten der Defektteile selbst synthetisch erzeugen kann. Das generative KI-Modell wird auf Basis von wenigen realen Bildern von Defektteilen trainiert. Es lernt, die Merkmale der Defekte zu erkennen und – das ist der entscheidende Schritt – neue, plausible Bilder von Defekten zu erzeugen. Dadurch wird der Trainingsdatensatz des Inspektionsmodells erweitert und die Erkennungs- und Klassifikationsgüte verbessert.

Um die Übertragbarkeit des Ansatzes auf unterschiedliche Branchen und Anwendungsfälle zu überprüfen und zu gewährleisten, werden flexible optische Inspektionssysteme zur Erhebung der Bilddaten eingesetzt. Insbesondere wird ein Tunnel-Inspektionssystem entwickelt, das in zwei verschiedenen Anwendungsfällen zum Einsatz kommt. Der Ansatz wird in unterschiedlichen Anwendungsgebieten industrienah validiert, sodass ein direkter Transfer nach erfolgreichem Projektabschluss sehr wahrscheinlich ist.

Konsortium:

  • SOTEC GmbH & Co KG;
  • Fraunhofer Institut für Physikalische Messtechnik IPM;
  • Quittenbaum GmbH;
  • PCM.de GmbH;
  • BIA Kunststoff- und Galvanotechnik GmbH & Co. KG

Laufzeit:

Februar 2025 – Januar 2028

Budget:

Gesamtmittel: 3,1 Mio. €
Fördersumme: 1,7 Mio. €