Verfolgung von Unsicherheiten in der Mensch-Maschine-Interaktion zur Objektklassifizierung in der Industrie 4.0

Betrachten wir die Aufgabe der Klassifizierung verformter Objekte in einem industriellen Umfeld, wo der Begriff "verformt" Objekte umfasst, die mit geometrischen Abweichungen behaftet, korrodiert oder gebrochen sind. Es ist eine schwierige Klassifizierungsaufgabe zu erkennen, ob ein solches Objekt repariert, zerlegt werden kann, um seine Bestandteile anderweitig zu verwenden, oder ob es dem Recycling zugeführt werden soll. Trotz der Fortschritte der künstlichen Intelligenz bei der Klassifizierung von Objekten auf der Grundlage von Bildern erfordert die Klassifizierung von verformten Objekten immer noch menschliches Engagement, da jedes dieser Objekte einzigartig ist. Idealerweise sollte die intelligente Maschine nur dann die Unterstützung eines Experten in Anspruch nehmen, wenn sie sich über die Klasse unsicher ist. Was aber, wenn der Mensch ebenfalls unsicher ist?

In diesem Projekt untersuchen wir Methoden zur unauffälligen Erkennung menschlicher Unsicherheit und aktive Algorithmen zur Erfassung von Merkmalen, um die maschinelle Unsicherheit zu verringern. Wir beabsichtigen auch, Referenzdatensätze zu erstellen, in denen die menschliche Unsicherheit kontrolliert und gemessen wird. Unsere Zusammenarbeit wurde durch die Netzwerkaktivitäten von CHIM (https://forschungsnetzwerk-chim.de/) angestoßen.

Tracing Uncertainty in Human-Machine Interaction for Object Classification in Industry 4.0

Consider the task of malformed object classification in an industrial setting, where the term ‘malformed’ encompasses objects that are afflicted with geometric deviations, corroded or broken. Recognizing whether such an object can be repaired, taken apart so that its components can be used otherwise, or dispatched for recycling, is a difficult classification task. Despite the progress of artificial intelligence for the classification of objects based on images, the classification of malformed objects still demands human involvement, because each such object is unique. Ideally, the intelligent machine should demand expert support only when it is uncertain about the class. But what if the human is also uncertain?

In this project we investigate methods for recognizing human uncertainty in an unobtrusive manner and active feature acquisition algorithms for reducing machine uncertainty. We also intend to build reference datasets where human uncertainty is controlled and measured. Our cooperation has been triggered through the networking activities of CHIM (https://forschungsnetzwerk-chim.de/).