Defect.AI
LAUFZEIT:
10/2023
—
03/2026
Projektlaufzeit gesamt:
30 Monate
© Joanneum Research
Das Projekt
Die Erkennung von Defekten mit Hilfe von Computer-Vision-Methoden hat sich in den letzten Jahren in verschiedenen Industriezweigen, z. B. in der Medien- und Fertigungsindustrie, zunehmend durchgesetzt. Dazu gehören zum Beispiel die Erkennung von Staub und Kratzern in Filmmaterial, Blocking Störungen in übertragenen oder digitalisierten Video und Oberflächen- und strukturelle Fehler in RGB und Hyperspektralbildern produzierter Güter. Die meisten aktuell eingesetzten Systeme verwenden hochentwickelte Algorithmen, in die das Fachwissen von Experten eingeflossen ist.
Zwar haben Deep-Learning-Ansätze in vielen Bildverarbeitungsanwendungen erhebliche Fortschritte gebracht, doch die Spezifität vieler Detektionsaufgaben und der Mangel an Trainingsdaten (sowohl wegen der Kosten für die Erstellung von Datensätzen, als auch wegen des seltenen Auftretens vieler relevanter Fehlertypen) haben den Einsatz dieser Methoden bisher erschwert.
Die Anwendbarkeit von Deep-Learning-Methoden in diesen Detektionsaufgaben ermöglicht es, sie an spezifische Fehlertypen anzupassen, die nur bei bestimmten Anwendern auftreten, und langfristig die Entwicklungs- und Wartungskosten zu senken.
Die Projektumsetzung erfolgt gemeinsam mit unserem Partner HS-ART-Digital.
Unsere Tätigkeiten im Projekt
Defect.AI zielt darauf ab, Basistechnologien für dateneffizientes Training von visuellen Detektionsmethoden zu erforschen. Diese werden auf aktuellen Fortschritten im maschinellen Lernen aufbauen, wie z.B. Foundation Models, die selbstüberwacht auf großen unannotierten Datensätzen vortrainiert werden können und dann mit Hilfe von Transfer-Learning an eine spezifische Aufgabe angepasst werden.
Ein weiterer wichtiger Aspekt ist die Erfassung des Expertenwissens, das in den vorhandenen, manuell gebauten Detektoren steckt. Knowledge Distillation wird eingesetzt, um dieses spezifische Wissen zu lernen. Dies ist skalierbar und ohne zusätzliche manuelle Annotation möglich. Zur Überbrückung größerer Domänenlücken (Domain Adaptation) werden generative Ansätze wie GANs und Diffusionsmodelle untersucht, um z.B. Style Transfer zwischen Domänen wie RGB und Infrarot durchzuführen.
Die Verfügbarkeit von Deep-Learning-basierten Defekterkennungsansätzen, die mit kleinen Datensätzen an neue Varianten von Defekten angepasst werden können, eröffnet mittelfristig die Perspektive, dass Benutzer die auf ihren Systemen eingesetzten Modelle effizient anpassen können.
Defect.AI hat das Ziel, die im Projekt entwickelten Ansätze in drei Use Cases zu validieren: Qualitätskontrolle in der Fertigung/Industrie, Fehlererkennung in der Filmrestaurierung und Qualitätskontrolle bei der Digitalisierung von visuellen Medien.
Forschungsgruppen
Downloads
Auftraggeber
Bundesministerium für Klimaschutz, Umwelt, Energie, Mobilität, Innovation und Technologie
vertreten durch die Österreichische Forschungsförderungsgesellschaft mbH (FFG)
Projektpartner
HS-ART-Digital
