Eine Frage der Übung: Training und Tools KI-basierter Prüfungssysteme

Übung macht den Meister – das trifft auch auf KI-basierte optische Prüfsysteme zu. Bevor man jedoch ein Bildverarbeitungssystem in einen Produktionsprozess integrieren kann, gilt es noch einige Punkte zu beachten.

Zu Beginn wird der Status quo analysiert. Welche Anforderungen gibt es an das Prüfsystem? Und was sind die Eckdaten des Projekts? Die genaue Aufgabenstellung wird in diesem Schritt zusammen mit potenziellen Grenzfällen definiert. Zusammengefasst werden diese Informationen und der Leistungsumfang in einem Lastenheft. Anschließend kann ein Integrator auf dem Lastenheft basierend eine Machbarkeitsprüfung durchführen. Dabei wird das zu prüfende Produkt unter die Kamera gehalten und kontrolliert, ob die möglichen Fehler überhaupt klar ersichtlich sind. Mithilfe von passender Hardware lässt sich bei veränderter Belichtung ein Fehler noch zusätzlich hervorheben. Je besser dieser erkennbar ist, desto leichter fällt es später der Künstlichen Intelligenz, die optische Prüfung durchzuführen. In der Machbarkeitsprüfung wird auch gleich die passende Hardware sowie Kamera definiert, sollte das zuvor nicht bereits im ersten Schritt vonseiten des Auftraggebers passiert sein.

Von der Machbarkeitsprüfung zum Deep Learning

Im nächsten Schritt gibt es dann anhand der zuvor gesammelten Informationen ein Angebot. Kommt es anschließend zu einer Umsetzung des Projekts, so wird zunächst aus den bereits gesammelten Erkenntnissen ein Pflichtenheft zu erstellen. Anschließend ist die passende Hardware zu bestellen und in die Linie zu integrieren. Nun muss vor allem eins gemacht werden – ausreichend Bildmaterial sammeln! Für einen optimalen Trainingserfolg werden reichlich Bilder des Produkts mit und ohne Fehler benötigt. Früher brauchte man Millionen von Bildern für das Deep Learning der KI, mittlerweile genügt oftmals ein Datensatz von etwa 50 Bildern aufgrund des Transfer Learning, bei welchem ein bestehender Deep-Learning-Algorithmus durch neues Bildmaterial erweitert wird. Die Anzahl der benötigten Bildanzahl hängt von der Applikation ab, je komplexer die Anwendungen, desto mehr Bildmaterial wird benötigt. 

Ist schließlich genug Bildmaterial verfügbar, so wird es in die Software integriert und das neuronale Netz kann mit dem Training beginnen. Sobald dieses abgeschlossen ist, bekommt der Programmierer eine Statistik mit dem Ergebnis ausgespielt. Gegebenenfalls sind dann noch Optimierungen vorzunehmen und Bilder zu ergänzen. Auch eine Anpassung der Parameter, wie z. B. Helligkeit oder Kontrast, kann anschließend noch erfolgen. Der Algorithmus der KI wächst immer weiter und verbessert sich durch die Zugabe von neuem Bildmaterial. Die Produktvielfalt hat auch einen Einfluss darauf, wie viele Bilder in einem Trainingsprozess benötigt werden.  

Das Training überwacht im traditionellen Fall ein Programmierer, der es zugleich optimiert. Jedoch wird der Prozess der Implementierung mittlerweile immer einfacher, so wird oftmals ein Grundprogramm vom Bildverarbeitungstechniker erstellt und das Generieren von Bildmaterial sowie das Einlernen der Bilder erfolgt durch einen Bediener, welcher kein spezielles Know-how in der Bildverarbeitung benötigt. Neuerdings bekommt man das gesamte Paket, also klassische Bildverarbeitung in Kombination mit Deep Learning, auch in Form einer Smart-Kamera, wodurch man sich den PC im Schaltschrank sparen kann. Die Kamera von Cognex punktet auch speziell in der Hinsicht auf einfache Bedienung und standardisierte Programmierung. Das erleichtert auch die nachträgliche Abänderung von Anforderungen an eine Prüfung sowie die Anpassung an einen neuen Anwendungsfall.

