Entwicklung einer KI-Objekterkennung für technische Zeichnungen im Maschinenbau
Loading...
Date
2023
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Das Ziel der Arbeit ist eine Machbarkeitsstudie einer KI-gestützten Objekterkennung von Bauteilen in technischen Zeichnungen des Maschinenbaus. Anschließend soll das KI-Niveau mit dem eines Studierenden verglichen werden. Zuletzt sollen Anwendungsszenarien wie z.B. in der Lehre für die KI verifiziert werden.
Es wird eine KI-Detektion mit Hilfe von YOLOv4 entwickelt, welche es erlaubt, Bauteile in einer technischen Zeichnung zu erkennen und die Position zu bestimmen. Vorversuche haben drei wichtige Einflüsse für eine hohe Detektionsqualität herausgestellt: (I) Bildgröße und Auflösung, (II) die Anzahl der Trainingsdaten sowie (III) eine Definition der zu erkennenden Klassen insbesondere der Label(-regionen).
Eine zweistufige Detektion liefert deutliche Vorteile im Hinblick auf die Detektionsqualität, da Details in großen technischen Zeichnungen mit einer Größe von bis zu DIN A0 sehr unscharf und klein dargestellt werden, wenn diese auf eine geeignete Größe für die Bilderkennung herunter skaliert werden, weshalb die Erkennung der Objekte bei einer einstufigen Version geschmälert wird. Es wird ein automatischer Wellengenerator mit Hilfe von python entwickelt, welcher in kurzer Zeit gelabelte Trainingsdaten erzeugen kann. Diese synthetischen Daten werden mit realen Daten verglichen, indem drei Modelle aufgestellt werden: ein rein manuelles, ein synthetisches und ein Modell mit gemischten Trainings- und Validationsdaten. Reale Zeichnungen, die händisch gelabelt werden, liefern die besten Detektionsergebnisse. Im Anschluss wird mit dem besten Modell eine teil-faktorielle Parameteranalyse mit Trainings- und Detektionsparametern durchgeführt, um das KI-Detektionsmodell weiter zu optimieren. Die Detektion ist in der Lage, Normteile und Maschinenelemente mit einer globalen Genauigkeit von mindestens 95% zu klassifizieren.
Es werden Kompetenzniveaus formuliert, um die Fähigkeiten, die zur Bewältigung des Moduls Technisches Zeichnen im Rahmen des Grundstudiums im Ingenieurwesen erforderlich sind, einordnen zu können. Anschließend wird das KI-Niveau anhand der zuvor aufgestellten Lernniveaus/Lernziel-Taxonomien ermittelt und mit denen der Studierenden verglichen. Daraufhin wird diskutiert, in welchen Lernszenarien oder wo die KI im Berufsumfeld als eine vorteilhafte Unterstützung dienen kann. Abschließend werden weitere Ansatzpunkte genannt, an denen in Zukunft an der KI-Detektion zur Verbesserung der Qualität und zur universellen Schöpfung des Einsatzpotentials gearbeitet werden sollte.
The aim of the work is a feasibility study of an AI-based object detection of components in technical drawings of mechanical engineering. Subsequently, the AI level is to be compared with that of students. Finally, teaching application scenarios are to be verified for AI. An AI object detection based on YOLOv4 is developed, which allows to recognize components in a technical drawing and to determine their position. Preliminary tests have identified three important influences for a high detection quality: (I) image size and resolution, (II) the number of training data as well as (III) a definition of the classes to be recognized, in particular of the labels. It has turned out that a two-stage detection provides clear advantages with regard to the detection quality, since details in large technical drawings with a size of up to DIN A0 are displayed blurred and very small. This is why the recognition of objects is reduced in a single-stage version. An automatic shaft generator is being developed using python, which can generate labeled training data in a short period of time. This synthetic data is compared to real data by setting up three models: a purely manual model, a synthetic model and a model with mixed training and validation data. It turns out that real drawings, labelled by hand, deliver the best detection results. Subsequently, a semi-factorial parameter analysis with training and detection parameters is performed with the best model to further optimize the AI object detection model. The detection is able to classify standard parts and machine elements with a mean overall accuracy of over 95%. The competence levels are formulated in order to be able to classify skills that are required to pass the undergraduate technical drawing module in engineering. Moreover, the AI’s taxonomy level is determined on the basis of the previously established taxonomy/difficulty levels and compared with those of the students. Then it is discussed in which learning scenarios or in which other fields AI can serve as a beneficial support in the professional environment. Finally, further projections are mentioned on which the future work should focus on to improve detection quality and to create universal application potential.
The aim of the work is a feasibility study of an AI-based object detection of components in technical drawings of mechanical engineering. Subsequently, the AI level is to be compared with that of students. Finally, teaching application scenarios are to be verified for AI. An AI object detection based on YOLOv4 is developed, which allows to recognize components in a technical drawing and to determine their position. Preliminary tests have identified three important influences for a high detection quality: (I) image size and resolution, (II) the number of training data as well as (III) a definition of the classes to be recognized, in particular of the labels. It has turned out that a two-stage detection provides clear advantages with regard to the detection quality, since details in large technical drawings with a size of up to DIN A0 are displayed blurred and very small. This is why the recognition of objects is reduced in a single-stage version. An automatic shaft generator is being developed using python, which can generate labeled training data in a short period of time. This synthetic data is compared to real data by setting up three models: a purely manual model, a synthetic model and a model with mixed training and validation data. It turns out that real drawings, labelled by hand, deliver the best detection results. Subsequently, a semi-factorial parameter analysis with training and detection parameters is performed with the best model to further optimize the AI object detection model. The detection is able to classify standard parts and machine elements with a mean overall accuracy of over 95%. The competence levels are formulated in order to be able to classify skills that are required to pass the undergraduate technical drawing module in engineering. Moreover, the AI’s taxonomy level is determined on the basis of the previously established taxonomy/difficulty levels and compared with those of the students. Then it is discussed in which learning scenarios or in which other fields AI can serve as a beneficial support in the professional environment. Finally, further projections are mentioned on which the future work should focus on to improve detection quality and to create universal application potential.
Description
Table of contents
Keywords
Künstliche Intelligenz, KI-Objekterkennung, Technische Zeichnung, Maschinenbau, Ingenieurwesen