Neue KI-Modelle: Mikrorisse in der Fertigung und Materialanalyse frühzeitig erkennen

Bereits kleinste Mikrorisse können in der industriellen Fertigung zu massiven Produktionsverlusten und Sicherheitsrisiken führen, wenn sie unentdeckt bleiben. Eine frühzeitige Erkennung ist entscheidend für Bereiche, in denen die Zuverlässigkeit der Materialien nicht verhandelbar ist. Einen echten Gamer Changer bietet einmal mehr KI: Richtig zum Einsatz gebracht, kann sie haarfeine Defekte erkennen, bevor sie den Betrieb stören. Auf Basis intensiver Forschung hat unser Experte für maschinelles Lernen Fatahlla Moreh zwei zukunftsweisende KI-Modelle entwickelt, die er erst kürzlich auf der IEEE International Conference on Machine Learning and Applications (ICMLA) in Miami vorgestellt hat.

Wie Unternehmen damit die Erkennung von Mikrorissen neu definieren können und wo die größten Mehrwerte in der Praxis liegen, besprechen Sascha Mahmood (Senior Specialist Cloud Computing) und Fatahlla Moreh (Specialist Machine Learning Engineer) im Interview.

Sascha Mahmood: Fatahlla, was macht die beiden neuen KI-Modelle für die Schadenserkennung so besonders?

Fatahlla Moreh: Die neuen Modelle MicroCracksMetaNet50E und MicroCracksAttNet50E sind besonders, weil sie numerische Wellendaten zur Erkennung und Segmentierung von Mikrorissen nutzen, anstatt auf Bilddaten angewiesen zu sein. Diese Methode ermöglicht eine schnellere und effizientere Analyse im Vergleich zu traditionellen bildbasierten Verfahren. Was neu ist, ist die Verwendung von Deep Learning-Techniken, speziell Meta's Segment Anything Model (SAM) für MicroCracksMetaNet50E, das eine hohe Genauigkeit (86,7 %) und Präzision (90,6 %) bei der Risserkennung erreicht. MicroCracksAttNet50E geht noch einen Schritt weiter und nutzt einen Attention-Mechanismus, der sich gezielt auf kritische Bereiche konzentriert, um auch kleinste Risse präziser zu identifizieren. Diese Innovationen bieten eine kosteneffiziente und ressourcenschonende Lösung zur Schadenserkennung in Bereichen wie Materialprüfung und Structural Health Monitoring.

Sascha Mahmood: Welche Methoden machen die Modelle so effektiv und wie werden sie in der Schadenserkennung eingesetzt?

Fatahlla Moreh: Mikrorisse in Materialien können schwerwiegende Schäden verursachen, wenn sie unentdeckt bleiben. Unsere Deep-Learning-Modelle nutzen numerische Wellendaten, um diese Risse präzise zu erkennen – ganz ohne klassische Bildverarbeitung. Stattdessen analysieren sie direkt die numerischen Muster, die durch Materialdefekte entstehen.

Unsere Modelle kombinieren Convolutional Neural Networks (CNNs) mit Transformern, um sowohl lokale als auch globale Merkmale der Wellendaten zu erfassen. Dadurch können sie selbst kleinste Risse zuverlässig segmentieren.

• MicroCracksMetaNet50E basiert auf Metas Segment Anything Model (SAM). Es nutzt CNNs zur Feature-Extraktion, während der Mask Decoder mit Transformer-Mechanismen arbeitet, um präzise Segmentierungen zu erzeugen.
• MicroCracksAttNet50E setzt zusätzlich auf einen Attention-Mechanismus, der gezielt kritische Bereiche fokussiert und damit auch sehr feine Risse effizient erkennt.

Diese Technologie eignet sich ideal für:

Materialprüfung: Automatische Erkennung kleinster Defekte während der Produktion.

Structural Health Monitoring: Kontinuierliche Überwachung von Bauwerken, um Schäden frühzeitig zu identifizieren.

Dank dieser innovativen Kombination aus CNNs und Transformern arbeiten unsere Modelle schneller, präziser und effizienter – ein entscheidender Vorteil für sicherheitskritische Branchen.

Sascha Mahmood: Welche Herausforderungen konnten bisherige Modelle bisher nicht bewältigen und wie gehen die neuen Modelle diese Probleme an?

