Industrielle Bildverarbeitung im Straßenverkehr
Reifen per Deep Learning klassifizieren
Die West Nippon Expressway Engineering Shikoku Company Limited (Nexco) sorgt in Japans Winter für sicheren Straßenverkehr: Mit der Bildverarbeitungssoftware Halcon von MVTec hat das Unternehmen die Inspektion von Reifen im laufenden Verkehr automatisiert. Durch Deep-Learning-Technologien wird die Bereifung nun zuverlässig, etwa in Sommer- und Winterräder, klassifiziert.
Die West Nippon Expressway Engineering Shikoku Company Limited (Nexco) hat sich auf den Bau und den Betrieb von Schnellstraßen und Autobahnen in der Region Shikoku in Japan spezialisiert. Dabei zeichnet sich das Unternehmen auch für die komplette Instandhaltung des Straßennetzes inklusive Durchführung von Inspektionen, Wartungs- und Reparaturarbeiten verantwortlich. Ziel ist es, die Sicherheit, Schnelligkeit, Pünktlichkeit und Zuverlässigkeit im Straßenverkehr unter Einhaltung neuester Umweltstandards zu gewährleisten. Dies unterstützt die gesamte Infrastruktur in der Region und sorgt für ein Maximum an Mobilität zugunsten der Bevölkerung.
Sicher durch den Winter
Um den Straßenverkehr auch in den Wintermonaten und insbesondere in Bergregionen sicher zu machen, müssen die Fahrzeuge auf ihre Verkehrstauglichkeit überprüft werden. Dazu zählt auch die regelmäßige Inspektion der Bereifung. Dies geschieht im laufenden Verkehr am Rande von Autobahnen und Bergstraßen. Dabei wird geprüft, ob die Autos bei Schneefall oder Eisglätte über Winterreifen mit einer ausreichenden Profiltiefe verfügen. Bisher übernahmen Mitarbeiter diese Aufgabe und kontrollierten jeden einzelnen Reifen manuell. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Falsche Klassifizierungen auf null reduzieren
Um die Zahl der Mitarbeiter zu reduzieren, Wartezeiten zu verkürzen und die Effizienz des Prozesses zu erhöhen, sollte die Reifenprüfung mit Hilfe von industrieller Bildverarbeitung (Machine Vision) automatisiert werden. „Unser Ziel war es, die Präzision bei der Unterscheidung von Winter- und Normalreifen zu erhöhen und dabei fehlerhafte Klassifizierungen auf Null zu reduzieren. Außerdem würde sich mit Machine Vision die Zahl der Kontrolleure deutlich reduzieren, die unter unwirtlichen Wetterbedingungen die Reifenkontrollen vornehmen müssen“, erklärt Shogo Hayashi, Mitglied der Engineering Division bei Nexco. Am für die Prüfung eingesetzten Setup fahren die Fahrzeuge mit einer Geschwindigkeit von etwa 30km/h vorbei. Der Aufbau besteht aus hochauflösenden Kameras, LED-Beleuchtungssystemen, Tablet-PCs sowie Monitoren zur Visualisierung der Prüfergebnisse. Die Hardware-Komponenten müssen dabei den Witterungseinflüssen direkt am Straßenrand standhalten und auch unter rauen winterlichen Bedingungen einen stabilen Betrieb ermöglichen. Die in das System integrierte Bildverarbeitungssoftware Halcon sorgt für die Identifikation des jeweiligen Reifentyps. Die Standardsoftware für die industrielle Bildverarbeitung wird von MVTec aus Deutschland entwickelt. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Regelbasierte Algorithmen nicht geeignet
Der Systemaufbau muss einigen Herausforderungen genügen: So gibt es je nach Fahrzeugart – ob Pkw, Lkw, Transporter oder Bus – verschiedene Reifentypen, die erkannt und geprüft werden müssen. Darüber hinaus schwanken Licht- und Sichtverhältnisse in der winterlichen Umgebung. Die Entwicklung eines regelbasierten Algorithmus, der mit diesen Bedingungen zurechtkommt, erwies sich als schwierig. Eine weitere Herausforderung: Um die Genauigkeit bei der Erkennung zu verbessern, müssen fehlerhafte Klassifizierungen vermieden werden. Das bedeutet, normale Reifen dürfen nicht als Winterreifen eingestuft werden. Daher haben die Nexco-Techniker Klassen definiert und hinzugefügt, um auch Reifen, die aufgrund von Spritzern oder Schneeanhaftungen nicht eindeutig als Winter- oder Sommerreifen erkannt werden können, zu identifizieren. In Testreihen, die auf logistischer Regression basieren, wurde eine hohe Quote an herkömmlichen Reifen fälschlicherweise als Winterreifen identifiziert. Dies zeigte, dass regelbasierte Algorithmen unter den gegebenen Bedingungen nicht zielführend sind. Hier setzt Nexco auf Halcon. Die darin integrierten Deep-Learning-Algorithmen wurden mit etwa 13.000 Reifenbildern trainiert, was die Präzision bei der Unterscheidung der Reifentypen signifikant verbessert hat. So ließ sich die Rate der normalen Reifen, die fälschlicherweise als Winterreifen erkannt wurden (falsch positive Ergebnisse), auf null reduzieren.
Robuste Ergebnisse dank Deep Learning
Das System wurde im Winter 2019 in den Regionen Fukuchiyama, Oita und Chiyoda eingeführt. Das Ergebnis: keinerlei Sommerreifen wurden als Winterreifen klassifiziert. Hinzu kommt, dass Reifen, die als nicht wintertauglich eingestuft werden, laut gesetzlichern Vorschriften einer manuellen Sichtprüfung unterliegen. Durch das neue System konnte die Zahl der Fahrzeuge, die einer solchen Sichtprüfung unterzogen werden müssen, auf ein Drittel reduziert werden. Dies spart Zeit und Kosten ein. Darüber hinaus reduzierten sich Staus und Wartezeiten. Aufgrund der hervorragenden Resultate und zahlreichen Vorteile wurde das System im Winter 2020 an weiteren 18 Standorten in Betrieb genommen. Nexco plant zudem weitere Einsatzmöglichkeiten für Halcon. So sollen mithilfe der Bildverarbeitungssoftware in Zukunft auch Anwendungen für die Bewertung der Integrität von Straßenstrukturen entwickelt werden.
