Kontakt

In puncto Möglichkeiten und Grenzen der optischen Qualitätsprüfung hat sich speziell in den letzten Jahren sehr viel getan. Denn nicht nur Kameratechnik und PC-Leistung entwickeln sich rasant weiter, auch die Künstliche Intelligenz hat auf dem Gebiet viele neue Möglichkeiten aufgetan.

Ungeahnte neue Möglichkeiten der optischen Qualitätsprüfung

Prinzipiell steht und fällt jedes optische Prüfsystem mit der Qualität des Bildmaterials. Sobald es also möglich ist, einen Fehler verlässlich per Kamera zu dokumentieren und dann auch erkennen sowie interpretieren zu können, lässt sich die manuelle Prüfung in dieser Anwendung ersetzen. 

Zu diesem Zweck werden ständig neue Algorithmen entwickelt, die neue Leistungen erbringen. Auch die Qualität der Hardware wird kontinuierlich besser, was sich auch in der Schnelligkeit und Effizienz der Kameras und eben nicht zuletzt in der Bildverarbeitung bemerkbar macht. 

Weiters gibt es auch stets neue Entwicklungen im Bereich der KI, da etwa ein Deep-Learning-System immer wieder schneller und mehr „lernen” kann. Auch die notwendige Menge an Bildmaterial zum Eintrainieren eines neuronalen Netzes nimmt kontinuierlich ab. Zudem benötigt man auch nicht mehr so viel Know-How im Bereich der Bildverarbeitung wie noch vor ein paar Jahren. Folglich lassen sich auch durch Systemintegratoren Lösungen schneller darstellen. Damit reduziert sich auch der Engineering-Aufwand – in Zukunft werden Kunden Ihre Applikationen nach einer Einschulung großteils selbst lösen können. 

KI verschiebt die Grenzen der Bildverarbeitung

Viele Anfragen die früher auch die erfahrensten Integratoren ablehnen mussten, sind heute problemlos durchführbar und darüber hinaus auch leistbar sowie rentabel geworden. Allein diese Tatsache lässt das Ausmaß an neuen Möglichkeiten erahnen, die sich seit dem Vormarsch der Künstlichen Intelligenz kontinuierlich vervielfältigen. 

Eine dieser neuen Möglichkeiten ist die Inspektion von Oberflächen, die bis vor Kurzem aus wirtschaftlicher Sicht praktisch kaum umsetzbar war. Dank KI lassen sich jetzt auch kleine Kratzer und Dellen schnell und gut erkennen. Auch andere ähnlich anspruchsvolle Applikationen lassen sich heute vergleichsweise preiswert lösen. Mittlerweile ist vieles möglich und sinnvoll, was sich zuvor rein wirtschaftlich nicht amortisiert hätte. 

Beispielsweise eine Errungenschaft der Künstlichen Intelligenz ist die Klassifizierung verschiedener Webmuster von Stoffen durch optische Prüfung. Das hätte bis vor Kurzem einen unzumutbaren Programmierungsaufwand bedeutet, der mehrere 100.000, - EUR gekostet hätte. Doch diese Option hätte sich wirtschaftlich niemals rentiert. Zwar kann man inzwischen auch in der klassischen Bildverarbeitung Produkte besser klassifizieren, doch mithilfe von Deep Learning wird das Erkennen und Interpretieren von Merkmalen und Fehlern geradezu ein Kinderspiel. Zusätzlich hat es den Vorteil, dass man nicht alles selbst aus programmieren muss. 

Ein praktisches Beispiel dafür wäre eine Schokolade mit Nüssen. Hier lässt sich mittlerweile sogar die Verteilung und Anzahl der Nüsse pro Tafel Schokolade durch optische Prüfung klassifizieren. Auch die Bestimmung des Reifegrades eines Apfels stellt eine neue Möglichkeit in der Qualitätsprüfung dar, die per Deep Learning Funktion durchgeführt werden kann. So etwas wäre früher nur mit immensem Aufwand möglich gewesen, doch heute geht diese Prüfung über einen KI Klassifikator reibungslos und erschwinglich über die Bühne. 

DL-Pizza-Sorting-720x405-e1b7706d-5c10-49ff-9611-0d937f2b83d8 (1)

Besonders herausfordernde oder gar grenzwertige Applikationen gibt es nach wie vor im Bereich der optischen Prüfsysteme – in der Technologie gibt es schließlich immer Luft nach oben. Es gilt das Ausgangsprinzip: Sobald ich einen Fehler trotz Hilfsmittel wie Beleuchtungen und Filter nicht auf einer Kameraaufnahme wiedergeben kann, ist auch dem besten Visionsystem hier eine Grenze gesetzt. 

Eine typische Herausforderung stellen zum Beispiel Applikationen dar, die große Produkte oder Bauteile auf extrem kleine Fehler kontrollieren sollen. Solche Anwendungen erfordern eine extrem hohe Auflösung, die mitunter auch die Installation eines Mikroskops mit sich bringt. Die mikroskopische Fehlersuche wiederum ist extrem zeitaufwendig und das Anbringen von mehreren Mikroskopen nebeneinander zur Beschleunigung des Prozesses würde wiederum astronomisch hohe Kosten verursachen, die jedes vernünftige Budget überschreiten. 

Eine weitere Grenzsituation ist dann gegeben, wenn sich die Belegschaft einer Produktionsstätte nicht einigen kann, ab wann ein Produkt fehlerhaft ist. Wenn diese Definition nicht intern klar festgelegt ist, hilft auch das beste optische Visionsystem nichts, da es nichts gibt, woran es sich orientieren könnte.

Schließlich gibt es in der optischen Prüfung im Unterschied zur manuellen Prüfung keine Grauzonen. Ein Mensch kann verschieden abwägen, ob ein leicht abweichendes Produkt in einem konkreten Kontext noch akzeptabel ist oder eben nicht. Demgegenüber ist ein Deep Learning System aber nicht bestechlich und sortiert mit wiederholbarer Exaktheit aus, was nicht mit den angelernten Merkmalen übereinstimmt. Insofern kann in der KI-gesteuerten Applikation für gleichbleibende Qualität gesorgt sein. 

Deep-Learning-Wallpaper-720x480-475e8c11-565f-4e4c-8420-17d716e88edf

Prinzipiell lässt sich so gut wie jede Anforderung in der optischen Prüfung irgendwie realisieren. Allerdings bleibt dieses „irgendwie” in manchen Fällen im theoretischen Bereich, da eine Umsetzung von bestimmten Szenarien unterschiedlichen Aufwand an Dienstleistung und Entwicklung bedeuten würde.

Insofern ist die Durchführung einer Machbarkeitsstudie im Vorfeld immer ratsam. Dadurch lässt sich mit Sicherheit herausfinden, wie sich ein brauchbares Bild in der konkreten Umgebung des potentiellen Anwenders umsetzen lässt. Nach einer durchgeführten Machbarkeit durch einen erfahrenen und erprobten Integrator hat man bereits ein bewährtes Konzept in der Hand. Zudem führt die Studie zu einem fixen Angebot, bei dem Sie genau wissen, worauf Sie sich einlassen. Denn seriöse Anbieter von Visionsystemen bauen auf jahrzehntelanger Markterfahrung auf und haben somit die beste Preis-Leistungs-Lösung für ihre Kundschaft im Auge. Auf jeden Fall lohnt es sich, eine Anfrage zu machen, denn die Grenzen des Möglichen verschieben sich rasant in ungeahnte Höhen!

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