Im Gegensatz zu manuellen visuellen Prüfverfahren, die oft subjektiv sind, erhalten Sie wiederholbare und präzise Ergebnisse.
Wechselnde Bildbedingungen oder variierende Fehlerbilder sind im Vergleich zu klassischen Methoden kein Problem.
Deutlich kürzere Auswertezeiten als bei einer klassischen Bildverarbeitung erlauben einen automatisierten Inline-Betrieb in Echtzeit.
Project Subtitle
System for adaptive phototonic surface testing with adaptive image evaluation in combination with a cleaning system.
Companies and Partners
P…
Project Subtitle
Data-based evaluation of the wire electrical discharge machining process
Companies & Partners
WBA Aachener Werkzeugbau Akademie GmbH, Mak…
Project Subtitle
Automation of network edge infrastructure & applications with artificial intelligence
Companies & Partners
Opel Automobile GmbH, Frau…
Anwendungsfall, Ziele und Anforderungen verstehen
Prüfung and Analyse der aktuellen Bilddaten
Optimierung Bilddaten durch Messystem oder Vorverarbeitung
Verarbeitung und Auswertung der Bilddaten
Evaluation der Machbarkeit für den Anwendungsfall
Bestimmung des Return-on-Investments
Roll-Out Roadmap nach erfolgreichem Proof-of-Concept
Erfahren Sie mehr über KI in der Produktion und ihre Anwendungsfälle.
Was ist Machine Vision?
Machine Vision ist ein Begriff, der den Prozess der Verwendung von Digitalkameras, Sensoren und Verarbeitungsalgorithmen zur Erfassung und Interpretation visueller Informationen aus der physischen Welt beschreibt. Diese Technologie wird in einer Vielzahl von Anwendungen eingesetzt, z. B. in der Industrierobotik, der medizinischen Bildgebung und bei autonomen Fahrzeugen. Sie ermöglicht es Maschinen, in Echtzeit zu „sehen“ und Entscheidungen zu treffen, so dass sie auf intelligente und effiziente Weise auf ihre Umgebung reagieren können.
Wie funktioniert Machine Vision für die optische Prüfung?
Bei der optischen Prüfung werden computergestützte Lösungen für Aufgabenstellungsprofile üblicherweise eher den Fähigkeiten des menschlichen visuellen Systems entsprechen. In diesem Zusammenhang gelten Machine Vision Verfahren als ein Mittel der Wahl, bei dem künstliche neuronale Netze mit einer Vielzahl an Schichten, sogenannten Hidden Layers, zum Einsatz kommen. Voraussetzungen sind in der Regel eine ausreichende Menge an Trainingsdaten sowie entsprechende Rechenkapazitäten der für das Training und die Auswertung genutzten Hardware. Alternativ lässt sich in manchen Fällen auch auf bereits vortrainierte Algorithmen zurückgreifen. Dann lassen sich hochkomplexe Problemstellungen lösen, für die sich mit klassischen regelbasierten Algorithmen keine oder nur sehr aufwendige robuste Lösungen entwickeln lassen.
Wie kommt Machine Vision für die optische Prüfung zum Einsatz?
Zur Qualitätssicherung werden heute mehr und mehr industrielle Bildverarbeitungssysteme verwendet, die in der Serienproduktion an der Produktionslinie installiert werden können und teils Tausende Teile pro Minute zuverlässig und wiederholbar prüfen. Auch bei der Produktion kleinerer Stückzahlen bietet die industrielle Bildverarbeitung aufgrund der erreichten Genauigkeit und Wiederholbarkeit hervorragende Ergebnisse bei quantitativen Messungen von strukturierten Szenen. In Kombination mit der entsprechenden Auflösung und Optik können Details erkannt werden, welche für das menschliche Auge nicht oder nur schwer sichtbar sind. Maschinelle optische Prüfungen ersetzen somit häufig menschliche Prüfprozesse, sind objektiv und wiederholbar sowie bergen potenziell weniger Fehler und Ausfälle.
Was sind die Vorteile von Machine Vision für die optische Prüfung?
Das Kernproblem im Hinblick auf herkömmliche industrielle Bildverarbeitungssysteme ist, dass sie nicht zwischen ,,äußeren“ Schwankungen der Bilddaten und den für die Optische Prüfung relevanten funktionalen bzw. qualitativen Abweichungen der Prüfobjekte unterscheiden können.
Im Gegensatz zur klassischen Bildverarbeitung ist der Mensch dazu in der Lage, diese Unterscheidungen zu erlernen und vorzunehmen. Auch wenn der Mensch Informationen langsamer verarbeitet, besteht seine Stärke darin, diese zu abstrahieren und vor einem allgemeineren Hintergrund zu beurteilen. In Anwendungsfällen, in denen es um die qualitative Interpretation von komplexen, nicht strukturierten, d.h. signifikant variierenden Bilddaten geht, ist die menschliche Prüfung daher gemeinhin die bessere Wahl.
Mithilfe von Machine Vision Modellen lassen sich die kognitiven menschlichen Fähigkeiten teilweise auf maschinelle Bildverarbeitungssysteme übertragen. Auf diese Weise kann die abstrahierende, lernende und qualitative Interpretation von Bilddaten mit ihrer Robustheit gegenüber Varianzen mit der Geschwindigkeit und Wiederholbarkeit industrieller Bildverarbeitungssysteme vereint werden.
Was ist vor dem Einsatz von Machine Vision für die optische Prüfung zu beachten?
Machine Vision Verfahren für die Bildverarbeitung eignen sich besonders gut für komplizierte Prüfverfahren in der Produktion, die robust gegenüber Schwankungen oder Anomalien in den Bilddaten sein müssen und qualitative oder diskrete Messgrößen auswerten.
Künstliche neuronale Netze befähigen zur Automatisierung von Prozessen, für welche sich bislang keine oder nur sehr schwer programmierbare Lösungen finden ließen. Auf diese Weise können Fehlerraten minimiert und Prüfzeiten verkürzt werden. Der Einstieg in die Implementierung von Machine Vision Anwendungen in der Bildverarbeitung wird durch bestehende Programmierbibliotheken wie TensorFlow oder sogar bereits vollständig vorgefertigter Software erleichtert und erfordert relativ wenig Knowhow in der Bildverarbeitung.
Vor dem Einsatz für die Optische Prüfung müssen die künstlichen neuronalen Netze systematisch trainiert und validiert werden. Hierfür wie auch für die anfängliche Auswahl und abschließende Überwachung des Algorithmus im Betrieb empfiehlt sich jedoch die Einbindung von Experten und professioneller Software für industrielle Machine Vision.