KI-gestützte Defekterkennung

Herausforderung: Typische Defekte in der Kalksandstein- und Porenbetonproduktion, wie Risse oder Lunker, liegen oft unter der Oberfläche und lassen sich mit herkömmlicher Sichtkontrolle kaum erkennen. Sie werden erst nach dem energie- und kostenintensiven Schritt der Autoklavierung sichtbar. Fehlerhafte Steine können nicht verbaut, sondern müssen recycelt werden . Dies führt zu einem höheren Einsatz von Energie und Material, bindet Ressourcen und treibt sowohl Kosten als auch CO2-Emissionen unnötig in die Höhe.

Zielsetzung: Ziel ist die Erprobung und Bewertung moderner Bildgebungsverfahren, datengetriebener Sensorfusion und KI-Methoden, um Defekte frühzeitig und automatisiert zu erkennen. So könnten oberflächliche und verdeckte Defekte bereits vor der energieintensiven Autoklavierung digital sichtbar gemacht werden. Dadurch lassen sich Kosten und Material einsparen sowie der CO2-Ausstoß reduzieren.

Projektbeschreibung: In gezielten Versuchsdurchläufen mit bewusst erhöhter Defektrate werden unterschiedliche Kamerasysteme im Produktionsumfeld getestet und deren Eignung für die Defekterkennung untersucht. Im Technikum der Forschungsvereinigung Kalk-Sand e.V. werden dazu Bilder der Werkstücke vor und nach der Autoklavierung gesammelt. Die Bilddaten werden manuell ausgewertet und aufgetretene Defekte markiert, um einen Trainingsdatensatz zu erstellen. Auf dieser Basis werden KI-Modelle trainiert, die diese Defekte automatisch erkennen können. Zusätzlich wird geprüft, ob einzelne Bildgebungsverfahren ausreichen oder ob eine Kombination mehrerer Verfahren (Sensorfusion) die Erkennung verbessert. Dabei werden auch Anforderungen wie sehr kurze Rechenzeiten (subsekundäre Inferenzzeit) berücksichtigt, um eine Integration des KI-Modells direkt in den Produktionsprozess zu ermöglichen.