Cross-Domain Transfer Learning mit teilweise verfügbaren Ziel-Daten

In der technischen Qualitätskontrolle gibt es häufig nicht genug Daten, um Fehler genau zu identifizieren. Gerade die sogenannte Defekterkennung wird heute durch eine bedeutende KI-Anwendung, das Cross-Transfer-Learning, erweitert, welche das Training von Deep Learning Modellen unterstützt.

Cross-Domain Transfer Learning verwendet dabei das Wissen aus verwandten Anwendungsfällen und überträgt dieses auf das neue Ziel, in dem das Deep Learning Modell angelernt wird. Konkret geht es um die Erkennung von Defekten an einem Kugelgewindetrieb mithilfe der Defektdaten von Bandstahl.

Die zugrunde liegenden Technologien sind Contrastive Learning und Convolutional Neural Networks (CNNs). Contrastive Learning ermöglicht den Vergleich von Bildern und hilft dem KI-Modell, effektive Muster von Defekten zu erlernen in dem der Fokus auf die Unterscheidung von ähnlichen und unähnlichen Merkmalen gelegt wird.

Die Daten stammen aus Bildern, die während technischer Qualitätskontrollprozesse erfasst werden. Die Anwendung hat bereits positive Auswirkungen gezeigt, indem sie die Effektivität von Machine Learning-Lösungen steigert und die Nachhaltigkeit steigert, indem sie die frühzeitige Erkennung fehlerhafter Komponenten ermöglicht. Zukünftige Potenziale für diese Anwendung sind die Erweiterung auf die Analyse von Zeitreihendaten und die Anwendung im Kontext der Objekterkennung.

Zusammenfassend bietet Cross-Domain Transfer Learning mit teilweise verfügbaren Ziel-Daten innovative Lösungen für das Training von Deep Learning-Modellen und hat positive Auswirkungen auf die Effizienz und Nachhaltigkeit.

Kontakt

Auf Anfrage

https://www.bosch.de/