Der RadarImager erzeugt keine klassischen optischen Bilder, sondern 3D-Radarbildstapel. Die zugrunde liegenden Radarwellen durchdringen nicht-leitfähige Materialien und werden abhängig von deren Eigenschaften reflektiert. Aus diesen Reflexionen entstehen mehrere Tiefenebenen, die Informationen über die innere Struktur eines Produkts enthalten. Damit entstehen neue Möglichkeiten für die Qualitätskontrolle. Gleichzeitig steigt aber auch die Komplexität der Datenauswertung. Relevante Informationen verteilen sich oft über mehrere Schichten eines Bildstapels. Zudem beeinflussen Materialeigenschaften und physikalische Effekte das Erscheinungsbild der Daten.
KI als Brücke
Während ein optisches Bild für Menschen meist intuitiv verständlich ist, gilt dies für Radarbilddaten nur eingeschränkt. Viele relevante Muster sind nicht direkt sichtbar oder erscheinen anders und erschließen sich erst aus dem Zusammenspiel mehrerer Tiefenebenen. Gerade bei komplexeren Anwendungsfällen fehlt daher häufig die schnelle Überzeugung beim Betrachten der Bilder, obwohl die relevanten Informationen bereits in den Daten enthalten sind. Deep-Learning-Verfahren können solche Zusammenhänge erkennen und nutzbar machen. Die KI wird damit zum Übersetzer zwischen komplexen Radardaten und einer automatisierten Qualitätsentscheidung. Sie lernt charakteristische Muster innerhalb der Daten und kann daraus ableiten, ob ein Produkt fehlerfrei ist oder Abweichungen vorliegen. Bei Bedarf lassen sich die Ergebnisse zudem anschaulich visualisieren, um die Nachvollziehbarkeit der Entscheidung zu erhöhen. OptoMedias ultrakompaktes Mini SFF bringt zuverlässige, schnelle Glasfaserverbindungen in Industriekameras der nächsten Generation. ‣ weiterlesen
Fiber Mini SFF für GigE Vision
Bekannte Fehler erkennen und unbekannte entdecken
Für die Auswertung kommen unterschiedliche KI-Verfahren zum Einsatz. Bei bekannten Fehlertypen werden Klassifikationsmodelle trainiert. Sie lernen z.B. fehlende Komponenten, Fremdkörper oder definierte Verpackungsfehler zuverlässig zu erkennen. In vielen Anwendungen stehen jedoch nur wenige Fehlerdaten zur Verfügung. Hier bietet die Anomalieerkennung erhebliche Vorteile. Statt verschiedene Fehlerbilder zu trainieren, lernt das System zunächst den fehlerfreien Zustand eines Produkts. Spätere Abweichungen werden automatisch als Anomalie erkannt, selbst wenn sie zuvor nie beobachtet wurden. Gerade in Bereichen wie Pharma, Lebensmittel oder Verpackungstechnik kann dieser Ansatz dazu beitragen, seltene oder unbekannte Fehler frühzeitig zu identifizieren. Ein weiterer Vorteil von Radar Imaging liegt in der verfügbaren Tiefeninformation. Moderne 2,5D- und 3D-Deep-Learning-Modelle können komplette Bildstapel analysieren und Zusammenhänge zwischen verschiedenen Ebenen berücksichtigen. Dadurch lassen sich Muster erkennen, die in einzelnen Schichten kaum sichtbar wären. Die Qualitätsentscheidung basiert nicht mehr ausschließlich auf einzelnen Bildmerkmalen, sondern auf der intelligenten Analyse vollständiger 3D-Datensätze.
Fazit
Die Zukunft der industriellen Qualitätskontrolle liegt nicht nur in leistungsfähigeren Sensoren, sondern vor allem in der intelligenten Nutzung der gewonnenen Daten. Der RadarImager liefert Informationen, die optischen Systemen verborgen bleiben. KI macht diese Informationen interpretierbar und schafft daraus einen konkreten Mehrwert für die Produktion. Damit entwickelt sich das System von der reinen Detektion versteckter Objekte hin zur intelligenten Interpretation komplexer Produktdaten oder anders formuliert: Der RadarImager macht das Unsichtbare sichtbar, KI macht es verständlich.
