Im proto_lab wird künstliche Intelligenz eingesetzt, um Anomalien an Bauteilen über Computer Vision schnell und zuverlässig detektieren zu können. Dadurch können viele Qualitätsprobleme in Produktionsprozessen frühzeitig erkannt und gelöst werden.
Im Rahmen studentischer Projektarbeiten wurde zunächst der klassische Ansatz für Bildauswertungen getestet. Über die freie Programmbibliothek OpenCV wurden Algorithmen verwendet, die das Gutmuster einer Holzplatte möglichst umfassend beschreiben. Für diesen Ansatz ist allerdings eine gewisse Erfahrung mit Computer Vision sowie statistischen Methoden notwendig. Zudem müssen mögliche Abweichungen von erwartbaren Beobachtungen sehr genau beschrieben werden um korrekte Aussageergebnisse erzielen zu können.
Im Rahmen einer Masterarbeit wird nun das neuronale Netzwerk eines Autoencoders genutzt, um aus Trainingsdaten Bauteilmerkmalsbeschreibungen automatisch zu extrahieren. Dazu werden zahlreiche Bilder von Gutmustern eines Bauteils in das neuronale Netzwerk eingespeist. Der Autoencoder reduziert die gegebenen Bildinformationen auf eine komprimierte Darstellung, extrahiert aus dieser die wesentlichen Merkmale und dekomprimiert diese Darstellung im Anschluss wieder, um das rekonstruierte Originalbild auszugeben. Durch das Training mit vielen Bildern von Gutmustern, lernt das neuronale Netzwerk über Deep Learning „gute“ Bilder auszugeben. Landet später dann ein Bauteil mit Anomalien vor der Kamera, so versucht der Autoencoder ebenfalls ein Gutmuster zu rekonstruieren. Beim automatischen Abgleich mit der Originaldatei werden Anomalien sofort erkannt und dem Nutzer in einem Differenzbild mit hoher lokaler Präzision angezeigt.