Deep Quality - Machbarkeitsstudie zur Waschkorbinspektion

Im Rahmen der Bachelorarbeit wird für den Industriepartner SFS die Machbarkeit der Inspektion von Waschkörben mittels Deep Learning untersucht. Waschkörbe sind Transportkisten, in denen Teile durch die einzelnen Produktionsschritte geführt werden. Die Inspektion umfasst dabei die Kontrolle ob in einem entleerten Waschkorb Teile hängen geblieben, bzw. ob die Waschkörbe leer sind. Diese trivial klingende Aufgabe wird durch mehrere Faktoren erschwert. In der Vergangenheit sind schon mehrere Versuche gescheitert. In einem ersten Schritt wurde ein Prüfsystem aufgebaut und programmiert. Mit diesem wurde ein Bilddatensatz erstellt, welcher benötigt wurde um die Deep Learning Modelle zu trainieren. Es wurden zwei verschiedene Ansätze von maschinellem Lernen mittels Deep Learning verfolgt: • Anomalie-Detektion mit einem CNN-Variational Autoencoder • Klassifikation basierend auf Faltungsnetzwerken. Der Autoencoder erbrachte nicht den gewünschten Erfolg. Es war nicht möglich Teile in der Kiste zu erkennen. Der Erfolg kam aber mit dem Klassifikator, welcher mit einer Genauigkeit von über 97 % Bilder mit Teilen zu erkennen. Dabei waren die Bedingungen für die Auswertung noch nicht optimal, was darauf schliessen lässt, dass die Genauigkeit noch erhöht werden kann.