4 Alternativen: Visuellen Prüfung von Stoffbahnen

Eine zuverlässige Kontrolle von Werkstoffen ist wichtig für die Qualität und Sicherheit der produzierten Waren und Materialien. Dabei wird auch heute noch stark auf visuelle Prüfprozesse gesetzt. Doch nicht immer führt dieser Prozess zum Erfolg.

In dem vorgestellten Beispiel werden Textilbahnen auf Produktionsfehler wie Anomalien im Webmuster, Flecken oder Ähnliches untersucht. Die Herausforderung: Aufgrund des feinen Materials können die Fehler sehr klein und somit nur schwer erkennbar sein. Gerade bei der visuellen Prüfung wird es deshalb schnell schwierig, alle Anomalien zu entdecken.

Aktuell existieren vier Möglichkeiten, um die Textilbahnen einer visuellen Prüfung zu unterziehen.

1. Visuelle Prüfung mit dem menschlichen Auge:

Ein menschlicher Prüfer untersucht die Textilbahnen visuell und mit bloßem Auge auf Fehler. Dieses Verfahren findet immer wieder Anwendung, ist allerdings in großem Maße ungenau, fehleranfällig und vor allem auch sehr teuer: Einerseits wird das Gehalt des Mitarbeiters gezahlt, andererseits muss das Unternehmen für entstehende Reklamationen und Retouren zahlen. Kurz: Der Mensch ist für diese spezielle Aufgabe einfach nicht gemacht.

2. Auswertung durch eine manuell kalibrierte Maschine:

Schaut statt des Menschen eine Maschine auf die Stoffbahnen, wird diese meist sehr aufwendig kalibriert, um jede mögliche Anomalie zu entdecken. Dieses Verfahren, auch regelbasiertes Machine Vision genannt, kann zwar präziser arbeiten als der menschliche Kollege, dennoch muss hier eine permanente Neu-Kalibrierung erfolgen, wenn sich etwas an Material oder Produkt ändert.

3. Anlernen einer KI mit gesammelten Daten:

Als drittes besteht die Möglichkeit, dass ein Verfahren mit Künstlicher Intelligenz angelernt wird, indem zunächst große Mengen an Bildern gesammelt werden. Im Anschluss hieran kann das System dann durch die vorliegenden Daten trainiert werden. Die Fehlererkennung geschieht hier zwar sehr schnell und robust, jedoch müssen alle Anomalien im Vorfeld antizipiert und angelernt werden, da das System selbst keine neuen Fehlerbilder erkennen kann. Bei neuen Stoffen muss unter Umständen außerdem wieder ein komplett neues Modell trainiert werden.

4. Die Zukunft liegt in einer Anomalieerkennung basierend auf KI

Ein heute noch nicht genutzter Ansatz dagegen rollt das Thema genau andersherum auf: Ein KI-basiertes System wird in diesem Fall darauf trainiert, eine fehlerfreie, perfekte Stoffbahn zu erkennen. Dabei lernt es jegliche feine Strukturen und Eigenheiten. Weicht das untersuchte Textil hiervon ab, erkennt die KI somit jede Art von Anomalie. Der große Vorteil: Es müssen nicht alle eventuellen Fehler einprogrammiert werden. Stattdessen weiß die KI schon nach wenigen Metern Stoff vollkommen automatisch, wie eine „saubere“ Stoffbahn auszusehen hat. Dabei können bereits vorhandene Kamerasysteme genutzt werden, lediglich die Software wird neu eingesetzt.

Die beiden Bilder anbei verdeutlichen die Technologie: Das linke Bild stellt eine Nahaufnahme eines Textilstücks dar, das oben rechts eine Anomalie aufweist. Durch unser System konnte dieser Fehler „extrahiert“ werden und ist so auf dem rechten Bild deutlich erkennbar und auswertbar.

fabric anomaly detection

Wie kann ich das anwenden?

Die sentin GmbH entwickelt und vertreibt auf künstlicher Intelligenz basierende Prüfsoftware für den industriellen Einsatz. Heben Sie Ihre Qualitätskontrolle auf die nächste Ebene –  erfahren Sie mehr über den sentin EXPLORER in unserer Broschüre.

DE sentin Explorer Flyer Front

Erfahren Sie mehr in der Broschüre

Titelbild- 3 Herausforderungen von NDE 4.0

Die 3 Herausforderungen von ZfP & NDE 4.0

Während sich die Technologiebranche auf die vierte Industrie-Revolution zubewegt, die durch den digitalen Fortschritt und die Vernetzung vorangetrieben wird, entwickelt sich auch NDE (Non-destructive evaluation)

Weiterlesen »