- Intelligente Bildverarbeitung unterstützt Qualitätskontrollen in Industriebetrieben
- Mit individuellen Machbarkeitsstudien zum optimalen Projektaufbau
- HELLA Aglaia berät und begleitet mit Fachwissen aus zwei Jahrzehnten
Vor gut drei Jahren stellte ein Geschäftsbericht von HELLA ein Deep-Learning-Projekt vor, bei dem es mittels KI-basierter Bildverarbeitung gelungen war, eine effiziente und präzise Qualitätskontrolle für Laserschweißpunkte aufzusetzen. Das Rückgrat des Projekts: Machine-Learning-Algorithmen made by HELLA Aglaia. In diesem Jahr wurde das Institut für Kunststoffverarbeitung an der RWTH Aachen – auf den Projektbericht aufmerksam – es folgte eine Einladung zu einer Fachtagung über die Digitalisierung in der Branche. Anfang November präsentierten HELLA und HELLA Aglaia dann im Rahmen des Konferenzprogramms einen gemeinsamen Einblick in das Referenzprojekt. Ein Anlass, das Thema der sogenannten automatischen optischen Inspektion (AOI) genauer zu beleuchten.
Von der Straße in die Produktion
Bereits seit mehr als zwei Jahrzehnten widmet sich HELLA Aglaia der computergestützten Bildauswertung und hat sich damit insbesondere im Automobilbereich einen Namen gemacht: Hochgenaue Detektionsalgorithmen werten Bilder der Fahrzeugfrontkamera aus, identifizieren unter anderem Fußgänger, Fahrzeuge oder Verkehrszeichen, und geben Information darüber an die Steuerung weiter. Diese kann dann eine entsprechende Reaktion auslösen, beispielsweise die Geschwindigkeit an ein erkanntes Verkehrszeichen anpassen.
Ein Prinzip, was sich auf zahlreiche weitere Gebiete übertragen lässt, so auch die automatische optische Inspektion in Produktionsprozessen: Zum Abschluss einer Fertigung werden die Produkte von einer Kamera erfasst; Algorithmen untersuchen das Bildmaterial auf vorab angelernte definierte Merkmale, anhand derer beispielsweise Anomalien in der Oberfläche detektiert werden können. Die Detektionsergebnisse gelangen zurück an das Ende des Produktionsprozesses – und das in Echtzeit. Im Rahmen einer Qualitätskontrolle können so fehlerhafte Produkte automatisch aussortiert oder zur Nachbesserung vorgesehen werden.
Deep Learning als Schlüssel zum Erfolg
Ermöglicht wird die Umsetzung dieser Inspektion unter anderem durch die Anwendung von Deep-Learning-Algorithmen, einem Teilbereich des maschinellen Lernens. Anders als bei klassischen optischen Inspektionssystemen müssen hierbei Merkmale nicht vom Softwareingenieur fest definiert werden, sondern bilden sich anhand der Muster, die in großen Beispieldatenmengen enthalten sind, selbstständig aus. Möglich machen dies beispielsweise sogenannte neuronale Netze, eine Form selbstlernender Algorithmen. Je umfassender die neuronalen Netze auf die relevanten Eigenschaften eines Musters trainiert werden, desto präziser werden die Detektionsergebnisse. Eine Qualitätskontrolle profitiert so von einer zuverlässigen und konsistenten Klassifizierung der untersuchten Objekte.
Beratung und Umsetzung aus einer Hand
Ob und wie ein Vorhaben mittels Deep Learning unterstützt werden kann, prüfen die Spezialisten von HELLA Aglaia vorab mit umfangreichen Machbarkeitsstudien. Sofern das bildgebende Verfahren noch nicht vorgegeben ist, werden im hauseigenen Optik-Labor verschiedene Kamera- und Beleuchtungsszenarien getestet, um das optimale Aufnahme-Setup zur Lösung der jeweiligen Aufgabenstellung zu finden.
Wie eine Bildvorlage erzeugt wird, spielt für die Algorithmen letztendlich keine Rolle. Bei dem Referenzprojekt der Laserschweißpunkte kam eine Wärmebildkamera zum Einsatz; andere Vorhaben arbeiten wiederum mit klassischen RGB-Kameras oder Röntgenaufnahmen – je nach zu untersuchendem Material und Ziel der Prüfung. Unser Team steht dazu gern bei Fragen oder Beratungswünschen zur Seite. Weitere Informationen zur automatischen optischen Inspektion findest du bei uns im Produktbereich AI Solutions.