Überlegungen zur Qualitätskontrolle bei der Bildverarbeitung in der Fertigung

Bildverarbeitungssysteme werden in Fertigungswerken installiert, um unterschiedlichste Verfahren der industriellen Qualitätssicherung und Steuerung sowie in geringerem Umfang auch Prozesssteuerungsanwendungen zu unterstützen.

Normalerweise handelt es sich um die folgenden Kategorien:

• Größe: Inspektion der Form, Größe und Ausrichtung von Objekten
• Fehlerhafte Oberflächen oder Defekte: Inspektion oder Erkennung von Spuren, Kratzern, Vertiefungen oder Abdrücken
• Montage oder Vollständigkeit: Inspektion von eventuellen Einzelkomponenten oder deren Status
• Betriebszustand: Inspektion oder Erkennung von fehlerhaften Betriebsereignissen
Das Hauptziel besteht bei allen Anwendungen darin, ein komplexes Foto oder eine Fotoserie in ein Binärergebnis umzuwandeln, das anhand einer vordefinierten Reihe von Referenzen oder Regeln gemessen wird. Im Grunde wird der Kamera eine komplexe Frage gestellt wie beispielsweise: „Ist die Komponente zufriedenstellend?“, worauf sie mit „Ja“ oder „Nein“ antworten soll.

Die Architektur, die genutzt wird, damit die Antworten „Ja“ oder „Nein“ abgeleitet werden können, wird in zwei verschiedene Kategorien unterteilt: Absoluter Vergleich und probabilistischer Vergleich. Der absolute Vergleich basiert auf dem Konzept, dass ein Bild mit einer Bilddatenbank verglichen wird. Anschließend erkennt das System das Bild in einem der ausgegebenen Beispiele wieder oder im Falle einer Abweichung eben nicht.

Beim probabilistischen Vergleich wird anhand von tiefen neuronalen Netzwerken bestimmt, mit welcher Wahrscheinlichkeit ein Bild Merkmale enthält, die mit denen eines bereitgestellten Trainingsdatensatzes vergleichbar sind. Das System kann darauf mit einer bestimmten Sicherheit bei Objekten mit „Ja“ oder „Nein“ antworten, die ihm nie zuvor gezeigt wurden.

Wegen der immer leistungsfähigeren Computer und dem zunehmenden Einsatz von Techniken des maschinellen Lernens finden Technologien mit probabilistischen Ansätzen immer mehr Anklang, bei denen die Ergebnisse anhand von Convolutional Neural Networks (dt. etwa „faltendes neuronales Netzwerk“) bestimmt werden.

Überlegungen zur Anwendung eines Bildverarbeitungs-Systems
Bildverarbeitungs- und Auswertungssysteme, die vollständig mit künstlichen neuronalen Netzwerken verknüpft sind, können effektiv unterschiedlichste Probleme lösen. Allerdings gibt es einige Grenzen, die ein Unternehmen berücksichtigen muss, bevor es diesen Weg einschlägt.

Problemdefinition
Bildverarbeitungs-Systeme mit neuronalen Netzen können zwar aus bisher unbekannten Szenarien Schlüsse ziehen und diese auswerten, aber die Bereitstellungszeit wird vor allem dann erheblich verkürzt und die Genauigkeit erhöht, wenn spezifische Problematiken und Anwendungen vorher trainiert werden. Es ist effektiver, mehrere Aspekte zu definieren, die vom System berücksichtigt werden sollen und die Definition möglichst einzugrenzen, als es vor eine breite und schlecht definierte Problematik mit einem breiten Auswertungsspektrum zu stellen. Während der Kommunikation mit Kunden wird viel über die folgende Frage nachgedacht: „Wonach suchen wir genau?“

Zykluszeit
Loads, die mit Bildverarbeitungs-Systemen verknüpft sind, welche von neuronalen Netzen angetrieben werden, müssen die erwartete Zykluszeit berücksichtigen. Sehr schnelle Zykluszeiten sind zwar leicht umsetzbar, aber durch den Einsatz von zuverlässigen Spezialkameras und Anforderungen des Embedded Computing schnellen die Preise und die Komplexität der Hardware umgehend in die Höhe.

