Ziel des Projekts war es, sowohl die Anzahl der Coils als auch die Anzahl der Umreifungsbänder automatisch zu erfassen. Dies sollte unter Nutzung der bereits vorhandenen Kamerainfrastruktur und mit einer nahtlosen Integration in die bestehende Prozessdatenumgebung der Anlage erfolgen. Die Lösung war nicht als sicherheitszertifiziertes System ausgelegt, sondern dient als Unterstützung für die Erhöhung der Prozesssicherheit und zur Bereitstellung aussagekräftiger Echtzeit-Informationen für das Bedienpersonal. Die Erkennung von Coil-Umreifungen unter realen Produktionsbedingungen ist jedoch eine Herausforderung, da diese sich in Größe und Oberfläche unterscheiden, d.h. matt oder stark reflektierend sein können. Zusätzlich erschwerten wechselnde Lichtverhältnisse und Reflexionen eine zuverlässige Bildauswertung mit klassischen Bildverarbeitungsalgorithmen. Die feste Kameraposition schränkte darüber hinaus die Möglichkeiten zur Bildoptimierung ein.
Deep-Learning-Ansatz mit Yolov8
Ein Deep-Learning-Ansatz mit Yolov8, einem schnellen Framework zur Objekterkennung, bot die notwendige Flexibilität, um mit den visuellen Variationen umzugehen. Zunächst wurde ein Datensatz mit Bildern von Coils und Umreifungen manuell mittels Bounding Boxes annotiert. Um die Variabilität der realen Produktionsbedingungen abzubilden, wurde der Datensatz durch Anpassungen von Helligkeit, Kontrast und Schärfe sowie durch simulierte Unschärfen und Rauschen erweitert. Auf dieser Basis wurden drei Yolov8-Modelle in aufeinanderfolgenden Trainingsstufen trainiert. Das Modell wurde anschließend über eine Python-basierte Schnittstelle in IbaVision integriert. Die Lösung läuft auf der virtuellen Maschine des Anwenders und benötigt keine GPU-Hardware. Für jedes erkannte Coil speichert IbaVision sowohl das Originalbild der Kamera als auch das Ergebnis der Objekterkennung in IbaCapture. Gleichzeitig werden die ermittelten Anzahlen von Coils und Umreifungsbändern in IbaPDA erfasst und für weiterführende Prozessanalysen bereitgestellt. Damit ist eine zuverlässige Erkennung der Coils mit Reflexionen und wechselnder Beleuchtung möglich. Auch die nahtlose Integration in die Iba-Umgebung für eine kontextbezogene Prozessanalyse sowie die Nachtrainierbarkeit und Wiederverwendbarkeit für weitere Anlagen oder zukünftige Projekte ist gegeben.
