Im Tandem waren die Rollen perfekt aufgeteilt. Dr. Wanner erläuterte zunächst auf der wissenschaftlichen Ebene, worum es sich bei synthetischen Daten handelt und wie man sie sensorrealistisch herstellt.ID-Machine Vision Spezialist Sartor stellte anschließend anhand von Praxisbeispielen vor, Welche Bedeutung sie für die industrielle Bildverarbeitung haben.
Realistische Bilddaten synthetisch erzeugen
Grundsätzlich ist der Einsatz synthetischer Bilddaten in der Industrie immer dort von Vorteil, wo es nicht möglich oder schlicht zu teuer ist, Fehler zu generieren oder zu sammeln, um diese für das Training von KI bzw. Deep Learning zu nutzen. Bei hoher Produktvielfalt oder schnellem Wechsel von Produkten in der Automationskette können synthetisch erzeugte Daten die Qualitätssicherheit erhöhen.
Beispiel 1: Sitzprüfung in der Automobilindustrie. Hier können Risse, Narben, Nahtfehler oder Beulen durch synthetisch erzeugte Oberflächen simuliert werden, um die KI so zu trainieren, dass in der eigentlichen Produktion genau diese Fehler direkt von Produktionsbeginn erkannt werden, ohne diese vorher in Realität gefunden und trainiert zu haben.
Beispiel 2: Topfprüfung in der Haushaltsindustrie. Durch Deep Learning mit synthetischen Daten werden beispielsweise Farbfehler, Emaille-Kratzer, fehlerhafte Bedruckung oder mangelnder Glanz auf Oberflächen erkannt und in der Produktionssoftware verarbeitet.
Warum synthetische Daten wichtig sind?
KI-Systeme brauchen große, diverse Datensätze, aber reale Defekte sind selten, teuer oder schwer zu erfassen. Mit synthetischen Daten machen wir Systeme robuster, flexibler und schneller einsatzbereit.
Genau das hat Michael Sartor auf der VDI-Fachkonferenz den rund 80 Ingenieur*innen auf anschauliche Weise vermittelt. Begleitet wurde er von ID-Geschäftsführer Tobias Butscheid, der in anschließenden Netzwerk-Gesprächen die Möglichkeiten der Zusammenarbeit mit ID vertiefte.
Weitere Infos hier.
