Objekterkennung ist eine Teilaufgabe für Computer Vision (CV), bei der Instanzen von visuellen Objekten einer bestimmten Klasse in digitalen Bildern zugeordnet werden. Zahlreiche Aufgaben der CV hängen in hohem Maße von der Objekterkennung ab, z.B. die Segmentierung von Objekten, die Bildbeschriftung und Objektverfolgung. Convolutional Neural Networks (CNNs) spielen derzeit eine Schlüsselrolle bei der Erkennung von Objekten. Dabei hängt die Leistung von CNNs weitgehend von der Qualität und Quantität von Trainingsdatensätzen ab, die in realen Anwendungen oft schwer herzustellen sind. Um die Robustheit solcher Modelle zu gewährleisten, ist es wichtig, dass die Trainingsinstanzen unter verschiedenen zufälligen Bedingungen entstehen. Diese Bedingungen sind eine Kombination aus verschiedenen Faktoren, einschließlich der Lichtverhältnisse, dem Objektstandort, dem Vorhandensein mehrerer Objekte in der Szene, verschiedener Hintergründe und dem Winkel der Kamera. Im Besonderen benötigen Unternehmen, je nach Anwendungsbereich (z.B. Fehlererkennung, Erkennung von Anomalien, Zustandsüberwachung, prädiktive Qualität usw.), spezielle Modelle für ihre kundenspezifischen Produkte. Sie haben jedoch Schwierigkeiten, eine große Anzahl von randomisierten konditionierten Instanzen ihrer Objekte bereitzustellen. Hauptgrund dafür ist, dass der Prozess der Erfassung von randomisierten und konditionierten Bildern von realen Objekten kostspielig, zeitaufwendig und in der Praxis schwierig ist. Aufgrund der Effizienz synthetischer Daten für das Training solcher Systeme, haben Methoden zur Generierung synthetischer Testdaten in letzter Zeit viel Aufmerksamkeit auf sich gezogen.

Ziel des Projektes "Automatisierte Erzeugung von robusten synthetischen Bilddatensätzen und KI-Modellen für Computer Vision Anwendungen" (ASYN4CVA)" ist es, ein durchgängiges Verfahren zur automatisierten Erzeugung synthetischer Daten und den Aufbau eines robusten Objekterkennungsmodells für kundenspezifische Produkte zu entwickeln. Mit diesem Verfahren soll es möglich sein, robuste Objekterkennungsmodelle für unterschiedliche Anwendungen in der Industrie automatisiert zu generieren. Die so trainierten Modelle sind z.B. geeignet, um eine Objekterkennung für die Benutzerführung für Wartungs- und Instandhaltungsmaßnahmen an Industrieanlagen zu implementieren oder Objekterkennungsmodelle für die Qualitätssicherung in Industrieprozessen zur Erkennung von fehlenden, falsch montierten oder zusätzlich montierten Teilen zu erstellen. Andere Einsatzbereiche dieser Modelle ergeben sich beispielweise bei der bildgeführten Steuerung von Industrierobotern für Pick & Place- oder Montageaufgaben. Durch das Verfahren werden basierend auf digitalen Modellen oder realen Objekten in einem automatisierten Workflow synthetische Bilddaten generiert und CNN-Modelle damit trainiert.