Hesse-Matrix-basierte Qualitätsmanagementsysteme für die Fertigungsindustrie

Die Qualitätssicherung ist ein überaus zentrales Thema in der Fertigungsindustrie, da sie unmittelbar mit der Produktqualität und der Kundenzufriedenheit zusammenhängt. Fortschritte in Algorithmen und modernen Kommunikationstechnologien im Kontext von Industrie 4.0 haben dazu beigetragen, dass traditionelle Fertigungsindustrien Deep-Learning-Modelle zur Kontrolle der Produktionsqualität einsetzen. Allerdings stellen industrielle Anwendungen hohe Anforderungen an die Effizienz von Algorithmen. Zudem fehlen in praktischen Anwendungen häufig umfangreiche, gelabelte Daten für das Training von Deep-Learning-Modellen. Um diesen Herausforderungen zu begegnen, haben wir in diesem Artikel ein auf maschinellem Lernen basierendes Modell zur Qualitätserkennung entwickelt. Unser Modell nutzt eine effizientere Hesse-Matrix-Erkennungsmethode, um direkt die lokalen Maxima im Skalenraum des Eingangsbildes zu identifizieren, ohne zahlreiche Gauss-Differenzbilder berechnen zu müssen. Darüber hinaus wenden wir Methoden der Bildverarbeitung an, um die Trainingsdaten zu erweitern, sodass das Modell auch bei geringen Trainingsdatenmengen eine hohe Genauigkeit erreicht. Unsere experimentellen Ergebnisse zeigen, dass das vorgeschlagene Modell die höchste Genauigkeit und Effizienz im Vergleich zu gängigen Methoden aufweist. Abschließend haben wir in diesem Artikel auch eine benutzerfreundliche Schnittstelle für unser Modell erstellt und dieses in das elektronische Kanban der Werkstatt integriert. Unsere empirischen Studien haben ergeben, dass die entwickelten Systeme in der industriellen Praxis anwendbar sind und die Fehlerquote senken sowie die Produktqualität erhöhen können.