Computervision for quality assurance

Computer-Vision für die Qualitätssicherung

Künstliche Intelligenz für die Automatisierung von Produktionsprozessen

Von der Herausforderung zur Lösung

Die Herausforderung

Das Erkennen von Qualitätsmängeln ist oft ausschlaggebend, wenn es darum geht, Unzufriedenheit beim Kunden oder sogar Schäden in einer Produktionslinie zu verhindern. Um einen hohen Qualitätsstandard zu gewährleisten, finden ständig Kontrollen statt, die heutzutage oft manuell durchgeführt werden.

Die Idee

Wir bauen bei diesen Inspektionen auf Computer-Vision, um manuelle Eingriffe in Routinefällen zu vermeiden.

Die Lösung

Durch eine Kombination aus klassischer Bildverarbeitung und neuesten Machine-Learning-Ansätzen können bekannte Objekte erkannt und von fremden Objekten oder solchen mit unerwarteten Abweichungen unterschieden werden.

Herausforderung

Oberflächenmängel und Fremdkörper

In der Produktion kommt es zu Auffälligkeiten, die noch im Toleranzbereich liegen, und zu solchen, die erkannt werden müssen. Die Auslieferung von Material mit Oberflächenfehlern führt zur Unzufriedenheit des Kunden. Wenn Fremdkörper in eine Maschine gelangen, kann dies schnell zu schweren Schäden an der Maschine führen.

Viel Handarbeit

Beide Fälle sind kostspielig und erfordern umfangreiche Qualitätssicherungsmaßnahmen. Heutzutage werden Inspektionen oft von Hand durchgeführt, was aus mehreren Gründen suboptimal ist. Auf der einen Seite handelt es sich dabei meist um eine wenig befriedigende, sich wiederholende Aufgabe, die dennoch hohe Konzentration erfordert. Auf der anderen Seite ist sie mit hohen Kosten verbunden, zumal der Mensch eine solche Inspektion nur bis zu einem gewissen Grad durchführen kann.

Idee

Wir setzen Computer-Vision-Methoden ein, um solche QS-Aufgaben durchzuführen. Häufig kommt dabei eine Kamera zum Einsatz, die auf einen bestimmten Teil einer Maschine oder Produktionslinie gerichtet ist. Unser Ansatz ist jedoch nicht auf den jeweiligen Sensor beschränkt, sondern lässt sich mit verschiedenen Datenquellen wie Infrarotkameras, Zeilenscannern oder Röntgentechnik realisieren.

Wir lesen Pixel-Daten ein und berechnen daraus eine Entscheidung darüber, ob der Inhalt die Akzeptanzkriterien erfüllt oder nicht.

Lösung

Wir untersuchen sowohl Bilder, die einwandfrei gefertigte Produkte enthalten, als auch Bilder von verschiedenen Fehlerarten. Zu den von uns eingesetzten Methoden gehören klassische Ansätze wie die Bildoptimierung oder Hintergrundentfernung, aber auch Machine-Learning-Algorithmen zur Objekterkennung und -klassifizierung.

Uns stehen mehrere Tools zur Verfügung, die diesen Prozess unterstützen, z. B. für die Beschriftung von Test- und Trainingsdaten oder für die Verwaltung von Machine-Learning-Pipelines einschließlich Auswertung und Hyperparameteroptimierung. Am Ende optimieren wir die angelernten Modelle für den effizienten Einsatz in der Produktion.

Schauen wir uns zwei konkrete Anwendungsfälle an.

Anwendungsfall 1:
Erkennung von Oberflächenfehlern

Mängel an der Oberfläche eines Materials können einerseits ein ästhetisches Problem darstellen, andererseits aber auch von der Verwendung in bestimmten Szenarien abhalten. Um ein angemessenes Qualitätsniveau eines hergestellten Artikels zu gewährleisten, erkennen wir alle sichtbaren Abweichungen. Darüber hinaus berechnen wir nicht nur Metriken wie die Form oder das Ausmaß eines Fehlers, sondern wenden auch eine Klassifizierung hinsichtlich der Fehlerart an. Während bestimmte Fehlerarten noch im Toleranzbereich liegen, sorgen andere für Blockaden. Auch diese Information hilft, die Fehlerursache zu identifizieren.

Anwendungsfall 2:
Fremdkörpererkennung

In einer Produktionslinie oder beim Verpacken werden sehr detaillierte Annahmen über das eingehende Material getroffen. In eine Maschine eingeschleppte Fremdkörper können zur Zerstörung der Maschine führen oder beim Verpacken und Ausliefern den Verbraucher schädigen oder zumindest verärgern. Daher ist die Fremdkörpererkennung erforderlich, um entsprechende Maßnahmen zu ergreifen. In der obigen Abbildung sehen Sie einen Stein, der fälschlicherweise zusammen mit Äpfeln geerntet wurde und der vor einer weiteren Verarbeitung ausgesondert werden muss.

Wie anfangen?
  • Treten Sie mit uns in Kontakt, um mehr darüber zu erfahren, wie mit Computer-Vision-Methoden Ihr Qualitätssicherungsprozess verbessert werden kann!
  • Halten Sie einiges an Bildmaterial aus Ihrer Produktionslinie bereit. Wir entwickeln einen kleinen Proof-of-Concept-Prototypen, um Ihnen zu zeigen, wozu die heutigen Algorithmen in der Lage sind.

Stay tuned!

Melden Sie sich zu unserem Monthly Wrap-Up an und erhalten Sie Zugang zu exklusivem Material sowie Updates zu unseren Technologien, Research-Themen und Events. Ihre Einstellungen können Sie jederzeit bearbeiten.

Menü