In diesem Anwendungsfall wird beschrieben, wie wir einen Chemiekonzern bei der Entwicklung einer Computer-Vision-Lösung zur Vorhersage des Verschmutzungsgrads von Fahrzeugen unterstützt haben. Von der Erfassung der Anforderungen über die Erstellung einer Datenbank mit gelabelten Bildern bis hin zur Entwicklung der Deep-Learning-Modelle haben wir unseren Kunden unterstützt und ihm somit den Schlüssel zur Markteinführung geliefert.
- Data Science
- Computer Vision
- Deep Learning
- Klassifizierung
- Image Analytics
- Artificial Intelligence
- Actionable Roadmap
Zentrale Herausforderungen
Unser Kunde ist einer der führenden Chemiehersteller in Deutschland, der für sich und seine Kunden stark in Forschung und Entwicklung sowie Prozessoptimierung investiert. Das Unternehmen ist bestrebt, zu den Vorreitern auf dem Gebiet der künstlichen Intelligenz und der industriellen Innovation zu gehören.
Der Konzern stellt u.a. Chemikalien für Autowaschanlagen her. In einer klassischen vollautomatischen Autowaschanlage wird unabhängig vom Verschmutzungsgrad eines Autos immer die gleiche Menge an Chemikalien zur Reinigung verwendet. Unser Kunde wollte daher die Möglichkeit einer personalisierten Lösung auf der Grundlage einer Kamera untersuchen, die den Verschmutzungsgrad der Fahrzeuge bewertet. Abhängig von dieser Bewertung könnte die Menge der benötigten Chemikalien je nach Fahrzeug angepasst werden.
Ziel war es, die mit einem übermäßigen Produktverbrauch verbundenen Kosten durch die Einführung eines „Pay-as-you-go“-Modells zu senken. Aber auch die Umweltauswirkungen, die der Verbrauch von Chemikalien und Wasser unweigerlich mit sich bringt, sollten begrenzt werden.
Der Konzern wandte sich an uns, um:
- herauszufinden, ob es möglich ist, eine Computer-Vision-Lösung zur Vorhersage der Art und des Verschmutzungsgrads von Fahrzeugen zu entwickeln.
- seine Idee in der Praxis zu sehen.
- einen klaren Plan zu erhalten, wie man eine solche Lösung für seine Kunden implementieren kann.
Unser Ansatz
- Wir organisierten ein Kick-off-Meeting in Form von Workshops mit den Wissenschaftler:innen und den Fach- und Technikabteilungen unseres Kunden. Ziel war es, alle Bedürfnisse und Erwartungen zu sammeln und den bestehenden Prozess zu bewerten.
- Wir legten eine Datenbank mit gelabelten Bildern an. Unser Kunde verfügte bis dato noch nicht über eine solche Datenbank und wir benötigten für das Projekt sowohl Bilder von schmutzigen als auch von sauberen Fahrzeugen. Unsere Teams starteten also einen Praxiseinsatz an einer Autowaschanlage, um die ersten Bilder aufzunehmen. Dabei stellten sie schnell fest, dass die Art der Verschmutzung der Autos stark vom aktuellen Wetter und der Jahreszeit abhängt (z. B. Pollen im Frühjahr und Streusalz im Winter). Dementsprechend definierten wir verschiedene Verschmutzungskategorien für den Datensatz und erstellten hochwertige Annotationen für die Bilder. Die Datenbank wurde im Laufe eines Jahres ständig erweitert.
- Wir entwickelten und trainierten Deep-Learning-Modelle. Ursprünglich wählten wir einen Ansatz, der darin bestand, kleine Teile jedes Bildes einzeln zu analysieren (pixelweise Klassifizierung), um möglichst genaue Ergebnisse zu erzielen. Dieser Ansatz erwies sich jedoch als viel zu komplex. Daraufhin wechselten wir zu einem alternativen Ansatz, bei dem das gesamte Bild verwendet wird, und erzielten sehr schnell vielversprechende Ergebnisse. Unsere Modelle waren in der Lage festzustellen, wie schmutzig ein Auto und welche Art von Schmutz vorhanden war. Auf der technischen Seite verwendeten wir vorab trainierte Modelle, Open-Source-Tools zum Aufbau der Pipeline und einen Azure-Grafikprozessor zum Trainieren der Modelle.
- Wir erarbeiteten eine Reihe von Empfehlungen zur Optimierung der Modelle und des Bilderfassungsprozesses, um die Vorhersagen zu verbessern und unserem Kunden die Möglichkeit zur Skalierung zu geben. Wir präsentierten die Lösung erfolgreich den Teams und stellten Richtlinien für die Operationalisierung der Modelle bereit. Eine unserer wichtigsten Empfehlungen war, eine Pilotphase mit einer Auswahl von Autowaschanlagen zu starten, um die Lösung in größerem Maßstab zu testen. Darüber hinaus ermöglichten wir es dem Kunden, den Datensatz mit Hilfe von detaillierten Richtlinien für die Bildbeschriftung und -labeling zu erweitern.
Benefits
- Die Computer Vision-Lösung war in der Lage, die Art und den Grad der Verschmutzung mit hoher Genauigkeit zu erkennen.
- Der Bilddatensatz und das Modell können beliebig erweitert werden, um neue Schmutzklassen einzubeziehen.
- Die Bilderkennungsmethoden zur Erkennung von Verschmutzungen können operationalisiert werden. Hierfür haben wir unserem Kunden die entsprechenden Richtlinien an die Hand gegeben.
- Unser Kunde erhielt eine erste Einschätzung der Ressourcen und einen umsetzbaren Plan zur Ausweitung der Lösung auf alle Autowaschanlagen.
- Wir vermitteltem unserem Kunden das nötige Wissen und die Tools, damit seine Teams die Ausweitung des Projekts sowie die Operationalisierung und Optimierung der Modelle selbst durchführen konnten.
Involviertes Team
Ein_e Projektmanager:in, ein Data Scientist und zwei Deep-Learning-Engineers arbeiteten 12 Monate mit unserem Kunden an diesem Projekt.
Technologien
Danke an unsere*n
Autor*in