Herausforderungen im Industriebereich

Ein Beispiel für einen Trainingsprozess ist die KI-basierte optische Prüfung anhand von gefrästen Objekten. Die Aufgabenstellung ist in diesem Fall, dass der Roboter Teile aus einer CNC-Maschine entnehmen muss. Späne verursachen ein Beschädigen des Bauteils beim Greifen und ein nicht prozesssicheres Entnehmen sowie Ablagen. Mit genügend Bildmaterial ist jedoch auch diese Aufgabe anhand von KI-basierten Systemen zu meistern. Im Supervised Learning (SL) des Trainingsprozesses kann der Fehler genau markiert werden, was der KI zusätzlich die Klassifizierung erleichtert. Beim Unsupervised Learning muss der Algorithmus das selbst übernehmen.

Eine weitere Herausforderung ist das Erkennen von verschiedensten Defekten sowie das Überprüfen von Merkmalen auf Elektroplatinen. Aufgrund der verschiedenen Deep-Learning-Tools bestehen viele Möglichkeiten, um eine Applikation zu realisieren. Auch das Kombinieren der einzelnen Tools ist sehr vorteilhaft. So kann bei Positionsschwankungen im ersten Schritt die gesamte Platine im Bild gefunden und ein neues Referenzkoordinatensystem gebildet werden. Von diesem Koordinatensystem aus werden nachfolgende Tools angewandt. Dadurch werden die Tools immer an der gleichen Stelle der Platine eingesetzt. Im nächsten Schritt können einzelne Bauteile auf Anwesenheit oder dessen Positionsgenauigkeit überprüft werden. Anschließend können diverse Fehler am Bauteil detektiert und anschließend klassifiziert werden. Auch ein Lesen von schwer zu entziffernden Zeichen auf der Platine kann realisiert werden. Wie bei anderen Aufgabenstellungen ist auch hier ausreichend Bildmaterial der Schlüssel zum Erfolg. Je mehr potentielle Fehler abgedeckt sind, desto prozesssicher kann der Algorithmus der KI entwickelt werden.

Tools der KI-basierten optischen Prüfung

Es gibt vier verschiedene Tools, die bei einer optischen Prüfung mit KI zum Einsatz kommen. Der Klassifizierer stuft die Bilder oder gewisse Bildregionen in die dafür vorgesehene Klasse ein. Unterschiedliche Klassen können zum Beispiel der Reifegrad eines Apfels, der Schweregrad eines auftretenden Fehlers oder die verschiebenden Produkttypen sein. Der Analysierer findet Fehler in der Oberfläche eines Objekts. Gefundene Fehler können anschließend vom Klassifizierer bewertet werden. Der Lokalisierer hingegen wird benötigt, um spezielle Merkmale auf einem Bild zu finden, wie z. B. eine Anwesenheitskontrolle oder die Positionsbestimmung und -überprüfung spezieller Produkte. Das OCR-Tool wiederum ist ein Zeichenleser, der verschiedene Kombinationen von Schriftzeichen sowie -arten erkennt.

Über die Bildverarbeitungs-Applikationen hinaus hat die KI-basierte, aber auch die klassische Bildverarbeitung noch weitere Bestandteile. Es muss eine übergeordnete Kommunikationsvariante definiert werden, über die ein Fehler anschließend gemeldet wird. Das kann in Form eines übergeordneten Systems passieren, das den Fehler auch gleich behebt oder aussortiert oder, im einfachsten Fall, auf einem Display visualisiert.

Ready, set, go!

Nun kennen Sie alle Tools und den Trainingsverlauf eines KI-basierten optischen Prüfsystems. Vor einer Umsetzung sollten Sie also folgende Punkte beachten: 

•  Mit der Materie beschäftigen

Wissen ist bekanntlich Macht – so verhält es sich auch mit optischen Prüfsystemen. Je besser Sie sich mit der Materie auskennen, desto klarer können Sie im Anschluss Ihre Wünsche an die Applikation kommunizieren. 

•  Anforderungen vorab klar definieren

Was sind Ihre Anforderungen an die optische Bildverarbeitung? Im ersten Schritt sollte immer ein Lastenheft verfasst werden, das alle notwendigen Informationen und Aufgaben bereitstellt. 

•  Genaue Klassifizierung der Fehler

Beschäftigen Sie sich genau mit der Frage: Was ist ein Fehler bzw. ab wann ist das Produkt fehlerhaft? Damit vermeiden Sie etwaige Komplikationen. Es kann alles automatisiert geprüft werden, was unter einer Kamera und mit Optimierung durch spezielle Hardware (Licht und Kontrast) als Fehler ersichtlich ist. 

 Sie haben alles beachtet? Dann steht einer erfolgreichen Implementierung nichts mehr im Weg!