Wie fähig ist mein
Inspektionssystem wirklich?
Quantitative Fähigkeitskenngrößen für klassifizierende Bildverarbeitungssysteme und ihre Einflussfaktoren
Gerade im industriellen Umfeld nimmt die Bedeutung von Bildverarbeitungssystemen stetig zu. Von der korrekten Funktion dieser Inspektionssysteme hängt viel ab, meist sogar das Qualitätsniveau der ausgelieferten Teile. Daher ist es von entscheidender Bedeutung, ob das eingesetzte Inspektionssystem für die gewählte Prüfaufgabe geeignet, das heißt ob es fähig ist. Ein neuer Ansatz erlaubt es, diese Fähigkeit für klassifizierende Bildverarbeitungssysteme zu quantifizieren.
Fehlende Standards
Grundlegend kann man zwischen messenden und klassifizierenden Inspektionssystemen unterscheiden; erstere liefern (geometrische) Maße, letztere attributive Merkmale der Prüfteile. Messende Systeme lassen sich über Messunsicherheiten charakterisieren, ihre Fähigkeit für spezielle Prüfaufgaben wird über die Messmittelfähigkeit beschrieben. Diese Größen und Verfahren zu ihrer Bestimmung sind in anerkannten Regelwerken festgelegt. Für klassifizierende Systeme gibt es dagegen noch keine entsprechenden Standards – und das stellt ein erhebliches Problem dar, wenn ein solches System für eine spezifische Prüfaufgabe ausgelegt, spezifiziert und abgenommen werden soll. Aufgrund der Vielfalt klassifizierender Bildverarbeitungssysteme wird eine allgemeine Definition quantitativer Fähigkeitskennzahlen vielleicht nicht gelingen. Anhand eines Beispiels soll hier aber eine Systematik skizziert werden, die auf ähnliche Inspektionssysteme übertragbar ist. Diese Systematik orientiert sich an Kenngrößen, die den gesamten Prüfprozess beschreiben, nämlich der Fehlausschussrate (Anteil fälschlicherweise aussortierter Prüfteile, Falsch-Negativ-Rate) und der Durchschlupfrate (Anteil fälschlich als gut akzeptierter Prüfteile, Falsch-Positiv-Rate). Das sind letztlich die einzigen für den Endanwender relevanten Kennzahlen. Ein oft nicht klar genug erkanntes Problem ist, dass diese Kenngrößen nicht nur von der Leistungsfähigkeit des Inspektionssystems abhängen. Zusätzliche, entscheidende Einflussgrößen sind, wie viele Defekte auf den inspizierten Prüfteilen auftreten und welche Qualitätsregeln für diese Defekte gelten.
Das Bildverarbeitungssystem
Nehmen wir als Beispiel ein System zur Oberflächeninspektion, das auf einem Metallteil Defekte wie offene Lunker, Kratzer und Flecken von Reinigungsmittelrückständen oder Bearbeitungsspuren erkennen soll. Typischerweise geht die Bildverarbeitung in zwei Schritten vor sich: zuerst müssen lokale Auffälligkeiten (Ereignisse) identifiziert werden (Detektion). Im zweiten Schritt werden die entsprechenden Bildausschnitte klassifiziert, also zugeordnet, ob es sich bei dem Ereignis um einen Lunker, Kratzer… handelt. Ein Ereignis kann also, muss aber nicht qualitätsrelevant sein. Qualitätsrelevante Ereignisse wären dann echte Defekte. Allgemein lässt sich die Leistungsfähigkeit dieser Verarbeitungsschritte über eine Detektionsrate d und eine Klassifikationsrate cij beschreiben. Die Klassifikationsrate beschreibt auch Kreuzklassifikationen, also die fälschliche Klassifikation eines Defekts vom Typ j als Typ i. Idealerweise sollten diese Raten bei d=100% und cii=100% liegen. Mit diesen beiden Kenngrößen ist die Kernfunktionalität der Bildverarbeitung erfasst; beide Größen lassen sich in einer Erkennungsrate rij=di*cij zusammenfassen. Es gibt auch klassifizierende Systeme, bei denen Ereignisse nicht eigens detektiert werden müssen. So ist beispielsweise bei der Inspektion einer Blisterverpackung für Tabletten von vornherein klar, wo hingeschaut werden muss. Die Zielgrößen Fehlausschuss und Durchschlupf hängen aber auf jeden Fall noch von anderen Einflüssen ab.