Fatahlla Moreh: Die bestehenden YOLO-Modelle stoßen bei der Erkennung von Mikrorissen auf mehrere Herausforderungen. Einerseits teilen sie Bilder in Rasterzellen (Grid Cells) auf, was zu Problemen führt, wenn ein Riss sehr dünn oder komplex ist. Solche Risse können über mehrere Zellen verteilt sein, wodurch ihre genaue Form, Dicke und Struktur schwer erfasst werden. Dies führt zu ungenauen Ergebnissen, besonders bei feinen oder unregelmäßigen Rissen. Zudem sind YOLO-Modelle primär für die Erkennung größerer Objekte optimiert und haben Schwierigkeiten, kleine Mikrorisse zuverlässig zu identifizieren.

MicroCracksMetaNet50E und MicroCracksAttNet50E gehen diese Probleme direkt an. Sie arbeiten mit numerischen Wellendaten, die präzisere Informationen über die Struktur von Rissen liefern, ohne durch die Begrenzungen eines Grids eingeschränkt zu sein. Besonders MicroCracksAttNet50E nutzt einen Attention-Mechanismus, der sich auf die relevanten Stellen konzentriert und so auch sehr kleine und komplexe Risse exakt erkennen kann. Diese Herangehensweise ermöglicht eine höhere Genauigkeit bei der Schadenserkennung und ist zudem ressourcenschonender, da weniger Rechenleistung benötigt wird als bei bildbasierten Methoden.

Sascha Mahmood: Wo liegen die größten Anwendungspotenziale in der Praxis?

Fatahlla Moreh: Die neuen Modelle bieten große Potenziale in der Fertigung und im Structural Health Monitoring (SHM). In der Fertigung ermöglichen sie die frühzeitige Erkennung von Mikrorissen in Materialien, wodurch Produktionsfehler vermieden und Materialkosten gesenkt werden können. Im SHM können die Modelle kontinuierlich Strukturen wie Brücken, Gebäude oder Flugzeuge überwachen und Mikrorisse erkennen, bevor sie zu ernsthaften Schäden führen. Das ermöglicht eine effizientere Wartung, spart Kosten und verlängert die Lebensdauer von Bauwerken und Maschinen. Diese Modelle bieten so einen erheblichen Mehrwert durch präzise, ressourcenschonende und kostengünstige Schadenserkennung.

Sascha Mahmood: Die Modelle punkten also bei Genauigkeit und Präzision. In welchem Anwendungsbereich ist dies besonders wichtig?

Fatahlla Moreh: Die hohe Genauigkeit und Präzision der Modelle bedeuten in der Praxis, dass Mikrorisse mit hoher Zuverlässigkeit erkannt werden, was besonders in sicherheitskritischen Bereichen wie der Brückeninspektion von großer Bedeutung ist. Ein Beispiel: Wenn ein Mikroriss in einer Brücke übersehen wird, könnte dieser im Laufe der Zeit zu einem schwerwiegenden Strukturschaden führen. Durch die Modelle werden solche Risse frühzeitig erkannt, gezielte Wartungsmaßnahmen können direkt ergriffen werden. Das verhindert nicht nur immer kostspieliger werdende Reparaturen, sondern reduziert auch das Risiko von Unfällen. Die hohe Präzision sorgt dafür, dass Falschmeldungen minimiert und nur relevante Schäden gemeldet werden, was die Effizienz und Kostenkontrolle weiter steigert.

Sascha Mahmood: Wie können Unternehmen die neuen Modelle für ihre spezifischen Herausforderungen nutzen?

Fatahlla Moreh: Unternehmen können die Modelle MicroCracksMetaNet50E und MicroCracksAttNet50E relativ einfach an ihre Bedürfnisse anpassen, da sie auf numerischen Wellendaten basieren. Der Schlüssel zum Erfolg liegt in der Bereitstellung von echten, vielfältigen Daten, die möglichst viele Randfälle abdecken. Diese Daten sind wichtig, um das Modell robuster zu machen und auch in komplexen Situationen genaue Ergebnisse zu liefern. Durch Fine-Tuning oder Retraining mit eigenen Daten können Unternehmen das Modell weiter anpassen und verbessern. Nach dem Training lässt sich das Modell einfach in bestehende Systeme integrieren und in Bereichen wie Fertigung oder Structural Health Monitoring nutzen. So profitieren Unternehmen von einer präzisen Schadenserkennung und einer flexiblen Anwendung der Modelle.

Möchten Sie Ihre Materialanalyse verbessern?