In 3 Schritten zur automatischen Qualitätskontrolle

Die manuelle Qualitätskontrolle bindet in vielen Unternehmen wertvolle Personalkapazitäten und ist anfällig für übersehene Fehler, was zu Reklamationen führt, und Pseudoausschuss, falls gute Teile trotzdem aussortiert werden. Dieser Artikel zeigt die Vorgehensweise bei der Entwicklung eines Vision Systems, dass die menschliche Prüfung ersetzt: 

  1. Auswahl der Kamera
  2. Auswahl der Beleuchtung
  3. Auswahl und Training des KI-Modells
  4. Die Schritte danach

In diesem Artikel stellen wir Ihnen die Schritte beispielhaft anhand unseres sentin VISION Labs vor. Wir setzen darauf visuelle und bildbasierte Kontrollen mithilfe von Künstlicher Intelligenz (KI) zu automatisieren, da sie schneller und genauer prüft als ein Mensch. Außerdem kann eine KI komplexe Fehlerbilder zuverlässiger als regelbasierte VISION Systeme erkennen und muss nicht ständig nachkalibriert werden.  Zusammen mit unseren Partnern haben wir ein Portfolio von Kameras und Leuchtmitteln aufgebaut, um die Machbarkeit von Anwendungsfällen zu prüfen.

Versuchsaufbau von Prototypen für schnelle Analysen
Automatische Erkennung von verschiedenen Schraubentypen

Ziel einer solchen ersten Untersuchung ist es zu analysieren, wie ein Bild eines Fehlers oder des zu prüfenden Objektes aufgenommen werden muss, um sie mit unseren Algorithmen auszuwerten. Wir unterscheiden dabei zwischen einfachen Versuchsaufbauten und komplexeren Systemen, welche mehr Platz und mehrere Geräte benötigen. Allerdings ist die Erarbeitung einer solchen Lösung ein iterativer Prozess, weshalb diese Schritte manchmal in mehreren Schleifen durchlaufen werden müssen.

In dieser ersten Untersuchung werden Bilder von Objekten erfasst und auf Oberflächen- und Formfehler untersucht. Dabei ist die Herausforderung, die richtige Konfiguration zur Visualisierung der Fehler zu finden und das System dem Anforderungsprofil des Produktionsprozesses  (z. B. Taktzeit, Geschwindigkeit und Umgebungsbedingungen) gerecht anzupassen. Dazu gehört die Ermittlung der Kameraeinstellung (z. B. Objektivauswahl, Bildauflösung und Beleuchtungsdauer), die richtige Auswahl der Beleuchtungsmittel und die Aufwandsabschätzung für das Training der KI Algorithmen.

1. Schritt: Auswahl der Kamera

Wir arbeiten mit Industriekameras und nutzen hierbei den GigE Vision Standard. Dies gewährleistet eine hohe Kompatibilität der Kameras und ermöglicht Kabellängen von bis zu 100m. In diesem Schritt wird untersucht, welche Kamera-Konfiguration sich für einen Anwendungsfall am besten eignet. Hierbei arbeiten wir von einfachen 2 MP bis hin zu hochauflösenden 20 MP Kameras. Zum Beispiel sind für gut erkennbare Fehlermerkmale oder kleine Bildbereiche kostengünstige 5 MP Kameras ausreichend, jedoch für sich schnell bewegende Objekte Global Shutter anstatt Rolling Shutter Sensoren notwendig.

