Optimierung von KI-gestützter Qualitätskontrolle durch visuelle Vorverarbeitung mit Deep Learning
Im Rahmen unserer Forschung haben wir systematisch untersucht, wie sich bildverarbeitende Vorverarbeitungstechniken auf die Erkennungsgenauigkeit moderner Deep-Learning-Modelle im industriellen Kontext auswirken. Ziel war es, visuelle Verfahren wie den Gaußschen Filter gezielt einzusetzen, um KI-basierte Qualitätsprüfungen effizienter, robuster und näher an den menschlichen Wahrnehmungsmechanismen zu gestalten.
Unsere Arbeiten fokussierten sich auf die automatische Defekterkennung bei industriellen Produkten, etwa synthetischem Leder oder Komponenten aus dem MVTec-Standard-Datensatz. Wir evaluierten verschiedene vortrainierte Deep-Learning-Architekturen – darunter ResNet50V2, VGG16/19, InceptionV3 und Xception – im Zusammenspiel mit einer gezielten Bildvorverarbeitung mittels Gauß-Filterung. Inspiriert von der menschlichen Retina, wurde die Filterung eingesetzt, um das Bildrauschen zu reduzieren und relevante Strukturen besser hervorzuheben. In einer breit angelegten Studie zeigten wir, dass diese Methode die Modellleistung in der Regel signifikant verbesserte, insbesondere hinsichtlich der Balanced Accuracy, True Negative Rate und weiteren Qualitätsmetriken. Die Ergebnisse verdeutlichen, dass eine bewusste Gestaltung der Bildvorverarbeitung ein ebenso zentraler Hebel für robuste KI-Lösungen ist wie die Wahl des Netzwerks selbst – gerade in datenintensiven Industrieanwendungen mit hohem Qualitätsanspruch.
[1] Buettner, R., Mai, C., & Penava, P. (2025). Improvement of deep learning models using retinal filter: A systematic evaluation of the effect of Gaussian filtering with a focus on industrial inspection data. IEEE Access.
[2] Mai, C., Penava, P., & Buettner, R. (2024). A novel deep learning-based approach for defect detection of synthetic leather using Gaussian filtering. IEEE Access.