Kontakt

Um mögliche Fehler an einem Produkt rechtzeitig zu erkennen und beheben zu können, gibt es optische Prüfungssysteme. Die Zuverlässigkeit dieser Verfahren spielt eine große Rolle für die Qualitätssicherung. Hier kann besonders die Künstliche Intelligenz einen wichtigen Beitrag leisten.

Vertrauen ist gut, Kontrolle ist besser 

Viele Branchen erlauben nur eine geringe Fehlertoleranz bei ihren Zulieferern. Daher macht es durchaus Sinn, ein Produkt vor der Auslieferung noch einmal auf Fehler zu kontrollieren. Welche Art von optischer Prüfung für ein Produktionsverfahren in Frage kommt, ist ganz von den individuellen Anforderungen an das Prüfsystem abhängig. Ob Werkzeuge aus der klassischen Bildverarbeitungsbibliothek, KI-basierte Algorithmen oder eine Kombination aus beiden besser geeignet ist, kann der Systemintegrator beantworten. Die Vorgehensweise ist bei beiden Systemen ähnlich, so wird das Produkt im ersten Schritt zunächst lokalisiert. Anhand von Algorithmen, welche die Pixel auswerten, erkennt die Kamera anschließend den potenziellen Fehler. Das Produkt kann folglich entweder nachbearbeitet oder als fehlerhaftes Teil aus der Produktionskette ausgeschleust werden. Zwar sind KI-basierte Bildverarbeitungswerkzeuge in der Anschaffung teurer, jedoch erspart man sich vor allem bei komplexeren Applikationen mitunter viele Programmierstunden. Dadurch gleichen sich die Gesamtprojektkosten gegenüber einem System mit klassischer Bildverarbeitung aus oder werden gar geringer. Einfache Anwendungen, wie zum Beispiel die Anwesenheitsprüfung von Pralinen in der Verpackung, würde man allerdings weiterhin mit der klassischen Bildverarbeitung lösen. 

Warum KI-basierte Systeme

Im Unterschied zur klassischen Bildverarbeitung orientieren sich KI-basierte Systeme nicht an fest programmierten Regeln, wie etwa der Form, Anzahl oder Lage von Objekten. Die Künstliche Intelligenz bzw. genauer gesagt Deep Learning erlernt durch Bildbeispiele Objekte, ähnlich wie ein Mensch, an gemeinsamen Merkmalen zu identifizieren und kann dann bewerten, was ein gutes bzw. ein fehlerhaftes Produkt ist oder in welche Klasse ein Objekt eingestuft wird. Dazu ist im ersten Schritt das Sammeln von ausreichend Bildmaterial notwendig. Im Anschluss werden die Bilder von einem Mitarbeiter der Qualitätssicherung gelabelt. Hierbei versteht man das Einstufen der Bilder in die jeweilige Klasse. Danach werden die Bilder in die Software geladen und das Trainingsmaterial ausgewählt. Dabei ist wichtig, dass nicht alle Bilder trainiert werden, da ein gewisser Datensatz auch für Testzwecke benötigt wird. Vor dem eigentlichen Training werden noch diverse Parameter, wie z.B. die Merkmalsgröße oder eine Variation in der Helligkeit der Bilder, eingestellt. Nach dem Trainieren kann in der Ergebnisstatistik die Effizienz des Algorithmus betrachtet werden und um diesen zu verbessern, werden entweder das Trainingsmaterial oder die Parameter angepasst sowie das Training wiederholt. Abschließend werden noch die gestatteten Toleranzbereiche festgelegt. Durch diese Vorgehensweise lernt der Algorithmus die gewünschten Merkmale selbstständig zu unterscheiden.

Zwar ist die Kombination aus menschlichem Auge und Urteilsvermögen der Technik bisher noch überlegen, jedoch ist dieses Vorgehen auf Dauer sehr ermüdend und birgt damit ein gewisses Fehlerpotential. Auch ist der personelle Aufwand für eine solche Aufgabe nicht zu unterschätzen. KI-basierte optische Prüfungen führen zu deutlich weniger falschen Fehlermeldungen und haben außerdem den Vorteil, zeiteffizienter zu arbeiten als ein Mensch es jemals könnte. 