Darüber hinaus verwenden wir auch Smart-Kameras, die dank eines integrierten Auswerteprozessors in der Lage sind, KI-Modelle auf die Kamera zu installieren und auszuführen. Dabei findet die Bildauswertung direkt auf der Kamerahardware statt, wodurch die Verwendung eines Industrie-PC überflüssig ist. Somit ist dieses System deutlich einfacher und schneller im Produktionsprozess integrierbar

GigE Vision Cameras
GigE Vision Industriekameras

2. Schritt: Auswahl der Beleuchtung

Ebenfalls sollten verschiedene Leuchtmittel getestet werden, da meist ohne die richtige Beleuchtung keine aussagekräftigen Bilder erfasst werden können. Jedoch darf bei manchen Anwendungsfällen, wie zum Beispiel der Oberflächenprüfung das Licht wegen der schlechteren Erkennbarkeit von Fehlern keine Reflektionen aufwerfen. Z. B. lassen sich mit dem Ansatz der Dunkelfeldbeleuchtung Fehlertypen wie Kratzer, Risse und Einschlüsse darstellen. Zur Erkennung von Oberflächen- und Formfehlern auf spiegelnden Gegenständen mit komplexer Geometrie, wie z. B. lackierten Teilen aus dem Automobilbereich oder auch Porzellan, wird oft mit strukturiertem Licht (Deflektometrie) gearbeitet. Ist ein Fehler vorhanden, ändert sich die regelmäßige Struktur der beleuchteten Oberfläche und ist dann sehr gut durch eine Künstliche Intelligenz auswertbar.

Beispiel: Ringbeleuchtung
Beispiel: Deflektometrie

3. Schritt: Auswahl und Training des KI-Algorithmus

Mit einem Aufbau, wie dem des VISION Labs, kann innerhalb von kürzester Zeit überprüft werden, ob die Umsetzung der Inspektion von Objekten in Form und Beleuchtungstheorie mit Künstlicher Intelligenz möglich ist. Wichtig für das Training der KI-Modelle ist jedoch eine ausreichende Datenbasis und die Auswahl der richtigen KI-Modell Architektur. Häufig lernt das System anhand von weniger als 500 Beispielen, wie etwas auszusehen hat. Je nach Anwendungsfall kann eine Bildaufnahme und Auswertung in wenigen Millisekunden stattfinden. Für verschiedene Anwendungsbeispiele haben unsere Modelle eine Erkennungsgenauigkeit von 99,9% erreicht. Die folgenden Bilder zeigen aktuelle Studien zum Beispiel zur Untersuchung von Petrischalen und Nussverteilungen von Schokolade.

Beispiel: Petrischale
Beispiel: Nussverteilung

Die Schritte danach

Die in diesem Artikel vorgestellten Schritte zur automatischen Kontrolle von Produkten und Bauteilen können Ihnen helfen, Ihre Qualitätssicherung zu verbessern und Reklamationen und Pseudoausschuss zu verringern. Wie bereits angedeutet, gehört zu einer erfolgreichen Umsetzung unter Umständen auch, dass diese Schritte in mehreren Schleifen durchlaufen und einige Kombinationen von Kamera, Beleuchtung und KI-Architektur ausprobiert werden müssen. Neben den vorgestellten Kameras und Leuchtmitteln gibt es jedoch weitere Optionen und Dinge zu beachten, wenn Sie das Beste aus der Technik herausholen wollen. Außerdem lassen sich mithilfe dieser Methoden viele weitere Anwendungsfälle z.B. in der Verpackungs- oder Metallindustrie abdecken.

Haben Sie Fragen zu diesem Vorgehen? Möchten Sie sich das sentin VISION Lab ein Mal in Person ansehen? Falls Sie Interesse an unseren Lösungen oder einer digitalen Qualitätskontrolle haben, erhalten Sie hier weitere InformationenWenn Sie über Ihren Anwendungsfall sprechen möchten, kontaktieren Sie uns gerne.

DE sentin Vision Flyer Front

Erfahren Sie mehr in der Broschüre

Titelbild - Human Factors in NDE

6 Menschliche Einflüsse in der ZfP/NDE

Warum sind ZfP/NDE so wichtig? Regelmäßige Inspektionen von mechanischen und automatisierten Systemen wie Kraftwerken und Rohrleitungen sowie von Maschinenteilen und Behältern (wie Flugzeugen) sind von

Weiterlesen »