KI für die Risserkennung und -segmentierung einsetzen

Wenn du einen Riss auf einer Oberfläche betrachtest, mag er wie ein kleines Problem erscheinen, doch er ist ein guter Frühindikator für schwere strukturelle Schäden. Brücken werden beispielsweise regelmäßig auf Risse untersucht, die jedes Jahr für 90 % aller Brückenschäden verantwortlich sind. Traditionell wird die Rissprüfung manuell durchgeführt und kann zeitaufwendig sein. Künstliche Intelligenz (AI) kann hier helfen und die Risserkennung vereinfachen.

Neben Brücken ist die Risserkennung mit Deep Learning in vielen industriellen Bereichen nützlich. Sie trägt dazu bei, die Integrität von Gebäuden im Bauwesen sicherzustellen, verhindert kostspielige Stillstandszeiten in der Fertigung und macht die Inspektion von Straßen und Fahrbahnen sicherer und effizienter. In diesem Artikel sehen wir uns genauer an, wie du KI und Computer-Vision-Modelle wie Ultralytics YOLOv8 einsetzen kannst, um Risse deutlich schneller und einfacher als mit herkömmlichen Methoden zu erkennen und zu segmentieren.

Was ist Risssegmentierung?#

Bevor wir uns mit der Risssegmentierung befassen, klären wir zunächst, was Segmentierung bedeutet. Segmentierung ist eine Computer-Vision-Aufgabe, bei der ein Bild in verschiedene Regionen oder Segmente unterteilt wird. Ziel ist es, das Bild zu vereinfachen und leichter analysierbar zu machen. Die Segmentierung liefert ein Verständnis auf Pixelebene, während Aufgaben wie die Objekterkennung Begrenzungsrahmen verwenden, um Objekte zu identifizieren und zu lokalisieren.

Es gibt verschiedene Arten von Segmentierungstechniken:

• Semantische Segmentierung: Dabei wird jedes Pixel in einem Bild einer bestimmten Klasse zugeordnet, etwa „Straße“, „Gebäude“ oder „Baum“. Alle Pixel derselben Klasse werden als eine Einheit behandelt.
• Instanzsegmentierung: Im Gegensatz zur semantischen Segmentierung unterscheidet sie zwischen einzelnen Instanzen derselben Klasse, beispielsweise zwischen verschiedenen Autos in einem Bild.
• Panoptische Segmentierung: Sie verbindet Ansätze der semantischen Segmentierung und der Instanzsegmentierung, um eine detaillierte Einordnung auf Pixelebene sowie ein Verständnis der einzelnen Objektinstanzen in einem Bild zu ermöglichen.

Abb. 1 Unterschiede zwischen Segmentierungstechniken: Originalbild (G), semantische Segmentierung (H), Instanzsegmentierung (I) und panoptische Segmentierung (J).

Für die Erkennung von Rissen ist die Instanzsegmentierung eine gute Wahl. Indem jeder Riss eindeutig segmentiert wird, können wir die Risse einzeln identifizieren und analysieren. So können wir beispielsweise die Fläche eines Risses berechnen, indem wir die Anzahl der Pixel zählen, die er im Bild einnimmt.

Funktionsweise der Risssegmentierung#

Der erste Schritt bei der Umsetzung einer Risssegmentierung besteht darin, die passende Kamerakonfiguration zu berücksichtigen, die je nach Anwendung unterschiedlich ausfallen kann. Wenn du eine größere Struktur wie ein Gebäude inspizierst, sind Drohnen möglicherweise der beste Ansatz, um hochauflösende Bilder aus verschiedenen Winkeln aufzunehmen. Bei der Inspektion von Metallblechen nach der Fertigung sind hingegen stationäre hochauflösende Kameras, die strategisch positioniert werden, um detaillierte Aufnahmen der Oberflächen zu erstellen, möglicherweise besser geeignet.

Sobald du deine Kamerakonfiguration festgelegt hast, kannst du ein Computer-Vision-Modell trainieren, das die Instanzsegmentierung unterstützt, etwa YOLOv8. Der Roboflow Universe Crack Segmentation Dataset enthält annotierte Rissbilder und kann zum Trainieren deines Modells verwendet werden. Du kannst auch deinen eigenen Datensatz erstellen, indem du für deine Anwendung spezifische Rissbilder aufnimmst und annotierst.

Das Modell lernt durch überwachtes Lernen, Risse zu segmentieren. Während des Trainings erhält es Bilder und Beschriftungen, die zeigen, wo sich die Risse befinden. Das Modell passt seine internen Parameter an, um den Unterschied zwischen seinen Vorhersagen und den tatsächlichen Beschriftungen zu minimieren. Nach dem Training kann es neue Bilder analysieren und jeden Riss eindeutig segmentieren.

