Passgenaue Schuhe mittels 3D-Druck - Deep Learning unterstützt die Defekt-Erkennung bei Mass Customization

Markus Trapp, Markus Kreutz, Alexander Böttjer, Michael Lütjen und Michael Freitag

Die additive Fertigung hat sich als Produktionsverfahren etabliert und auch Einzug in die Modeindustrie gefunden, in der individualisierte Schuhe im 3D-Druckverfahren hergestellt werden. Die Herstellung von solchen Einzelstücken stellt jedoch hohe Herausforderungen an eine automatisierte Qualitätskontrolle, da durch die vergleichsweise geringen Stückzahlen auch wenig Informationen über mögliche Defekte erzeugt werden. In diesem Beitrag wird ein Vorgehen zur Qualitätskontrolle durch Nutzung eines Autoencoders vorgestellt, welcher mittels Bildern von defektfreien Testobjekten so trainiert wird, dass auftretende Anomalien erkannt werden können. Mit einem ROC AUC score von 0,87 zeigen erste Tests vielversprechende Ergebnisse und belegen, dass durch diese Methode Defekte an den verwendeten Schuhmodellen erkannt werden können.

In den vergangenen Jahren konnte sich die additive Fertigung durch Verfahren wie dem Fused Layer Modeling (FLM) bereits in vielen verschiedenen Branchen und Industrien als Produktionsverfahren etablieren, so z. B. im Automobilbau, der Luftfahrt oder im Gesundheitswesen [1, 2]. Aufgrund einer verbesserten Energie- und Produktionseffizienz sowie durch Fortschritte in der Materialwissenschaft ergeben sich neue Anwendungsgebiete, worunter auch die Mode- und Schuhindustrie zählt. So sind sog. „3D-Drucker“ heutzutage in der Lage, textile Gewebestrukturen nachzuahmen und so Kleider und Schuhe „3D-drucken“ zu können [3, 4]. Konnten anfangs nur einzelne Komponenten, wie Leisten oder Sohlen auf diese Weise hergestellt werden, können mittlerweile sogar vollständige Schuhe in einem Stück „3D-gedruckt“ werden [5, 6]. Zwar können durch dieses Produktionsverfahren kaum die Stückzahlen einer konventionellen Schuhherstellung erreicht werden, jedoch hat dieses Produktionsverfahren mit der Möglichkeit der Mass Customization den Vorteil der Individualisierung durch Anpassung von Standardschuhmodellen. Neben optischen Effekten kann dies auch medizinische Vorteile bedeuten, wenn so zum Beispiel eine bessere Druckverteilung erreicht wird [7]. Wie auch bei anderen Produktionsverfahren ist die Qualitätskontrolle ein entscheidender Bestandteil des Herstellungsprozesses. Für die Erkennung fehlerhafter Zwischen- oder Endprodukte bietet sich dabei die Methodik der Anomalie-Erkennung an, welche ein breites Spektrum unterschiedlicher Techniken umfasst [8]. Eine dieser Techniken beruht auf der Annahme, dass die Eingangsdaten sich in einer komprimierten, nieder-dimensionalen Form darstellen lassen, in der reguläre und defekte Varianten sich stark voneinander unterscheiden. Ein bekanntes Beispiel für eine solche Dimensionalitätsreduktion, welches auch bei der Qualitätsinspektion Anwendung findet, stellt die Hauptkomponentenanalyse (engl. Principal Component Analysis PCA) [9, 10] dar. Diese Methode ist allerdings auf lineare Transformationen beschränkt, wohingegen viele Probleme in der Praxis nicht-lineare Zusammenhänge darstellen. Die Methode der Autoencoder, welche seit den 1980er eingesetzt werden [11], können hingegen auch diese nicht-linearen Abbildungen realisieren [12]. Autoencoder bestehen dabei aus einem Kodierer und einem Dekodierer. Der Kodierer wandelt die Eingangsdaten, z. B. RGB-Bilder, in eine abstrakte, komprimierte, niederdimensionale Darstellung um und der Dekodierer rekonstruiert anschließend wieder ein Bild im Format der Eingangsdaten aus der komprimierten Form. Der Autoencoder wird nur mit Daten ohne Defekten antrainiert, sodass die Annahme ist, dass bei der Kompression nur Eigenschaften der Eingangsdaten erhalten bleiben, welche unabhängig von potenziellen Defekten sind. Auf diese Weise würde auch bei Daten mit Defekten durch die Kompression die Information über die Defekte verloren gehen und bei der Rekonstruktion das Resultat weitestgehend keine Defekte mehr enthalten. Über den Abgleich von Original und Rekonstruktion wird der Rekonstruktionsfehler bestimmt, welcher nun entsprechend der Annahme bei Daten mit Defekten deutlich höher ausfällt als bei defektfreien Daten.