KI-basierte Prüfungssysteme: Typische Applikationen

Die Einsatzgebiete für Künstliche Intelligenz in optischen Prüfungssystemen sind vielfältig. Die Bildauswertung zur Qualitätssicherung hat den Vorteil Objekte und Defekte unter schwierigen Voraussetzungen erkennen bzw. bewerten zu können. Zu den typischen Applikationen für KI-basierte Prüfungssysteme gehören daher: 

  • Anwesenheitsprüfung von verschiedensten Objekten und Merkmalen
  • Vollständigkeitsprüfung von Produkten
  • Überprüfung auf richtige Montage
  • Lage- und Positionserkennung
  • Fehlerdetektion auf schwierigsten Oberflächen oder bei Musterabweichungen
  • Klassifizieren von Produkten oder Defekten

Besonders beliebt ist diese Art der optischen Prüfung auch für das Lesen von Buchstaben und Zahlen auf Produkten, wie z. B. Mindesthaltbarkeitsdaten oder Daten auf beschädigten Transportlabels. Die KI erkennt mithilfe von optischer Zeichenerkennung (OCR) auch stark verformte, schiefe und beschädigte Zeichen. Aber auch unkonventionelle Dinge, wie die Bestimmung des Reifegrades eines Apfels, sind mit KI-basierten Systemen möglich.

KI-basierte Prüfung im Einsatz 

Ein Beispiel für die typische Applikation KI-basierter Systeme ist ein Förderband mit Bonbons. Mit der optischen Prüfung soll jetzt herausgefunden werden, welche Produkte nur halb-verpackt, gänzlich ohne Verpackung oder gar beschädigt sind – eine Aufgabe, mit der man mit traditionellen Bildverarbeitungsmethoden überfordert wäre. Die manuelle Ausprogrammierung wäre hier ineffizient, da es keine fixen Merkmale gibt, an denen sich das System orientieren könnte. Die KI hingegen hat die Möglichkeit, mit Deep Learning nicht nur einzelne Komponenten in einer Verpackung zu erkennen, sondern auch Defekte an der Verpackung selbst zu detektieren. Durch das Klassifizieren können anschließend Produkte oder Fehler einem Typen zugewiesen werden. Dadurch kann eine Statistik erstellt werden, um beispielsweise den häufigsten Fehler zu identifizieren und anschließend notwendige Schritte für eine Optimierung einleiten zu können. Ebenfalls kann mittels Deep Learning die Position und Lage des Produktes ermittelt werden. Dadurch könnte man einem Roboter mitteilen, wo sich fehlerhafte Produkte befinden, um diese zu entfernen.  

Ein anderes Beispiel für ein KI-basiertes Prüfsystem ist die Prüfung von Mindesthaltbarkeitsdaten in der Lebensmittelindustrie. Die KI erkennt hier mit Hilfe von optical character recognition auch schlecht gedruckte Zeichenfolgen und kann definieren, ob das Datum nicht nur fehlerhaft gedruckt, sondern auch richtig einem Produkt zugeordnet wurde.

Eine Anwendung von KI in der optischen Qualitätsprüfung bietet also viele Vorteile gegenüber einer klassischen Bildverarbeitung. Die Standardbildverarbeitung arbeitet am besten mit homogenen und konstanten Bedingungen, wohingegen KI-basierte Systeme flexibler in der Anwendung sind, was äußere Umstände wie Position, Lichtverhältnisse oder Kontrast eines Objekts betrifft. Welche Systeme für ein Produktionsverfahren am besten geeignet ist, entscheidet also der jeweilige individuelle Anspruch an die Prüfung.

Neuer Call-to-Action

Ihr Ansprechpartner im Bereich Automation:
„Automatisierte Antworten? Nicht bei uns! Ich antworte Ihnen persönlich.”

DI Mag. Thomas Lehner
Telefon:+43 732 7646-758
E-Mail: thomas.lehner@schmachtl.at