Künstliche Intelligenz (KI) wird in Bilderkennung, -verarbeitung und -verstehen sehr erfolgreich eingesetzt. Das Training eines KI-basierten Inspektionssystems für die industrielle Qualitätssicherung erfordert jedoch große Mengen repräsentativer annotierter Bilddaten für alle Fehlertypen.

Manuelle Annotation ist aufwändig und fehleranfällig. Viele Fehler, insbesondere sicherheitskritische, treten sehr selten auf. Realistische synthetische Bilddaten helfen, diese Probleme zu umgehen.

Wir verknüpfen Physik, Mathematik und Informatik, um synthetische Bilder typischer Defekte auf metallischen Oberflächen in bisher unerreichter Realitätsnähe zu generieren. Diese garantiert korrekt und objektiv annotierten Fehlerbilder stehen nach Projektende für Training und Validierung von KI für die optische Oberflächeninspektion zur Verfügung und vereinfachen und beschleunigen so deren Entwicklung.

Mehr Infos zu diesem vom BMBF  geförderten Projekt und anderen Projekten der AG Statistik sind auf unserer Forschungsseite  zu finden.