In Bereichen der Produktion, wo Defekte nur sehr selten auftreten, ist diese Methode daher besonders gut für die Anomalie-Erkennung geeignet.


Bild 1: Ablauf der Defekterkennung mittels Autoencoder.

Defekterkennung ohne Daten mit Defekten

Im Folgenden wird ein Vorgehen zur Erkennung von Defekten an 3D-gedruckten Schuhen anhand Bildern vorgestellt, welches auf einem Autoencoder basiert. Das Vorgehen benötigt als Input ein Foto des Schuhs und liefert als Output die Aussage, ob sich Defekte auf dem Schuh befinden. Das Vorgehen geht dabei wie folgt vor (Bild 1):

1. Auf dem Bild wird über ein Segmentierungsmodell der Bereich des Schuhs mit einem Polygon markiert.
2. Der Algorithmus zerteilt das Bild in überlappende Bildabschnitte der Größe 64 mal 64 Pixel, sodass zwischen zwei benachbarten Bildabschnitten ein Versatz von 20 Pixeln vorliegt.
3. Bildabschnitte, deren Bildfläche zu weniger als 95 % den Schuh zeigen, werden verworfen.
4. Der Autoencoder ermittelt für jeden Bildabschnitt den Rekonstruktionsfehler.
5. Der Durchschnitt aller Fehlerwerte stellt den Gesamtfehlerwert des Bildes dar. Über einen im Voraus ermittelten Schwellenwert macht der Algorithmus eine Aussage darüber, ob das Bild voraussichtlich Defekte enthält oder nicht.

Aufbau des Autoencoders

Für die Defekt- bzw. Anomalie-Erkennung auf den Schuhen wurde ein Autoencoder-Modell aus der Python-Bibliothek alibi detect [13] verwendet. Dieses Modell akzeptiert eine Eingabe von Bildern mit den Dimensionen 64x64 Pixeln und mit drei Farbwerten, dargestellt also durch 64x64x3=12.288 Zahlenwerten. Bild 2 zeigt eine Skizze der Modell-Architektur. Der Kodierer des Modells reduziert die Eingangsbilder auf 1024 Zahlenwerte, was etwa 8,3 % der Originalgröße entspricht, während der Dekodierer hieraus wieder 12.288 Zahlenwerte erzeugt.

Implementierung und Validierung

Das vorgestellte Vorgehen wurde anhand eines prototypischen, gedruckten Schuhs validiert, welcher in Bild 1 zu sehen ist. Von diesem Schuh lagen jeweils Versionen mit und ohne Defekten vor. Insgesamt lagen 49 Bilder vom defektfreien Schuh vor und zehn Bilder vom Schuh mit Defekten. Da der Fokus auf der Validierung des Autoencoders (der Anomaliedetektion) gelegt wurde, fand die Segmentierung manuell statt. Hierfür wurden die Schuhbereiche der verwendeten Bilder mittels einer Software mit einem Polygon im Format des COCO-Datensatzes [14] markiert.

Zum Weiterlesen hier klicken