Das Projekt UseML beschäftigt sich mit Inspektionssystemen, die Machine Learning–Strukturen nutzen und zu ihrer Optimierung Trainingsdaten benötigen. Die Meta- Information über den Zustand des Inspektionssystems wird extrahiert und in verständlicher Weise präsentiert.

Die Bildverarbeitung für die Endkontrolle (Oberflächeninspektion) in der produzierenden Industrie erzeugt immense Datenmengen. Machine Learning wird zur Verarbeitung der Daten genutzt. Die Inbetriebnahme und Optimierung von Machine Learning – Strukturen wirft Probleme auf:

Beim Einlernen neuer Fehlerklassen ist es schwierig, diese zu definieren und von bestehenden Klassen abzugrenzen. Die Auswirkungen bei der Implementierung einer neuen Klasse auf die gesamte Leistungsfähigkeit (Klassifikationsleistung) des Systems ist ebenso unklar.
Sobald die automatische Beurteilung (iO/niO) nicht mit den Erwartungen des Experten übereinstimmt, muss untersucht werden, wie das System zu seinen Entscheidungen gekommen ist. Eine mathematische Erklärung in Form von Featurevektoren und Entscheidungsgrenzen ist dabei in der Regel für die Interaktion mit dem Maschinenbediener nicht geeignet.

Inspektionssysteme nutzen Machine Learning –  Strukturen, die zu ihrer Optimierung Trainingsdaten benötigen. Das Sammeln von Trainingsdaten muss on-line erfolgen, weil vor der Installation des Systems keine Bilddaten vorliegen. Dazu sind Trainingsmethoden notwendig, die effizient und vor allem robust sind. Eventuelle Fehler beim Trainieren der Strukturen müssen korrigierbar bleiben.

Im Projekt UseML werden Lösungen für diese Themen entwickelt. Um diese Machine Learning Strukturen für den Benutzer handhabbar zu machen, muss der Zustand und die Funktion der Strukturen in verständlicher Weise präsentiert werden. Dadurch wird die Nutzbarkeit von Machine Learning in Produktionsumgebungen verbessert. Das ermöglicht eine sinnvolle Interaktion mit dem Maschinenbediener.

Das Ziel des Projekts sind Softwareprototypen, die an einem realen Prüfsystem evaluiert werden können.

Projketname:
Improving the Usability of Machine Learning in Industrial Inspection Systems

Förderung:
FFG – IKT der Zukunft – 1. Ausschreibung (2012)

Laufzeit:
01.06.2013 – 31.05.2015

Publikationen

2016
  • Sharath Chandra Akkaladevi, Matthias Plasch, Andreas Pichler, Bernhard Rinner, Human Robot Collaboration to Reach a Common Goal in an Assembly Process, accepted for publication at ECAI 2016
  • Sharath Akkaladevi, Martin Ankerl, Christoph Heindl, Andreas Pichler, Tracking multiple rigid symmetric and non-symmetric objects in real-time using depth data, ICRA 2016
  • Sriniwas Chowdhary Maddukuri, Gerald Fritz, Sharath Chandra Akkaladevi, Matthias Plasch, Andreas Pichler, Trajectory planning based on activity recognition and identification of low-level process deviations, Austrian Robotics Workshop 2016
  • Sharath Chandra Akkaladevi, Martin Ankerl, Gerald Fritz, Andreas Pichler, Real-time tracking of rigid objects using depth data, Austrian Robotics Workshop 2016
2015
  • Sharath Akkaladevi, Christoph Heindl, Action Recognition for Human-Robot Interaction in Industrial Applications, IEEE International Conference on Computer Graphics, Vision and Information Security (CGVIS),  3. Nov. 2015
  • Sharath Akkaladevi, Christoph Heindl, Alfred Angerer, Juergen Minichberger, Action Recognition in Industrial Applications using Depth Sensors, Austrian Robotics Workshop 2015, May 07 – 08, 2015
  • Martijn Rooker, Sriniwas Chowdhary Maddukuri, Jürgen Minichberger, Christoph Feyrer, Helmut Nöhmayer and Andreas Pichler, Interactive Workspace Modelling for Assistive Robot Systems with the Aid of Ultrasonic Sensors, Proc. of the International Conference on Flexible Automation and Intelligent Manufacturing (FAIM), 23 – 26 June 2015

Ihr Ansprechpartner

DI Dr. Wolfgang Heidl
Head of Business Development

+43 7252 885 252
wolfgang.heidl@nullprofactor.at

Gerne antworten wir…

… auf Ihre Fragen