Deep Learning zur Oberflächenprüfung von Metall und Kunststoff

Deep Learning zur Oberflächenprüfung von Metall und Kunststoff

Die KI-Software AI.See von Elunic wird häufig zur Prüfung von Oberflächen aus Metall und Kunststoff eingesetzt. Mit einem Starterkit und einem Smartphone können Anwender selbst einen ersten Eindruck einer KI-basierten Qualitätsprüfung gewinnen.

Für die Installation der KI-Software AI.See stehen Anwender-spezifische Komplettpakete mit Kamera, Beleuchtung und IPC zur Verfügung. Die Lernphase des KI-Systems erfolgt im laufenden Betrieb. (Bild: Elunic AG)

Für die Installation der KI-Software AI.See stehen Anwender-spezifische Komplettpakete mit Kamera, Beleuchtung und IPC zur Verfügung. Die Lernphase des KI-Systems erfolgt im laufenden Betrieb. (Bild: Elunic AG)

Ein Beispiel für den Einsatz von Deep Learning ist die Erkennung von Lunkern in Guss-, Spritzguss- oder Betonteilen. Diese kleinen, durch Schwindung bedingten Vertiefungen können in Größe, Form und Lage völlig unterschiedlich aussehen. Regelbasierte Systeme lassen sich deswegen nur schwer einsetzen. AI.See dagegen erfasst durch einen Lernvorgang das generelle Prinzip des Lunkers. Einmal trainiert, erkennt es die Fehler in Echtzeit. Das gleiche Prinzip gilt auch für Kratzer, Risse und Unebenheiten auf Metall- und Kunststoffteilen oder defekte Leiterbahnen auf Platinen.

Lernphase im laufenden Betrieb

Zur Installation stehen anwenderspezifische Komplettpakete zur Verfügung. Die Montage der Kamera erfolgt an einem flexiblen Arm, wobei die Kameraauflösung entsprechend der Prüfobjekte gewählt ist. Neben der Beleuchtung gehört auch eine Edge Computing Recheneinheit zum System. Die Datenmengen zur Weiterentwicklung der KI-basierten Erkennung befinden sich in der Cloud. Die Lernphase des KI-Systems erfolgt im laufenden Betrieb. Der Einstieg beginnt anhand von als fehlerhaft/fehlerfrei eingestuften Bildern. 1.000 Bilder sind ein guter Anfang. Abhängig von der Problemstellung ist aber auch mit 100 Bildern der Start der Qualitätsprüfung möglich. Die Software benötigt in der Anfangsphase Unterstützung durch einen Bediener, der Grenzfälle entsprechend zuordnet, wobei der Unterstützungsbedarf stetig geringer wird. Nach etwa zwei Monaten funktioniert die Fehlererkennung in der Regel sehr gut. Der Mitarbeiter muss nur noch vereinzelt eingreifen. Je mehr Fehlerbilder (>1.000) zu Projektbeginn vorliegen, desto kürzer ist die Lernphase. Schon bald muss der Mitarbeiter nur Fälle prüfen, bei dem die Software nicht eindeutig erkennt, ob ein Fehler vorliegt. Die Person markiert dann ggf. einen Fehler und erzeugt damit ein weiteres Trainingsbild. Auf diese Weise lernt die Software kontinuierlich weiter und wird immer besser. Durch Transfer Learning lässt sich die Trainingszeit der Software zudem weiter verkürzen. Hierbei werden ähnliche, anonymisierte Produktdaten anderer Anwendungen zur Erkennung von Fehlern genutzt. Schließlich sehen Kratzer, Verschmutzungen und Lunker oft ähnlich aus. Eine Besonderheit der Software liegt in der zeitlich unbefristeten Korrektur. Die Lernphase gilt nie als abgeschlossen. Stattdessen prüft der Mitarbeiter weiterhin Grenzfälle, die AI.See nicht selbst einordnen kann.

Seiten: 1 2Auf einer Seite lesen

www.elunic.com

Das könnte Sie auch Interessieren

Anzeige

Bild: ©Gorodenkoff/Shutterstock.com
Bild: ©Gorodenkoff/Shutterstock.com
Gaming trifft NDT

Gaming trifft NDT

Messdaten in eine Form zu bringen, die intuitiv verständlich und doch präzise ist, ist eine der zentralen Herausforderungen in der Qualitätskontrolle. Cloud-flight sowie Recendt setzten hierfür in einem Forschungsprojekt zum Einsatz von Augmented Reality in der zerstörungsfreien Werkstoffprüfung (NDT) Algorithmen ein, um den Prototyp einer skalierbaren AR-Lösung zu schaffen.

Bild: Beckhoff Automation GmbH & Co. KG
Bild: Beckhoff Automation GmbH & Co. KG
Zyklussynchrone Vision

Zyklussynchrone Vision

Aixemtec entwickelt automatisierte Lösungen für die Präzisionsmontage von elektro-optischen Systemen. Das Unternehmen bietet kundenindividuelle Lösungen auf Basis eines Modulbaukastens, der von der Materialzuführung und -handhabung über Mikromanipulation und Vermessung bei der hochpräzisen Montage bis hin zur Qualitätssicherung reicht. PC-based Control von Beckhoff inklusive Twincat Vision sorgt dabei für exakte wie schnelle Prozessabläufe.

Bild: Framos GmbH
Bild: Framos GmbH
Weiterhin verfügbar

Weiterhin verfügbar

Intel RealSense richtet sein Geschäftsmodell neu aus und kündigt verschiedene Produkte ab, um den Fokus verstärkt auf die bestehende D400 Stereo Vision Produktlinie zu legen. Die inVISION sprach mit Darren Bessette, Category Manager Devices bei Framos, was dies nun konkret bedeutet.

Bild: Fraunhofer-Institut IPM
Bild: Fraunhofer-Institut IPM
Fingerabdrücke aus Holz

Fingerabdrücke aus Holz

Ein markierungsfreies Identifizierungsverfahren soll bald die individuelle Rückverfolgung von Baumstämmen oder Stammteilen sichern – von der Ernte im Wald bis zur Vermessung im Sägewerk. Speziell hierfür optimiert das Fraunhofer IPM sein Track&Trace Fingerprint-Verfahren, um Baumstämme anhand von Oberflächenstrukturen an den Sägeflächen eindeutig zu identifizieren.

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige