Oct 11, 2019
Wie künstliche Intelligenz zur Bedienerunabhängigkeit in der zerstörungsfreien Shearografie führt
Mit Autoshear soll vor allem kleinen und mittleren Unternehmen der direkte Zugang zur Shearografie erleichtert werden.
Die Shearografie ist ein berührungs- und zerstörungsfreies Prüfverfahren (ZfP), das die messtechnische Erfassung kleinster Oberflächenverformungen mittels Laserlicht ermöglicht. Diese Oberflächenverformungen werden durch eine extern aufgebrachte mechanische oder thermische Belastung erzeugt und sind abhängig von der inneren Struktur des Bauteils bzw. vorhandenen Fehlstellen. Im Ergebnis lassen sich interne Defekte, wie z. B. Poren und Risse erkennen oder die Haftungsqualität von Klebverbindungen zerstörungsfrei beschreiben. Die Durchführung der Messungen und die Interpretation der Ergebnisse erfordern jedoch spezielles Fachwissen, wodurch die Akzeptanz von Nutzern außerhalb des akademischen Umfeldes oftmals eingeschränkt ist. Daher arbeiten das Kunststoffzentrum SKZ und das Institut für Leichtbau und Kunststofftechnik (ILK) der TU Dresden gemeinsam an der Erhöhung der Benutzerfreundlichkeit durch eine Automatisierung der Messeinstellung, -durchführung und Ergebnisinterpretation. Somit soll vor allem kleinen und mittleren Unternehmen der direkte Zugang zur Shearografie erleichtert werden.
DeepLearning Algorithmus zur Fehlstellenerkennung in shearografischen Aufnahmen
Die im Rahmen des Projektes genutzten Methoden des DeepLearnings als eine Form des Maschinellen Lernens bieten die Möglichkeit charakteristische Merkmalsmuster der Defekte weitgehend benutzerunabhängig zu extrahieren und zu klassifizieren (Abb. 1). Moderne Algorithmen erreichen bisweilen die Genauigkeit des menschlichen Sehvermögens und finden immer häufiger Anwendung in alltäglichen Problemstellungen (Autonomes Fahren, Spracherkennung, etc.). Ein weiterer Vorteil des maschinellen Lernens ist außerdem die mit steigender Anzahl durchgeführter Messungen stetig verbesserte Genauigkeit und Reproduzierbarkeit der Defekterkennung.
Exemplarische Ergebnisse des DeepLearning Algorithmus
Mithilfe kommerziell verfügbarer Software wurden in den letzten Jahren Methoden der Datenaufbereitung, das Training des DeepLearning-Netzwerks und eine automatisierte Erkennung von internen Defekten in Faserverbundkunststoffen (FVK) entwickelt und umgesetzt. Die Detektion von Defekten unterschiedlicher Größe, Form und Lage in FKV-Platten ist nunmehr innerhalb von wenigen Sekunden möglich (Abb. 2).
Das IGF-Vorhaben (Nr. 19345 BG) der Fördergemeinschaft für das Süddeutsche Kunststoff-Zentrum e.V. - FSKZ, Frankfurter Straße 15–17, 97082 Würzburg, wurde über die AiF im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen Bundestages gefördert.
© Christian Hüller
Distinguished Senior Professorship
NameProf. Dr. rer. nat. Hubert Jäger
Send encrypted email via the SecureMail portal (for TUD external users only).
Institute of Lightweight Engineering and Polymer Technology
Visitors Address:
DÜR, Floor 1, Room 71 Holbeinstr. 3
01307 Dresden
Deutschland