KI-Vision-Anwender stehen gerade in der Großserienfertigung vor einem Problem: Die Produktionsqualität ist oft so hoch, dass es Wochen dauern kann, bis ausreichend fehlerhafte Teile gefunden werden. Solche Fehlteile sind jedoch für den Lernprozess eines KI-Systems erforderlich, um Bildklassen zu generieren, die die jeweiligen Fehler repräsentieren. Abhilfe schaffen hier KI-Lösungen, die Anomalien, sprich Unregelmäßigkeiten an den produzierten Bauteilen erkennen und geeignete Alarme auslösen, um die fehlerhaften Teile aus dem Prozess auszuschleusen. Hierbei können auch Fehler detektiert werden, die der Anwender im Vorfeld noch gar nicht absehen konnte. Imago Technologies bietet mit dem flexiblen, auf Deep Learning basierenden Bildverarbeitungssystem Vision Cam AI.go ein alltagstaugliches Werkzeug für die Anomaliedetektion an. Die Kamera wurde vor allem für Endanwender entwickelt, die keine oder nur wenig Erfahrung in den Bereichen Programmierung oder Bildverarbeitung haben.
Zahlreiche Einsatzfelder
Ein Beispiel aus der Elektronikfertigung verdeutlicht die Vorgehensweise: Leiterplatten werden dort in großen Stückzahlen maschinell mit elektronischen Bauelementen bestückt und anschließend automatisch verlötet. Ausgereifte Bestückungs- und Lötprozesse sorgen hier in der Regel für eine sehr geringe Fehlerquote. Mit Hilfe der Vision Cam AI.go ist ihre Prüfung ohne großen Aufwand und ohne die Parametrierung komplexer Bildverarbeitungssoftware realisierbar. Dem Visionsystem werden als fehlerfrei klassifizierte Platinen eingelernt, wodurch die KI-basierte Kamera anschließend Produkte mit Anomalien erkennen und die Ausschleusung aus dem Prozess anstoßen kann. Bild 1 zeigt links eine fehlerfreie Leiterkarte, in der Mitte ist eine Leiterkarte mit fehlerhafter Diode zu sehen und rechts ist der Fehler durch die Anomaliedetektion markiert worden. Erforderlich ist lediglich der Einsatz einer möglichst diffusen Beleuchtung wie beispielsweise eines LED-Domes sowie die Auswahl eines passenden C-Mount-Objektivs und eines optionalen Polarisationsfilters, um Reflexionen zu reduzieren. Nach der Montage der Kamera muss der Anwender nur noch die digitalen I/Os mit der SPS und das Ethernet mit einem Browser verbinden, und schon ist das System einsatzbereit. Jeder, der mit der Installation und dem Betrieb einer Smart-Kamera vertraut ist, kann die Vision Cam AI.go also problemlos einsetzen.
Einlernen in der Kamera
Im Formfaktor einer Kamera vereint die Vision Cam AI.go ein Komplettsystem bestehend aus einem 5MP-Kamerasensor, einem Multiprozessorsystem und einer Anwendungssoftware. Bereits nach der Parametrierung weniger Kameraeinstellungen lassen sich damit die fehlerfreien Teile einlernen. Dieser Prozess, der bei anderen Systemen häufig in der Cloud ausgeführt wird, findet direkt auf der intelligenten Kamera statt. Sie verfügt dafür über genügend Rechenleistung und ist für viele Anwendungsfälle auch schnell genug. Dies lässt sich gut anhand der genannten Leiterplattenprüfung erklären, wo man drei Fälle unterscheiden kann: Im ersten Fall hat man auf der Leiterplatte eine eingeschränkte Problemzone, in der Fehler auftreten können. Definiert der Anwender diese Region Of Interest und konzentriert die Überprüfung darauf, so ist die KI-Kamera für viele Anwendungen schnell genug. Soll die Kamera im zweiten Fall auf Basis der 5MP-Vollbilder rechnen, so benötigt sie dafür mehr Zeit. Für die üblichen Taktzyklen in der Elektronikfertigung ist die Vision Cam AI.go auch dafür meist schnell genug.
Skalierbare Lösung
Muss es allerdings noch schneller gehen, so bietet mehr Rechenleistung einen Ausweg. Sie ist mittlerweile mit der GPGPU Nvidia Jetson Orin und für Bildverarbeitung erforderlichen Schnittstellen im Formfaktor eines Box-PCs und mit deutlich mehr KI-Power am Markt. Bis zu zwölf ARM-CPU-Kerne sowie 2048 CUDA-Rechenkerne stehen zur Verfügung. Die wesentlichen Vorteile solcher Embedded-Rechner gegenüber einer i-Core/GPU-Variante bestehen bei gleicher Leistung im deutlich geringeren Stromverbrauch, wodurch ein lüfterloses Design möglich wird. Die Langzeitverfügbarkeit solcher Architekturen ist für Anwender ein weiteres wichtiges Kriterium und unterscheidet sich von typischen PCIe-GPU-Karten, die sich als kommerzielle Massenware in kurzen Zeitabständen verändern. Für industrielle Anwendungen eignen sich PCIe-GPU-Karten aufgrund der schwierigen Beschaffung von Ersatzteilen und der mangelnden Kompatibilität der Anwendungssoftware daher im Gegensatz zu Jetson Orin-Modulen nicht. Werden die technischen Grenzen der Hardware oder der Softwarefunktionalität erreicht, so bietet Imago auch skalierbare Lösungen auf Basis anwendungsoptimierter KI-Mathematik an, die auch für anspruchsvollere Anwendungen wie zum Beispiel die Oberflächeninspektion von Bahnwaren geeignet sind.
