Erkennung von Defektmustern in Verbundwerkstoffen auf Basis der Shearographie-Bildgebung

Projekttitel: Anwendung von Machine Learning zur Erkennung von Defektmustern in Verbundwerkstoffen auf Basis der Shearographie-Bildgebung

Projektlaufzeit: 2021-2022

Forschungsbereich: Ingenieurwesen und Betriebswirtschaft

Wir demonstrieren die Integration von Machine-Learning-Techniken zur Fehlererkennung in Verbundwerkstoffen mittels Shearographie. Shearographie ist eine vollflächige und materialunabhängige Methode der zerstörungsfreien Prüfung. Durch den Einsatz von Convolutional Neural Networks (CNN) haben wir die Genauigkeit der Identifizierung kompositspezifischer Defekte erfolgreich verbessert. Diese innovative Methodik optimiert nicht nur die Prozesse der zerstörungsfreien Prüfung, sondern schafft auch eine Grundlage für eine robuste Qualitätssicherung in Branchen wie der Luftfahrt und der Automobilindustrie, in denen Verbundwerkstoffe eine entscheidende Rolle spielen.

Ziele

Das Projekt zielt darauf ab, Bilder der Shearographie, einer zerstörungsfreien Prüfmethode auf Basis von Phasenschiebung und Interferometrie, zu nutzen, um die Genauigkeit und Effizienz bei der Identifizierung von Defektmustern zu verbessern. Um eine zuverlässige Qualitätssicherung in kritischen Branchen zu gewährleisten, wollen wir:

• Defekte in Verbundwerkstoffen erkennen
• die Fähigkeiten eines Machine-Learning-Frameworks zur Objekterkennung auf Basis von Faster R-CNN mit einem ResNet-50-Backbone erforschen
• eine automatisierte Erkennung von Defektmustern entwickeln

Problemstellung

Die zentrale Frage, die das Projekt antreibt, lautet, wie Machine Learning, speziell Convolutional Neural Networks, effektiv genutzt werden kann, um die Fehlererkennung in Verbundwerkstoffen zu verbessern.

Schematische Netzwerkarchitektur von Faster R-CNN, einem Objekterkennungs-Framework.

Praktisches Beispiel

Shearographische Untersuchungen verschiedener Proben wurden mit der temporalen Phasenschiebungsmethode durchgeführt, um einen großen Datensatz zu erstellen. Dabei wurden verschiedene Scherwinkel und -beträge berücksichtigt, um die Vielfalt des Datensatzes zu erhöhen. Dieser Datensatz wurde verwendet, um ein Machine-Learning-Modell auf Basis eines CNN mit dem Faster-R-CNN-Region-Proposal-Netzwerk und dem vortrainierten ResNet-50 als Backbone zu trainieren, zu validieren und zu testen. Mittels Transfer-Learning wurde das Modell unter Verwendung des ADAM-Optimierers und eines Trainingsraten-Schedulers auf dem Datensatz shearographischer Bilder optimiert. Unter Verwendung der COCO-Evaluierungsmethode erzielte das Modell eine beachtliche mittlere durchschnittliche Präzision von 47,7% und einen mittleren durchschnittlichen Recall von 51,1% auf einem unbekannten Datensatz für den Intersection-over-Union-Bereich von 50 bis 95%.

Technologie

Das Objekterkennungs-Framework Faster R-CNN, das auf Convolutional Neural Networks (CNN) basiert, wird auf shearographische Bilder angewendet, die verschiedene Arten von Defektmustern und -merkmalen enthalten. Diese Implementierung nutzt das vortrainierte ResNet-50 als Backbone für Merkmalsextraktions- und Klassifizierungsaufgaben. Zur Bestimmung der Genauigkeit des Modells wurde die gängige Evaluierungsmethode (COCO) auf einem unbekannten Datensatz angewendet.

Median und Standardabweichung pro Epoche für mittlere durchschnittliche Präzision (mAP) und Recall (mAR) des Test- und Validierungsdatensatzes (a); Präzision (p) – Recall (r)-Kurven für „Defekt“ und Intersection-over-Union (IoU)-Bereich (b); beispielhaftes Ergebnis für (c)

Ausblick

Es zeigte sich, dass die relativ geringe Genauigkeit auf eine hohe False-Positive-Rate zurückzuführen war, die durch menschlichen Labeling-Bias verursacht wurde. Folglich müssen weitere Studien und Methoden ausgearbeitet werden, um den Einfluss manueller Annotationen zu verringern. Außerdem wird die Übertragbarkeit der entwickelten Methode auf andere zerstörungsfreie Bewertungsverfahren und die Nutzung modellbasierter virtueller Ground-Truth-Daten im Fokus stehen.

Publikationen

Düreth, C., Hornig, A., Koch, I., & Gude, M. (2022). Application of machine learning methods on the defect detection in shearographic images. In A. P. Vassilopoulos, & V. Michaud (Hrsg.), Proceedings of the 20th European Conference on Composite Materials: Composites Meet Sustainability (Band 3, S. 492-501). Ecole Polytechnique Fédérale de Lausanne (EPFL). https://doi.org/10.5075/epfl-298799_978-2-9701614-0-0

Düreth C (2022) ShearDetect – Dataset (Version 1.1). Zenodo. https://doi.org/10.5281/zenodo.6463119

Team

Leitung
Prof. Maik Gude

Teammitglieder
Christian Düreth
Ilja Koch
Dr. Andreas Hornig

Partner

Institut für Leichtbau und Kunststofftechnik – Technische Universität Dresden (TUD)