Motivation
Die vorbeugende Inspektion ist als Mittel zur frühzeitigen Erkennung von Schäden ein wichtiger Bestandteil der Qualitätssicherung in industriellen Prozessen. Sie ist Voraussetzung für Wartung und Instandhaltung und trägt dazu bei, Versagen zu vermeiden und Kosten zu begrenzen. Bei der Inspektion von Oberflächen spielt die Sichtprüfung eine wesentliche Rolle. Dabei wird geprüft, ob es sich bei einer auffälligen Stelle um eine intakte oder eine instandsetzungsbedürftige Stelle handelt. Die Sichtkontrolle, wenn sie durch Menschen ausgeführt wird, ist in jedem Fall eine monotone, ermüdende Tätigkeit und in der Genauigkeit begrenzt. Daher haben sich in nahezu allen Bereichen der Industrieproduktion inzwischen softwarebasierte Verfahren zur automatischen optischen Inspektion (AOI) etabliert. Gemeinsam ist den heute eingesetzten Lösungen, dass die zu inspizierenden Oberflächen entweder sehr gleichförmig (Stahl, Papier) oder sehr gleichmäßig strukturiert (Stoff, Holz) sind. Alternativ ist die Vielfalt der auftretenden Strukturen oder Defekte begrenzt und relativ genau definiert. Die Grenzen heutiger AOI-Lösungen bilden Oberflächen, die eine besonders hohe Vielfalt an intakten Ansichten und Defekten aufweisen, beispielsweise Fahrbahnoberflächen und Rohrleitungsinnenwände. In der Praxis wird für diese Anwendungsfälle die manuelle Inspektion genutzt. Diese ist, bezogen auf ganze Rohrleitungs- und Straßennetze, jedoch zeit-, kosten- und personalintensiv sowie fehleranfällig. Zudem sind die zu kontrollierenden Flächen im Verhältnis zu den oft im Millimeterbereich liegenden Schadstellen extrem groß.
Ziele und Vorgehen
Das Projekt ASINVOS zielt deshalb auf eine neuartige Lösung ab, die den Prüfer bei der Schadensdetektion intelligent unterstützt. Am Beispiel von zwei Anwendungsdomänen – der Inspektion von Fahrbahnoberflächen und von Rohrleitungsinnenwänden – soll ein assistierendes und interaktiv lernfähiges Videoinspektionssystem für Oberflächenstrukturen entwickelt werden. Im Gegensatz zum heutigen Vorgehen wird dieses System den Prüfer im Datenstrom teilautonom zu Anomalien oder gesuchten Strukturen führen. Neue, dem System noch unbekannte Strukturen werden durch den Prüfer kategorisiert und zugleich im System eingelernt. Dadurch lernt es, diese selbstständig korrekt zuzuordnen. Bei zukünftigen Beobachtungen ist dann keine Sichtung durch einen Prüfer mehr notwendig. Die Wissensbasis und damit die Güte der Ergebnisse können so immer weiter verbessert werden, während zugleich der Aufwand für den Prüfer und die Zahl der Nachfragen durch das System zurückgehen.
Innovationen und Perspektiven
Innovationen und Perspektiven Zur Lösung der mit ASINVOS verbundenen Herausforderungen hat sich ein kompetentes Konsortium mit Partnern aus den Anwendungsdomänen gebildet. Die TU Ilmenau beteiligt sich mit dem Fachgebiet Neuroinformatik und Kognitive Robotik am Projekt und bringt wissenschaftliche Kompetenz im Bereich interaktiv lernfähiger Methoden ein. Die beteiligten KMU planen nach Projektende verbesserte Dienstleistungen für die Bereiche Straßenzustandserkennung und Rohrleitungsinspektion anzubieten. Über Softwarelizenzen sollen die Ergebnisse zudem für weitere Nutzergruppen zugänglich werden.