Multi-Class Semantic Image Segmentation for Milling Tool Wear Detection

Die Zustandsüberwachung von Werkzeugen ist ein wichtiges Instrument zur Kostenreduktion in der Zerspanung und zur Aufrechterhaltung der Werkstückqualität während der Werkzeuglebensdauer. In der Entwicklung von direkten und indirekten Zustandsüberwachungssystemen werden für den Aufbau einer Grundwahrheit-Datenbank Verschleißmessungen aus Werkzeugverschleißbildern benötigt. In neuerer Literatur wird semantische Bildsegmentierung für die Automatisierung dieser Aufgabe genutzt. Diese Arbeit adaptiert eine Segmentierungspipeline, welche auf dem konvolutionären neuronalen Netz U-Net aufbaut, für die Detektion von Fräserwerkzeugverschleiß in Mikroskopiebildern. Weiters baut sie für die Verwendung einer unsicherheitsbasierten Methode zur Qualitätseinschätzung Dropout-Schichten in das U-Net ein und stellt einen Nachbearbeitungsansatz für die Entfernung von Artefakten vor. Zusätzlich zur Implementierung von vier Verschleißklassen führt sie auch eine Klasse für an der Schneide klebende Späne und eine Klasse speziell für unsichere Bereiche ein. Das Training des U-Nets wird anhand von vier Datensätzen, welche sich hinsichtlich Bildgröße und der Anwendung von Datenerweiterung unterscheiden, und zwei Dropout-Einstellungen durchgeführt. Darüber hinaus untersucht diese Arbeit die Verlustfunktionen Cross Entropy, Focal Cross Entropy und eine auf Intersection over Union (IoU) basierende Verlustfunktion. Die Ergebnisse haben gezeigt, dass drei von vier Verschleißklassen und die Klasse für Späne von nahezu jeder Trainingskonfiguration mit ausreichend Genauigkeit detektiert werden können. Die Verwendung der Klasse zur Erfassung von unsicheren Bereichen scheint ohne große Nachteile hinsichtlich Segmentierungsleistung möglich zu sein. Die unsicherheitsbasierte Methode zur Qualitätseinschätzung zeigt für eine von zwei getesteten Trainingskonfigurationen akzeptable Ergebnisse. Der vorgestellte Ansatz zur Nachbearbeitung ist in der Lage, abgelegene Artefakte von Gesamtbildsegmentierungen zu entfernen. Hinsichtlich der Klasse für unsichere Bereiche und der Abhängigkeiten der unsicherheitsbasierten Methode zur Qualitätseinschätzung ist weitere Forschung notwendig.