Kann KI bei der automatisierten und herstellerunabhängigen Klassifikation von Scheinwerfertypen unterstützen? Um eine Antwort auf diese Frage zu finden, startete im Juni 2023 ein Digitalisierungsprojekt, welches die Eignung verschiedener KI-Verfahren bewerten sollte. Geeignete Verfahren sollen später in intelligenten Scheinwerferprüfgeräten Anwendung finden.
Die KI-Trainer führten Experimente sowohl mit hochkomplexen KI-Modellen auf CNN Basis (Convolutional Neural Networks) als auch vergleichbar einfacheren FFNN Modellen (Feed-Forward Neural Networks) durchgeführt. Dabei zeigten sich folgende Haupterkenntnisse:
- Die Erkennung der Scheinwerfertypen eines Fahrzeugs kann als Klassifizierungsaufgabe für die gelabelten Daten formuliert werden.
- Einfache KI-Algorithmen wie K-Nearest Neighbors oder logistische Regression können bereits eine hohe Erkennungsgenauigkeit für „konventionelle“ Scheinwerfertypen wie Abblendlicht, Fernlicht oder Nebelscheinwerfer liefern.
- Der Umgang mit adaptiven Frontbeleuchtungssystemen (AFS) erfordert jedoch anspruchsvollere Algorithmen wie Convolutional Neural Networks (Deep Learning-Techniken).
- Das Trainieren vereinfachter Modelle mit extrahierten Features liefert vergleichbare Ergebnisse wie die komplexeren CNN-Modelle.
In den letzten Wochen der Projektlaufzeit wurden die erzielten Ergebnisse optimiert, dokumentiert und an den Projektpartner Velomat übergeben. Für die prototypische Entwicklung der KI-Modelle nutzten unsere KI-Experten ausschließlich Open-Source KI-Bibliotheken wie Keras und Scikit-learn. Einen wichtigen Erfolgsfaktor im Projekt stellte die effektive und zielgerichtete Zusammenarbeit dar. Vor allem die prompte und unkomplizierte Bereitstellung des Datenmaterials durch das Unternehmen Velomat hat maßgeblich zur erfolgreichen Evaluation der KI-Verfahren beigetragen.
