Neuronale Netze haben in den letzten Jahren immer stärker an Bedeutung gewonnen. Seitdem das Convolutional Neural Network (CNN) AlexNet, bei dem es sich um ein von biologischen Prozessen inspiriertes Konzept im Bereich des maschinellen Lernens handelt, im Jahr 2012 die ImageNet Challenge gewonnen und den State-of-the-Art im Bereich Computer Vision deutlich verbessert hat, ist die Forschung im Bereich Bildklassifikation und Objekterkennung explodiert und tiefe neuronale Netze sind in immer mehr Anwendungen zu finden. Obwohl die genannten Aufgaben seit dem sogenannten ImageNet Moments aus Forschungssicht weitgehend als gelöst gelten, bleiben genügend praktische Anwendungsgebiete, für die es auch 2021 keine befriedigenden Erkennungslösungen gibt.
So wurde die Idee geboren, unter Zuhilfenahme neuronaler Netze den Arbeitsablauf in Unternehmen zu unterstützen. Der Verschleiß und langwierige Wartungsarbeiten bei Produktionsmaschinen, durch die es regelmäßig zu Problemen und somit zu Produktionsausfällen kommt, ist ein entscheidender Faktor in der Industrie. Gerade in diesen Fällen ist eine zügige Instandsetzung der Produktionsmaschinen von größter Bedeutung. So soll das Projekt es ermöglichen, die für die Wartungsarbeiten zu ersetzenden Bauteile einer Maschine, auf einem Bild identifizieren zu lassen und automatisch Vorschläge für das korrekte Ersatzteil zu liefen.
Es galt hierfür mehrere Herausforderungen zu meistern:
Zum einen sehen sich viele Ersatzteile sehr ähnlich und unterscheiden sich evtl. sogar nur in der Größe, die sich auf den Bildern ohne Referenzmaß aber nicht zweifelsfrei ermitteln lässt. Weiterhin müssen die Bilder der Anwender, mit unterschiedlichen Hintergründen basierend auf Trainingsdaten mit homogenen Hintergründen, erkannt werden. Schließlich sind die zu identifizierenden Bauteile evtl. verschmutzt, oder sogar beschädigt und daher schwer den fabrikneuen Bauteilen zuzuordnen.
Zusammen mit der Firma Matra wurde an einem funktionstüchtigen Demonstrator einer Objekterkennungssoftware, die Ersatzteile für Maschinen, basierend auf Fotos identifizieren kann, gearbeitet. Außerdem wurden Erkenntnisse über die Tauglichkeit verschiedener Objekterkennungsmodelle für den Anwendungsfall gesammelt und dem Unternehmen zur Verfügung gestellt.