Bildqualität
Bei komplizierteren Problemen sind detailliertere Bilder erforderlich. Bei bestimmten Fällen können Bilder von verschiedenen Blickwinkeln erforderlich sein, die oftmals mit mehreren Blendeneinstellungen von diversen Kameras aufgenommen werden, um den gewünschten Kontrastwert zu erzielen. Da solche Bilder häufig von Produkten oder Geräten in Betriebsumgebungen aufgenommen werden, passen sich die Systeme entsprechend an, um unterschiedliche Ausrichtungen, Standorte, Brennweiten und Änderungen der Umgebungsbedingungen wie die Tageszeit, Staubvorkommen, Temperatur oder andere Faktoren, welche die Bildqualität beeinflussen können, zu berücksichtigen.

Um der unumgänglichen Erweiterung des Systems oder auch Anforderungen zur Prüfung anderer Aspekte gerecht zu werden, sollte die Bildqualität so gut wie möglich und mindestens doppelt so gut wie das Ergebnis sein, das als „gut genug“ erachtet wird.

Aus welcher Richtung sind kurzfristig Durchbrüche zu erwarten?
Fast alle erdenklichen unscheinbaren Anwendungen von Bildverarbeitungs-Systemen existieren bereits in irgendeiner Form. Die nächsten Durchbrüche bei der Systemeinführung werden wohl in den Bereichen Integration und Standardisierung erfolgen.

- Integration von Bildverarbeitungs-Systemen in bestehende Infrastrukturen: viele Industrieumgebungen verfügen über eine breite Basis an CCTV-Systemen mit unterschiedlicher Qualität, die normalerweise von Sicherheitspersonal überwacht werden. Wenn ML-Modelle in diese veralteten Systeme integriert werden, können Auswertungen mit vordefinierten Szenarien durchgeführt werden. Eine typische Anwendung könnte lauten: „Trägt diese Person die erforderliche persönliche Schutzausrüstung?“

Es gibt bereits gut funktionierende Technologien, die diesen Aspekt überprüfen können, aber es ist nach wie vor eine Herausforderung, diese in vorhandene Systeme zu integrieren, die organisch gewachsen sind und aus verschiedenen Hardware-Komponenten unterschiedlicher Generationen bestehen.

- Standardisierung und Integration: Wie es auch andernorts der Fall ist, profitieren skalierbare Bildverarbeitungs-Systeme von der Standardisierung und tragen zu dieser bei. Von Software-Protokollen bis hin zu Hardware-Schnittstellen ist die Integration von Bildverarbeitungs-Systemen in moderne SPS und Industrieroboter bereits in Form von Augmented Reality oder unterstützten Produktionsprozessen auf dem Vormarsch. Heute sind verschiedene Ebenen und Systeme in Benutzung und aus der aktuellen Experimentalumgebung werden sicher noch weitere Standards und Normen hervorgehen.

Durch die Nutzung von neuronalen Netzen in der Auswertung von digitalen Bildern wird sich der Funktionalitätsgrad sicher schnell steigern. Allerdings ist er auch wesentlich komplexer als bei den meisten veralteten Systemen, die von einem vordefinierten Datensatz abhängen. Damit ist auch das Trainieren der neuronalen Netze zur Erzielung des erforderlichen Genauigkeitsgrads ebenso schwierig wie ausschlaggebend für den Erfolg.

Durch die bedeutenden Verbesserungen im Bereich der Qualität und Genauigkeit bei der Anwendung neuronaler Netze in Bildverarbeitungs-Systemen in der Fertigung und Industrie gelten die klassischen Bildverarbeitungstechniken praktisch als überholt. Zumal sich neuronale Netze besser für die Bildverarbeitung und -klassifizierung eignen, ist die Einstufung von Produkten, die Erkennung von vorhandenen oder fehlenden bestimmten Elementen in kompliziertem Kontext und die Erkennung sichtbarer Defekte bei Produkten insbesondere durch den Einsatz von Convolutional Neural Networks inzwischen viel genauer und zuverlässiger als je zuvor.

  Fordern Sie weitere Informationen an…