Visuelle Inspektion der wahrgenommenen Qualität mithilfe von maschinellem Lernen

Der Artikel „Contrôle visuel de la qualité perçue par apprentissage automatique“ schlägt ein automatisiertes System für die Qualitätskontrolle in industriellen Umgebungen vor, um der Subjektivität und Variabilität menschlicher Inspektionen Rechnung zu tragen. Es wird ein maschinelles Lernverfahren vorgestellt, bei dem YOLOV5 zur Fehlererkennung und XGBoost zur Einschätzung des Schweregrads verwendet wird. Dabei wird ein neuer Datensatz von PVC-Platten mit verschiedenen Defekten verwendet. Die Ergebnisse zeigen eine hohe Genauigkeit bei der Erkennung von Defekten und der Schätzung ihres Schweregrads mit einer mittleren durchschnittlichen Genauigkeit (MaP) von 0,99. Praktische Tests mit menschlichen Bedienern bestätigen die Robustheit und Effektivität des Modells. Die Studie unterstreicht das Potenzial des maschinellen Lernens zur Verbesserung der Effizienz und Zuverlässigkeit von Qualitätskontrollprozessen in industriellen Umgebungen.

Um die Qualität von Industrieprodukten sicherzustellen, ist es notwendig, wahrgenommene Qualitätsprüfungen an den hergestellten Teilen durchzuführen. Diese Aufgabe ist jedoch komplex, da sie zeitaufwändig und gefährlich ist, was auf die Subjektivität der Inspektion durch die verschiedenen Bediener zurückzuführen ist. Wir schlagen einen Ansatz vor, der darauf abzielt, die wahrgenommenen Qualitätsmängel zu erkennen, zu klassifizieren und zu bewerten, um den Bedienern bei dieser Aufgabe zu helfen. Um unsere Methodik zu evaluieren, haben wir einen neuen Anwendungsfall erstellt. Unser Ansatz wird anhand von zwei Kriterien bewertet: der automatischen Erkennung von Fehlern und der Einschätzung ihrer Kritikalität.