Wie lassen sich KI-Modelle für die industrielle Qualitätsprüfung trainieren, wenn reale Bilddaten nur begrenzt verfügbar sind? Dieser Frage geht Jonathan Zender in seinem neu veröffentlichten Paper im renommierten Sensors Journal nach, das im Rahmen seiner kooperativen Promotion mit dem IMS und dem ITO der Universität Stuttgart entstanden ist.
Die Publikation mit dem Titel „Synthetic Data Generation for AI-Based Quality Inspection of Laser Welds in Lithium-Ion Batteries“ zeigt, wie synthetisch erzeugte Bilddaten so gestaltet werden können, dass ein YOLO-basierter Klassifikator, der ausschließlich mit diesen Daten trainiert wurde, zuverlässig auf realen Schweißnahtaufnahmen klassifiziert.
Herzstück des Ansatzes ist der Einsatz von Physically Based Rendering, das es ermöglicht, die relevanten Einflussgrößen der Bildentstehung gezielt zu variieren und deren Auswirkungen auf die KI-Vorhersage nachvollziehbar zu analysieren. Ein besonderer Fokus liegt dabei auf der realitätsnahen Modellierung und dem Rendering synthetischer Laserschweißnähte für Lithium-Ionen-Batterien.
Wie die Schweißnähte erzeugt werden, welche Rendering-Parameter entscheidend sind und warum synthetische Daten ein Schlüssel für robuste KI-Systeme in der Industrie sein können, erfahren Sie im Paper.