Eine Studie über den GAN-basierten Prozess zur Erkennung von Fehlern an Karosserieteilen und vergleichende Analyse der ObjektDetection-Leistung von YOLO v7 und YOLO v8

Ziel dieser Studie ist es, Fehlerbilder von Karosserieteilen mit Hilfe eines GAN (Generative Adversarial Network) zu erzeugen und die Leistung der Objekt-Erkennungsmodelle YOLO (You Only Look Once) v7 und v8 zu vergleichen und zu analysieren. Das Ziel ist es, gut und fehlerhaft produzierte Produkte genau zu bewerten. Die Qualitätskontrolle ist in der Automobilindustrie von großer Bedeutung, und Mängel an Karosserieteilen wirken sich direkt auf die Sicherheit des Fahrzeugs aus, sodass die Entwicklung hochgenauer Technologien zur Fehlererkennung unerlässlich ist. Diese Studie gewährleistet Datenvielfalt, indem sie Fehlerbilder von Karosserieteilen mit einem GAN generiert und dadurch die Objekt-Erkennungsleistung der Modelle YOLO v7 und v8 vergleicht und analysiert, um eine optimale Lösung zur Erkennung von Mängeln an Autoteilen zu präsentieren. Durch Experimente wurde der Datensatz durch das Hinzufügen von künstlichen Fehlerbildern, die vom GAN generiert wurden, erweitert. Die Leistungsexperimente der Modelle YOLO v7 und v8, die auf den durch diesen Ansatz erhaltenen Daten basieren, zeigten, dass YOLO v8 Objekte auch mit einer geringeren Datenmenge effektiv erkennen kann. Es wurde bestätigt, dass Mängel detektiert werden konnten. Die Auslesung des Erkennungssystems kann durch Softwarekalibrierung verbessert werden.