Dazu müssen wir zunächst einmal die bekannten verschiedenen Kontrollmethoden im Herstellungsprozess, der Qualitätsprüfung und bei der Rückverfolgbarkeit genauer betrachten. Man unterscheidet zwischen menschlichen visuellen Prüfungen, herkömmlicher industrieller Bildverarbeitung und Bildverarbeitung mit Deep Learning. Doch was genau sind die Unterschiede, die Vor- und Nachteile der einzelnen Methoden?
Deep Learning Programme funktionieren ähnlich wie das menschliche Gehirn. Sie „ahmen“ das Gehirn in ihren tiefen (deep) neuronalen Netzen nach. Bilder, Texte und Zahlen werden genutzt, um diese neuronalen Netze zu trainieren. Dabei werden Unterschiede der Datenreihe erkannt und dauerhaft nach Unregelmäßigkeiten und Veränderungen gesucht. Den entscheidenden Vorteil gegenüber der herkömmlichen Bildverarbeitung liefert Deep Learning bei komplexen Situationen, mit vielen Ausnahmen und hoher Fehlerbibliothek, hoher Geschwindigkeit und Zuverlässigkeit. Eben da, wo die herkömmliche Bildverarbeitung an ihre Grenzen kommt.
Um in der Fertigung zwischen verschiedenen Objekttypen zu unterscheiden, Fehlertypen zu identifizieren und sogar Bilder zu prüfen, werden eine Auswahl von gekennzeichneten Bildern eingelernt. So können Produkte identifiziert und in Klassen eingeteilt werden. Dies geschieht anhand ihrer gemeinsamen Merkmale wie Farbe, Textur, Material, Verpackung und Fehlertyp.
Mit Deep Learning werden auf komplexen Teilen und Oberflächen schnell Defekte erkannt. Dazu wird eine Auswahl an guten und schlechten Bildern mit markierten Fehlern eingelernt, damit die normale Abweichung der Teile gelernt und währenddessen ein umfassendes Verständnis für die Fehler entwickelt wird.
In der Fertigung werden komplexe Merkmale und Objekte in einem Sichtfeld mit einer speziellen Deep-Learning-Bildanalysesoftware auffindbar. Die Software erkennt Merkmale auf unruhigem Hintergrund, in schlecht beleuchteter Umgebung, auf kontrastarmen Teilen und sogar auf Teilen, die sich verbiegen oder ihre Form verändern. Mit ihr werden Teile trotz Abweichungen der Perspektive, Ausrichtung, Helligkeit, des Glanzes und der Farbe lokalisiert, indem sie von Musterbildern lernt.
Selbst schwierigste OCR-Aufgaben in einer Fertigungsumgebung, wie nadelgeprägte Codes auf Metallteilen, geprägte Zeichen auf Spritzgussprodukten, gelaserte Codes auf elektronischen Bauteilen, etikettenbasierte Codes auf Verpackung, Zeichen mit wenig Kontrast und Codes auf ungleichmäßigen Hintergründen können mit künstlicher Intelligenz gelöst werden.
Doch auch dort wo die herkömmliche industrielle Bildverarbeitung scheitert und Deep Learning zum Einsatz kommt, können beide Technologien zusammenarbeiten und sich gegenseitig ergänzen:
Bauteile fallen willkürlich auf eine Rüttelplatte und werden dort vereinzelt. Das Kamerasystem muss die Teile, die richtig herum liegen, erfassen und die Position ausgeben. Da die Prüfobjekte unregelmäßig liegen und deren Merkmale sehr klein sind, stößt die regelbasierte Bildverarbeitung hier an ihre Grenzen. Mit Deep Learning erkennen wir die richtige Lage der Bauteile und mit klassischer Bildverarbeitung wird dann die genaue Position ermittelt, so dass ein Roboter die Teile greifen kann.
Als herstellerunabhängiger Komponenten- und Lösungsanbieter haben wir die unterschiedlichsten Produkte für die verschiedensten Applikationen in unserem Portfolio.