Abb. 2. Ultralytics YOLOv8 zur Risssegmentierung einsetzen.

Industrielle Anwendungen der Risssegmentierung#

Risserkennung und -segmentierung sind in verschiedenen industriellen Anwendungsbereichen äußerst nützlich – von der Instandhaltung der Infrastruktur bis zur Qualitätskontrolle in der Fertigung. Durch die präzise Identifizierung und Analyse von Rissen tragen diese Techniken in vielen Bereichen zu mehr Sicherheit, Langlebigkeit und Qualität bei. Sehen wir uns einige Beispiele an.

Qualität von Straßen und Fahrbahnen erhalten#

Risse in Straßen sind ein häufiges Problem, das durch Witterungsbedingungen, starken Verkehr sowie natürliche Abnutzung entsteht. Temperaturschwankungen können dazu führen, dass sich der Fahrbahnbelag ausdehnt und zusammenzieht, wodurch Risse entstehen. Schwere Fahrzeuge üben zusätzlichen Druck auf die Straßenoberfläche aus, und Wasser, das in kleine Risse eindringt, kann diese mit der Zeit verbreitern und vertiefen. Diese Risse können zu vorzeitiger Abnutzung, strukturellen Schäden und einer erhöhten Gefahr für die Menschen führen, die auf der Straße unterwegs sind. Eine frühzeitige Erkennung mithilfe der Risssegmentierung kann dazu beitragen, die Straßeninstandhaltung effizienter zu gestalten.

Abb. 3. Ein Riss auf einer Straße. Bildquelle: Envato Elements.

Mit Computer Vision erkannte und segmentierte Risse können anhand ihrer Größe in die Schweregrade gering, mittel und hoch eingeteilt werden. Die Klassifizierung der Risse hilft den Instandhaltungsteams bei der Priorisierung. Risse mit hohem Schweregrad können beispielsweise zuerst behoben werden, um kritische Schäden zu verhindern und die Verkehrssicherheit zu verbessern, während Risse mit mittlerem und geringem Schweregrad für spätere Reparaturen und routinemäßige Kontrollen eingeplant werden können. Auf diese Weise kann das Instandhaltungsteam den Ressourceneinsatz optimieren, die Instandhaltungskosten senken und Beeinträchtigungen für die Verkehrsteilnehmer minimieren.

Strukturelle Inspektion und Überwachung#

Risserkennung kann auch eingesetzt werden, um die Qualität und Sicherheit von Gebäuden und anderen Bauwerken zu erhalten. Wie Straßen können auch Gebäude aufgrund von Witterungsveränderungen, Materialermüdung und normaler Abnutzung Risse entwickeln. Die bei Bauarbeiten eingesetzten schweren Maschinen können Bauwerke ebenfalls zusätzlich belasten und dadurch weitere Risse verursachen.

Abb. 4 Mit einem Mobiltelefon Bilder für die Risssegmentierung aufnehmen.

Durch die präzise Identifizierung und Behebung von Rissen kann die Lebensdauer von Gebäuden und Bauwerken erheblich verlängert werden. Die von Risserkennungssystemen erhobenen Daten können außerdem zur Verbesserung von Baunormen und Vorschriften verwendet werden. Durch die Analyse von Mustern und Ursachen von Rissen in verschiedenen Projekten können Fachleute der Branche bessere Bauverfahren und Materialien entwickeln.

Risserkennung in der Öl- und Gasindustrie#

In der Öl- und Gasindustrie ist die Risserkennung entscheidend für die Sicherheit und Zuverlässigkeit von Pipelines, Lagertanks und anderer wichtiger Infrastruktur. Pipelines erstrecken sich häufig über große Entfernungen und sind schwierigen Umweltbedingungen ausgesetzt, die Druckveränderungen und Materialermüdung verursachen und dadurch zu Rissen führen können. Traditionell erfolgt die Risserkennung mithilfe von Pipeline-Inspektionsmolchen, Ultraschallprüfungen und Durchstrahlungsprüfungen. Wenn diese Risse nicht frühzeitig erkannt und behoben werden, können sie zu schweren Problemen wie Leckagen und Explosionen führen. Risse in dieser Branche stellen ein erhebliches Risiko für die Umwelt und den Menschen dar.

Abb. 5. Arbeiter bei der Inspektion von Gastanks auf einem Zug. Bildquelle: Envato Elements

Die Risssegmentierung mit Computer Vision ermöglicht eine kontinuierliche Überwachung des Zustands von Pipelines. Instandhaltungsteams können durch die frühzeitige Identifizierung von Rissen rechtzeitig Reparaturen durchführen und potenzielle Katastrophen verhindern.

