Datensegmentierung mittels Computertomographie für die Automobilindustrie und Logistik

Die automatische Segmentierung von dreidimensionalen Datensätzen aus der Röntgen-Computertomographie (CT) zur Bestandsaufnahme von kompletten Fahrzeugen ist bisher eine ungelöste Herausforderung. Klassische Methoden sind nicht in der Lage, ausreichend zuverlässig verschiedene Bauteile und Komponenten in den Voxel zu trennen und zu identifizieren. Momentan kann diese virtuelle »Zerlegung« nur manuell erfolgen – das stellt einen extremen Arbeits- und Kostenaufwand für die Industrie dar. Dennoch ist das Interesse der Industrie sehr hoch und es besteht eine starke Nachfrage nach entsprechenden CT-Messungen. Aus diesem Grund besteht in dem Bereich der dringende Bedarf, die Daten automatisch in Untergruppen zu zerlegen und die resultierenden Volumenbilder einzelner Baugruppen in CAD-fähige Formate überführen zu können.

Selbstlernende kognitive Software-Systeme im Bereich des Maschinellen Lernens (ML), insbesondere mit sogenannten Convolutionalen Neuronalen Netzen (CNNs), gelten als aussichtsreichste Technik zur Lösung dieses Problems. Ein solches System soll in die Lage versetzt werden, Bildinhalte (Strukturen oder Komponenten) in einem komplexen Datensatz automatisch zu identifizieren, zu segmentieren sowie deren Eigenschaften (Lage, Größe, Form) zu charakterisieren. Darüber hinaus soll das System robust gegenüber zufälligen Variationen der Bildqualität oder der abgebildeten Objekte sein und sich bei einer graduellen Änderung (z.B. variierende Größe, Form, Struktur oder Geometrie) der Bauteile flexibel anpassen.