Metrologisch interpretierbare maschinen-gelernte Merkmale durch latente Merkmalsräume von generativen Deep Learning Modellen

• Antragsteller: Professor Dr.-Ing. Robert Schmitt
• Fachliche Zuordnung: Produktionssystematik, Betriebswissenschaften, Qualitätsmanagement und Fabrikplanung
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 507911127

Die Merkmalsextraktion ist ein wichtiger Schritt bei der Entwicklung industrieller Bildverarbeitungssysteme, welche Qualitätsmerkmale eines Prozesses oder Produkts messen können. Herkömmliche Methoden der Merkmalsextraktion erfordern jedoch eine vorherige geschlossen analytische Formulierung der entsprechenden Merkmale. Diese Formulierungen sind jedoch angesichts der Komplexität und Varianz der qualitätsrelevanten Merkmale in vielen industriellen Qualitätssicherungsanwendungen häufig nicht verfügbar oder ihre Beschreibung nicht angemessen. Methoden des Deep Learning können diese Merkmale zwar inhärent lernen und zum Treffen von Entscheidungen nutzen, benötigen aber große Mengen an annotierten Daten und arbeiten diskriminativ, d. h. es werden nur nominale Eigenschaften zugewiesen. Darüber hinaus sind die maschinell erlernten Merkmale für Anwender nicht nachvollziehbar, was das Ableiten von Maßnahmen aus den Entscheidungen des Models verhindert. Das übergeordnete Ziel von "MIMICRI" ist die Entwicklung und Etablierung einer messtechnisch interpretierbaren Merkmalsextraktionsmethode auf der Basis von generativem Deep Learning, um qualitätsrelevante Merkmale für industrielle Qualitätssicherungsanwendungen zu messen, welche mit herkömmlichen Merkmalsextraktionsmethoden nicht erfasst werden können. Im Rahmen der Kooperation mit der Universidade Federal de Santa Catarina wird der Fokus des WZL auf der Entwicklung der neuen Merkmalsextraktionsmethode im Bereich der industriellen Bildverarbeitung liegen. Generative Deep Learning Methoden lernen die zugrundeliegende Verteilung eines gegebenen Datensatzes und haben in den letzten Jahren insbesondere durch erstaunliche Ergebnisse in der Bildsynthese und Bildbearbeitung viel Aufsehen erregt. Sie können unüberwacht trainiert werden und erfordern dadurch keine kostspieligen Annotationen. Die Extraktion charakteristischer Merkmale des gegebenen Datensatzes erfolgt während des Trainings in Form eines strukturierten und regularisierten Merkmalsraumes (latent spaces), der einen hohen Grad von Unabhängigkeit in den extrahierten Merkmalen aufweist. Dadurch können die maschinell erlernten Merkmale im Merkmalsraum interpretiert werden und eine Zuordnung zu den qualitätsrelevanten Merkmalen vorgenommen werden. Für eine messtechnische Interpretation ist eine quantitative Bewertung notwendig. Zu diesem Zweck werden Abstandsmaße im Merkmalsraum auf Basis Riemannscher Mannigfaltigkeiten abgeleitet, um Skalen zur Messung der qualitätsrelevanten Merkmale zu definieren.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Brasilien
• Partnerorganisation: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior; (CAPES); Setor bancario Norte
• Kooperationspartner: Professor Dr.-Ing. Armando Albertazzi Concalves Junior