Computer Vision zur Anomalieerkennung und Schadensdetektion

Mithilfe bildbasierter Methoden wurde im Zeitraum von April 2020 bis Dezember 2020 eine Deep Learning Pipeline zur Schadensdetektion entwickelt.

Herausforderung

  • Arbeitsschritte der Nachschau am ICE4 sollen mit KI-Verfahren durchgeführt werden können, um die Automatisierung der Nachschau zu ermöglichen

  • Die entwickelten Ansätze sollen so universell sein, dass sie mit geringerem Aufwand auf andere Baureihen übertragen werden können

Lösung

  • Objekterkennung für alle zu befundenden Bauteile

  • Anomalie-Erkennung für alle vorgenommenen Arbeitsschritte​

  • Graphische Tools zur Erprobung und Evaluation der erzeugten Modelle

  • Tensorflow-basierte Machine Learning Umgebung für Computer Vision Use Cases (andere Technologien: MLFlow, CVAT, S3, MSSQL)

Ergebnis

  • Tiefgreifendes Verständnis für den Aufbau des ICE4 und der durchzuführenden Arbeitsschritte

  • Modularer und flexibel an andere/neue Arbeitsschritte anpassbarer Werkzeugkasten für die Kamerabefundung ermöglicht die Portierung unserer Lösung auf andere Zugtypen und andere Anwendungsfälle

  • Schon die Zwischen-Ergebnisse der Anomalie-Erkennung können Werksmitarbeiter bei der Befundung unterstützen

Haben Sie Interesse an eigenen Use Cases?

Herausforderung

Ein Automobilunternehmen möchte verschiedene marktspezifische Daten visualisieren, um eine Wettbewerbsanalyse für den US-Markt zu ermöglichen.

Lösung

Es wird eine interaktive und flexible Anwendung, einschließlich verschiedener Karten mit zwei verschiedenen Ansichten implementiert.

Ergebnis

Relevante Märkte werden identifiziert, analysiert und visualisiert. Der Händler oder der jeweilige Vertrieb haben die Möglichkeit den direkten Wettbewerb mit dem eigenen Produkt zu vergleichen und die relevanten Daten zu visualisieren.