KI-gestützte 3D-Bildverarbeitung für die automatisierte Qualitätsprüfung

SICK veröffentlicht neue KI-gestützte 3D-Bildverarbeitungsfunktionen innerhalb seiner Basissoftware Nova, die Deep-Learning-Algorithmen mit einer präzisen räumlichen Höhendatenanalyse kombinieren. Diese intelligente Inspektionslösung erfüllt komplexe Automatisierungsanforderungen in der Logistik-, Elektronik-, Batterieherstellungs-, Automobil- und Konsumgüterindustrie.

Integration neuronaler Netze mit räumlicher 3D-Bildgebung
Herkömmliche regelbasierte Bildverarbeitungssysteme stoßen bei der Erkennung von kontrastarmen oder stark variierenden Fehlern an ihre Grenzen. Die aktualisierte Nova-Software erfasst mit hochpräzisen Raumsensoren für jedes Pixel einen eindeutigen Höhenwert und ermöglicht so die Rekonstruktion topologischer 3D-Daten. Ein direkt in die Software eingebettetes neuronales Netz analysiert diesen Datensatz, um farb- und kontrastunabhängige Qualitätsprüfungen durchzuführen. Durch die Verschmelzung von räumlichem Verständnis mit künstlicher Intelligenz isoliert das System Anomalien, die herkömmliche 2D-Bildgebungskonfigurationen umgehen, und bildet erkannte strukturelle Mängel auf einer visuellen Anomalie-Heatmap ab.

Industrielle Anwendungsbereiche und technische Anwendungsfälle
Die Anwendung von Deep Learning auf die 3D-Höhenanalyse ermöglicht die Fehlererkennung in automatisierten Umgebungen, in denen herkömmlicher optischer Kontrast nicht ausreicht. In der Lebensmittel-, Getränke- und Konsumgüterbranche führt das System Inspektionen auf Verpackungsverformungen durch, indem es Höhenabweichungen auf Kartonoberflächen misst, um strukturelle Anomalien bei hohen Betriebsgeschwindigkeiten zu identifizieren. Logistikunternehmen nutzen die räumlichen Daten für die Überprüfung von Matrixverpackungen, um leere Kartons oder fehlende Objekte in Behältern zu erkennen. Weitere technische Anwendungen umfassen die Montageprüfung und Oberflächeninspektion für die Elektronik- und Batterieherstellung sowie Vollständigkeitsprüfungen und optische 3D-Zeichenerkennung (OCR) für die Reifenklassifizierung im Automobilbereich.




On-Device-Training und Systembereitstellung
Die Architektur der Bildverarbeitung nutzt eine Teach-by-Example-Methodik, die es Ingenieuren ermöglicht, Deep-Learning-Modelle anhand standortspezifischer Beispieldatensätze zu trainieren. Datenerfassung, Modelltraining und Inspektionsausführung erfolgen vollständig auf dem Gerät (On-Device), was den Wechsel von Produktionschargen vereinfacht, ohne dass zusätzliche externe Verarbeitungshardware erforderlich ist. Das Toolset wird über Softwarelizenzen auf vordefinierter Hardware aktiviert und behält neben den KI-Funktionen auch standardmäßige regelbasierte Bildverarbeitungswerkzeuge bei. Diego Quintana Tukasaki, Market Product Manager, betonte den technischen Nutzen des Systems und wies darauf hin, dass die Einbettung neuronaler Netzwerkfunktionen in die Plattform die Inspektionsparameter erweitert und „eine größere Kontrolle über Daten und Analysen bietet, um hochpräzise, konfigurierbare, leicht trainierbare und maßgeschneiderte intelligente Inspektionslösungen zu liefern.“

Zusätzlicher Kontext
Dieser Abschnitt enthält technische Spezifikationen und Wettbewerbs-Benchmarking, die in der ursprünglichen Produktankündigung nicht enthalten waren.

Die Integration von Deep Learning in 3D-Profilsensoren ist ein wachsendes Segment auf dem Markt für Bildverarbeitungssysteme und positioniert Plattformen wie Nova gegen etablierte industrielle optische Lösungen wie die Cognex In-Sight 3D-L4000 und die Keyence LJ-X8000-Serie. Während herkömmliche 3D-Profiler auf strikte geometrische regelbasierte Algorithmen – wie Blob-Analyse, Kantenerkennung und Ebenenschnittpunkte – angewiesen sind, ermöglichen eingebettete KI-Architekturen eine lokalisierte, merkmalsunabhängige Fehlererkennung. Das Benchmarking dieser kommerziellen Systeme umfasst in der Regel die Bewertung der Latenz bei der Punktwolkenverarbeitung, der Z-Achsen-Wiederholgenauigkeit und der integrierten neuronalen Verarbeitungsfunktionen. Lösungen, die sowohl das Training neuronaler Netze als auch die Inferenz direkt am Sensorkopf durchführen, reduzieren die Netzwerklatenz und beseitigen die Abhängigkeit von externen Industrie-PCs, was eine kritische Leistungskennzahl für Hochgeschwindigkeits-Fertigungslinien darstellt.

Bearbeitet von Aishwarya Mambet, Induportals-Redakteurin, mit Unterstützung von KI.

www.sick.com