Machine Learning für LWL - Sachsenkabel
In unserer täglichen Projektarbeit zeigt sich schon heute, welch starken Impact Technologien wie künstliche Intelligenz und Machine Learning auf die Produktentwicklung der Zukunft haben werden. Mit unserer Expertise in Sachen KI erreichen wir im Entwicklungsalltag immer wieder ganz neue Denk- und Lösungsansätze. Wie diese neuen Wege ganz konkret aussehen können, wird am Beispiel unseres Machine Learning Projekts für die LWL-Sachsenkabel GmbH deutlich. Bei der Konfektionierung von Hochleistungs-Glasfaserkabeln spielt das Thema Qualitätskontrolle eine entscheidende Rolle. Schon minimale Kratzer oder Verschmutzungen stören den optischen Signalweg und beeinträchtigen die Übertragungsleistung der Kabel.
Gemeinsam mit LWL-Sachsenkabel haben wir das Thema Qualitätssicherung neu gedacht und über die Entwicklung eigener neuronaler Netze alternative Wege zur Unterstützung des Prüfprozesses geschaffen.
Intensives Netztraining und Datenanalyse
Auf Basis von Mikroskopaufnahmen und den dazugehörigen Informationen haben wir binnen kürzester Zeit zwei konvolutionäre neuronale Netze entwickelt, die arbeitsteilig vorgehen: Netz 1 erkennt, ob das Produkt die Qualitätskriterien erfüllt und Netz 2 ermittelt den Produkttyp.
Die Entwicklung der Netze erfolgte mit Tensorflow und Keras. Unsere Arbeit umfasste nicht nur das Trainieren der Netze, sondern auch eine intensive Analyse und Aufarbeitung der vorliegenden Datensätze. Dabei mussten sowohl Architektur, als auch Hyperparameter der Modelle auf die Eigenschaften der Daten angepasst werden. Eine besondere Herausforderung waren der enorme Detailgrad und die hohe Auflösung der Aufnahmen, da mit diesen Faktoren der Eingabeverktor des Netzes wächst und damit auch die benötigte Rechenleistung.
Die finalen, von UXMA entwickelten Deep Learning Netze bestehen aus mehreren hintereinander geschichteten Convolutional Layern und Dense Layern. Beim Hyperparameter-Tuning spielten vor allem die richtige Einstellung der Größe von Kernel und Stride eine Rolle. Das Overfitting konnten wir erfolgreich mittels Weight Normalization und Dropout Layer reduzieren.
- Bild links: Der Trainingsverlauf eines Netzes, welches zur Erkennung kleiner Details konzipiert, aber auf die Erkennung größerer Bildstrukturen ausgerichtet wurde. Es zeigt sich, dass das Netz eine schlechte Generalisierung aufweist.
- Bild rechts: Nach Anpassung von Filtergröße und Stride erzielt das Netz auch für Testdaten sehr gute Ergebnisse.
Zusätzlich zur eigenen Entwicklungsarbeit haben wir den Ansatz des Transfer Learnings, der häufig im Umfeld von Computer Vision eingesetzt wird, evaluiert. Dennoch haben wir mit von Grund auf neu trainierten Modellen bessere Ergebnisse auf diesem Datensatz erzielt. Dies verdeutlicht, wie wichtig die Anpassung von Machine Learning Modellen auf die individuellen Gegebenheiten der Datenlage ist, um brauchbare Ergebnisse zu erzielen. Zusammen mit der Integration unserer neuronalen Netze in eine API und der Entwicklung eines entsprechenden Webfrontends bietet die umgesetzte KI-Lösung unserem Kunden LWL-Sachsenkabel eine signifikante Unterstützung im Qualitätssicherungsprozess.
UXMA-Leistungen
- Beratung im Bereich Künstliche Intelligenz und Machine Learning
- Analyse und Aufbereitung der Daten
- Konzeption und Realisierung maßgeschneiderter Deep Learning Lösungen
- Integration der KI in eine Client-Server-Architektur
- Beratung zur Weiterentwicklung im Bereich Computer Vision
Du brauchst Unterstützung bei der KI-basierten Softwareentwicklung? Kontaktiere unsere Machine Learning Experten Jule Martensen und Frank Lindecke via software@uxma.com für einen unverbindlichen Austausch. Die Aufstellung aller UXMA-Expertisen findest du in der Services-Übersicht.
Die Autorin
Jule Martensen ist Softwareentwicklerin bei UXMA. Sie setzt sich unter anderem mit der Darstellung von Inhalten, basierend auf der Objekterkennung durch neuronale Netze, auseinander.
Kommentare
Einen Kommentar schreiben