Scheinwerfertypen mithilfe von KI klassifizierenScheinwerfertypen mithilfe von KI klassifizieren

Für die Zulassung und regelmäßige Überprüfung von Scheinwerfern im Kfz-Bereich werden Prüfgeräte eingesetzt. Kann künstliche Intelligenz die bisherigen Verfahren zur Datenauswertung ergänzen oder sogar ersetzen?

Scheinwerfertypen mithilfe von KI klassifizieren

Das Unternehmen

Die VELOMAT Group ist eine mittelständische Unternehmensgruppe aus dem Bereich Sensorik, Elektronik und Software. Die Unternehmen bieten Hard- und Software an – von der Datenerfassung (Sensoren und Messelektroniken) über die Datenverarbeitung (beispielsweise Berechnung abgeleiteter Ergebnisgrößen, Filterung, Schwellwertüberwachung) und Datenübertragung (zum Beispiel Funk- und Bussysteme) bis hin zur Anzeige der Ergebnisse in Applikationen für den Endanwender.

Problemstellung und Ausgangssituation

Für die Zulassung und regelmäßige Überprüfung von Scheinwerfern im Kfz-Bereich werden Prüfgeräte eingesetzt. Diese erfassen die Intensitätsverteilung des Scheinwerferlichts mit Sensoren und werten diese anhand von vorgegebenen Auswerteverfahren aus. Neue Technologien wie Matrix-LED Scheinwerfer und eine Vielzahl neuer Hersteller-abhängiger „Advanced Frontlighting System“ (AFS) Lichtverteilungen führen zu großen Herausforderungen für die existierenden Auswerteverfahren. Sie setzen darüber hinaus ein zunehmend umfangreicheres Wissen bei der Nutzung der Prüfgeräte durch die Werkstattmechaniker voraus.

Projektziele

Ziel des Projekts ist die Evaluation der Eignung von KI-Verfahren für die herstellerunabhängige Klassifikation von Scheinwerfertypen. Die neu zu entwickelnden Verfahren sollen darüber hinaus die Genauigkeit der Scheinwerferprüfung für moderne Scheinwerfertechnologien verbessern und damit aktuell am Markt bestehende Verfahren, welche die Parameter mit analytischen Verfahren bestimmen, ergänzen oder ersetzen.

Die bisher verwendeten klassischen, analytischen Verfahren zur Datenauswertung sollen durch KI-Methoden ergänzt bzw. ersetzt werden. Dabei soll neben den gemessenen Lichtintensitätsverteilungen auch das Expertenwissen von Ingenieuren aus dem Bereich Scheinwerferdesign einbezogen werden, wodurch die Einstellgenauigkeit erhöht und die Bedienbarkeit verbessert werden soll. Die beteiligten Mitarbeiter der VELOMAT Group sind Experten im Bereich Softwarentwicklung und Bildverarbeitung. In dem gemeinsamen Projekt sollen zusammen mit den KI-Experten des Digitalzentrums die erfolgversprechendsten Methoden der KI-basierten Datenverarbeitung für die Aufgabe ausgewählt und im Rahmen einer Demonstratoranwendung für die Scheinwerferprüfsoftware evaluiert werden.

Zentrale Fragen

In Zuge des gestarteten Digitalisierungsprojektes werden folgende zentrale Fragen untersucht:

Welche Hardware-technische Voraussetzungen (Kameraeinstellungen, Umgebungslicht usw.) sind bei einer KI-Lösung für Bildklassifikation zu berücksichtigen?
Welche KI-Algorithmen eignen sich am besten für die Klassifikation von unterschiedlichen Scheinwerfertypen?
Wie sollen die Rohbilder vorverarbeitet werden, damit die Bildklassifikation beste Ergebnisse liefern kann?
Welche Entwicklungs-Software kann die Implementierung einer KI-Lösung für Bildklassifikation unterstützen?
Was beeinflusst die Genauigkeit der Bildklassifikation bzw. wie kann man diese erhöhen?

Projektverlauf: KI-Modell entwickelt

Bei der Durchführung des Projektes wird dem bereits etablierten Vorgehensmodell CRISP-DM (teil des ML4P-Vorgehensmodells) gefolgt^[1]. Als erstes präzisierte das Team im Onboarding-Workshop die genauen Ziele des Projektes, die Anforderungen an die KI-Lösung sowie die aktuelle Datenlage. Dafür stellte der Firmenpartner seinen Anwendungsfall ausführlich dar. Im Anschluss wurden die erforderlichen Arbeitsschritte festgelegt:

Bereitstellung der gelabelten Bild-Daten (Abbildung 1), erste Datensichtung
Analyse Ist-Zustand, kurze Literaturrecherche zum Thema des Projektes
Datenanalyse und Datenvorverarbeitung
Erstellung und Test eines einfachen KI-Modells mit Fokus auf die Klassifikationsaufgabe
Erweiterung des KI-Modells bzw. Anpassung hinsichtlich der erforderlichen Komplexität
Untersuchung und Test des komplexeren KI-Modells auf CNN-Basis (Convolutional Neural Network)
Optimierung der finalen KI-Lösung
Dokumentation der Ergebnisse, Übergabe der Lösung an den Firmenpartner in einem Abschluss-Workshop

Input-Bilder für den KI-Algorithmus. links: Fernlicht, rechts: Abblendlicht || ©Velomat Group — Input-Bilder für den KI-Algorithmus. links: Fernlicht, rechts: Abblendlicht

Aktuell werden Experimente mit einem komplexeren KI-Modell durchgeführt, wobei die bereits erzielten Ergebnisse recht vielversprechend sind: So ist es bereits gelungen, ein KI-Modell auf CNN-Basis zu entwickeln, welches im vordefinieren Genauigkeitsbereich liegt. Die Projektpartner legen viel Wert auf die Erklärbarkeit und Transparenz von industriellen KI-Lösungen. Um beide Aspekte zu erhöhen und KI-Vorhersagen besser bewerten zu können, kommt unter anderem das Verfahren Grad-CAM (Abbildung 2) zum Einsatz^[2]. Im nächsten Schritt werden die bereits erzielten Ergebnisse weiter optimiert, dokumentiert und schlussendlich an den Projektpartner übergeben.

Scheinwerfertypen mithilfe von KI klassifizierenScheinwerfertypen mithilfe von KI klassifizieren