TITEL: Eine neue Dimension der KI-basierten Fehlererkennung
KI-Verfahren sorgen für exzellente Erkennungsergebnisse bei der automatisierten Fehlerinspektion. Mit der Deep-Learning-basierten Technologie Anomaly Detection, die Bestandteil der Halcon Software von MVTec ist, können Unternehmen die Inspektionsprozesse jetzt deutlich vereinfachen und effizienter gestalten.
Bild 1 | Anomaly Detection vereinfacht die Deep-Learning-basierte, automatisierte Fehlerinspektion, da für die Defekterkennung nur noch Gut-Bilder erforderlich sind, also Bilder, die das entsprechende Objekt in fehlerlosem Zustand zeigen. (Bild: ©Savas Keskiner/istockphoto.com)
Ob auf Embedded-Geräten oder auf klassischen Industrie-PCs – immer öfter fließen KI-Verfahren in Machine-Vision-Applikationen ein. Eine wichtige Rolle spielt dabei Deep Learning. Mithilfe dieser KI-Technologie lassen sich aufgenommene, digitale Bilddaten umfassend analysieren. Die Vision-Software lernt dabei im Rahmen eines Trainings die für eine bestimmte Objektklasse typischen Eigenschaften und kann dadurch die Gegenstände exakt klassifizieren und besser erkennen. Dies gilt nicht nur für die Identifikation von Objekten an sich, sondern auch für die zielsichere Entdeckung und Lokalisierung von Defekten verschiedenster Ausprägung. Das hierfür erforderliche Training muss jedoch gut vorbereitet werden. Dies beginnt mit der Erzeugung und Sammlung einer großen Anzahl von validen Bilddaten. Diese müssen gelabelt, also mit einem digitalen Etikett versehen werden. Das Label steht jeweils für eine ganz spezifische Objekt- oder Fehlerklasse. Erst im Anschluss kann das zugrundeliegende, neuronale Netz mit den einzelnen Bildern trainiert werden.
Labeling verursacht großen Aufwand
Der Labeling-Prozess gestaltet sich extrem aufwändig: Abhängig von der individuellen Anwendung werden zwischen 150 und 300 Trainingsbilder pro Fehlertyp benötigt. Darauf müssen die jeweiligen Objekte mit den zu erkennenden Defekten in verschiedenen Erscheinungsformen zu sehen sein (Schlecht-Bilder). Die meisten Unternehmen verfügen jedoch nicht über eine so große Anzahl entsprechender Bilder. Erschwerend kommt hinzu, dass in industriellen Fertigungsprozessen quer durch alle Branchen Fehler auftreten, die aufgrund ihrer Heterogenität und ihrer vielfältigen Ausprägungen im Vorfeld nicht bekannt sind: In der Backwarenindustrie beispielsweise müssen Brötchen hinsichtlich Form und Aussehen bestimmte Normen einhalten. Dabei ist eine Vielzahl von Verformungen denkbar, welche eine Abweichung vom Sollzustand begründen. Ein anderes Beispiel stammt aus der Keksproduktion: Hier muss der Schokoladenüberzug exakt den Vorgaben entsprechen. Wird die Glasur unregelmäßig oder in zu geringer Menge aufgetragen, müssen die Kekse als Ausschuss aussortiert werden. Auch bei der Abfüllung von Getränken sind verschiedenste Defekte möglich. Schäden am Flaschenhals wie kleinste Sprünge, Kerben oder Risse sind mit bloßem Auge oft kaum erkennbar, machen das Gefäß aber unbrauchbar. In der Elektronikfertigung können vielfältigste Fehler auftreten, wie z.B. Dellen, Kratzer und sonstige Anomalien an Platinen, Leiterplatten oder sonstigen Komponenten. Die Bandbreite an möglichen Fehlern lässt sich also in ihrer konkreten Erscheinungsform vor dem Produktionsprozess nicht abschätzen. Aus diesen Gründen können die Beschaffung und das Labeling der für das Training benötigten Schlecht-Bilder einen unverhältnismäßig hohen Aufwand bedeuten, der für Unternehmen meist nicht rentabel ist. Um diese Herausforderung zu meistern, hat MVTec die Technologie Anomaly Detection entwickelt, die erstmals mit der Halcon Version 19.11 eingeführt und seitdem weiterentwickelt wurde.