Automatisierte Inspektion von Fertigungsteilen#

Die automatisierte Inspektion mithilfe der Risssegmentierung verändert die Qualitätskontrolle in der Fertigung. Früher erfolgte die Risserkennung durch Sichtprüfungen, Farbeindringprüfungen und Magnetpulverprüfungen. Durch die Integration moderner Bildgebung und Computer-Vision-Systeme in die Produktionslinie können Hersteller selbst kleinste Risse und Fehler in Bauteilen unmittelbar nach ihrer Herstellung erkennen. Jedes Bauteil kann geprüft und auf die Einhaltung hoher Qualitätsstandards kontrolliert werden, bevor es die Kunden erreicht.

Die automatisierte Inspektion verbessert Genauigkeit und Effizienz und liefert Rückmeldungen in Echtzeit, sodass Produktionsteams Probleme schnell beheben können. Dadurch werden Kosten eingespart, da der Bedarf an manuellen Prüfungen sinkt und kostspielige Rückrufaktionen verhindert werden. Außerdem erfassen diese Systeme wertvolle Fehlerdaten, die dabei helfen, Muster zu erkennen und Fertigungsprozesse zu verbessern, was zu sichereren und zuverlässigeren Produkten führt.

Abb. 6 Risse in Metallteilen erkennen.

Vor- und Nachteile der Risssegmentierung#

Die Risserkennung mit Deep Learning bietet viele Vorteile, darunter eine höhere Sicherheit und datengestützte Entscheidungen. Sehen wir uns einige weitere Vorteile der Risserkennung in industriellen Umgebungen an:

• Nachhaltige Verfahren: Unterstützt nachhaltige Bau- und Instandhaltungsverfahren, indem der Bedarf an umfangreichen Reparaturen und Ersatzmaßnahmen verringert und dadurch Material und Ressourcen eingespart werden.
• Minimierte Beeinträchtigungen: Wenn Reparaturen an weniger schweren Rissen im Rahmen routinemäßiger Wartungsarbeiten eingeplant werden, lassen sich größere Beeinträchtigungen des Betriebs und der Nutzung vermeiden.
• Einhaltung von Vorschriften: Trägt dazu bei, Branchenstandards und gesetzliche Anforderungen zu erfüllen, indem eine regelmäßige Inspektion und Instandhaltung der Infrastruktur sichergestellt wird.

Trotz ihrer Vorteile hat die Risssegmentierung auch einige Nachteile. Die hohen anfänglichen Infrastrukturkosten können für kleinere Organisationen problematisch sein, und die Komplexität des Systems erfordert fortlaufende Schulungen und Instandhaltung. Hier sind einige weitere Nachteile der Risssegmentierung in industriellen Anwendungen:

• Fehlalarme und übersehene Risse: Risse können fälschlicherweise erkannt oder nicht erkannt werden, was zu unnötigen oder ausbleibenden Reparaturen führt.
• Herausforderungen bei der Datenverwaltung: Es entstehen große Datenmengen, für deren Speicherung und Analyse leistungsfähige Werkzeuge erforderlich sind.
• Umweltfaktoren: Äußere Bedingungen wie extreme Witterung oder hohe Luftfeuchtigkeit können die Genauigkeit und Zuverlässigkeit von Risssegmentierungssystemen beeinträchtigen.
• Integration in bestehende Systeme: Die Integration von Risserkennungstechnologie in bestehende Infrastruktur und Systeme kann schwierig sein und zusätzliche Anpassungen oder Aufrüstungen erfordern.

Wichtige Erkenntnisse#

Risssegmentierung und -erkennung können eine entscheidende Rolle dabei spielen, unsere industrielle Infrastruktur sicher und langlebig zu halten. Mithilfe moderner Technologien wie Deep Learning und Computer Vision können wir strukturelle Probleme frühzeitig erkennen und beheben, bevor sie zu schwerwiegenden Problemen werden. Dieser proaktive Ansatz spart Zeit und Geld und erfüllt gleichzeitig Sicherheits- und gesetzliche Anforderungen. Außerdem unterstützt er nachhaltige Verfahren, da der Bedarf an umfangreichen Reparaturen minimiert wird. Trotz einiger Herausforderungen wie hoher anfänglicher Kosten und großer Komplexität machen die Vorteile der Risssegmentierung in verschiedenen Branchen sie zu einem wertvollen Werkzeug für die Erhaltung und Verbesserung der Infrastrukturqualität.

Weitere Informationen über KI findest du in unserem GitHub-Repository und in unserer Community. Entdecke auf unseren Lösungsseiten KI-Anwendungen in der Fertigung und Landwirtschaft. 🚀