Das visuelle Erscheinungsbild von Objekten wird durch die Art und Weise bestimmt, in der es Licht reflektieren und transmittiert. Das solino System arbeitet mit der digitalen Transformation der Objektparameter und speichert das visuelle Erscheinungsbild von Objekten in einem eigenen Format ab. Ziel war es den menschlichen Aspekt der Qualitätsbestimmung, als auch den individuellen Eindruck (Emotion) eines Produktes, digital zu erfassen, anschließend mathematisch zu beschreiben, um ihn dann bewerten und klassifizieren zu können. Mit den Ergebnissen der Messung scheint es nun möglich, den menschlichen Aspekt bei der Qualitätsbeurteilung zu standardisieren. Die Attribute des Erscheinungsbildes eines Produktes basieren auf der Richtungsverteilung des reflektierten Lichts (BRDF: Bidirektionale Reflektanzverteilungsfunktion), die von dem System rechnerisch zerlegt gemessen wird. Sie stellt somit eine Funktion für das Reflexionsverhalten von Oberflächen eines Materials unter beliebigen Einfallswinkeln dar. Der solino Algorithmus erzeugt für jeden Objektpunkt eine individuelle Digitalsignatur. Damit ist es möglich Schriften, Kratzer, Fehlstellen, Farbunterschiede usw. als spezifische Anomalie zu beschreiben und auch automatisch auszuwerten. Somit kann mit nur einem Sensor eine produktspezifische umfassende Qualitätsnorm definiert werden und in der Serienkontrolle zuverlässig angewendet werden. Die Art und Weise der Datengenerierung machen die Ergebnisse sehr robust gegen Fremdlichteinflüsse als auch unterschiedliche Probenaufbereitungen.
Solino Sensor mit Deep Learning
Der neue Solino Sensor 10×10 aus der Opto Imaging Modul Familie vereint mehr als zehn Jahre Entwicklung. In Verbindung mit KI-Lösungen können jetzt auch selbstlernende Qualitätsroutinen einfach erstellt werden und schnell an Produktänderungen angepasst werden. Über Deep Learning Algorithmen und neuronale Verknüpfungen sind langjährige Erfahrungswerte von geschultem Personal digital erfassbar und nutzbar. Die neue Technologie ermöglicht zudem eine Steigerung der lateralen Fehlererkennung aufgrund der Auswertung der Streueigenschaften. Ein Kratzer auf einer Oberfläche streut flächig und ist daher zu erkennen, obwohl die rein optische Auflösung ihn nicht erfassen kann. In dem verfügbaren Bildfeld von 10x12mm sind nun Anomalien kleiner 1µm sowohl identifizierbar als auch klassifizierbar. Das ermöglicht eine repräsentative Aussage auf einer relativ großen Fläche mit einer mikroskopischen Genauigkeit und ermöglicht eine wiederholbare 100% Qualitätsaussage.
Digitale Signaturen zur Fälschungssicherung
Die Einsatzmöglichkeiten des Sensors zur digitalen Zerlegung von Oberflächenparametern, ist auf keine spezielle Applikation beschränkt. Typische Anwendungen sind Predictive Maintenance, typische Qualitätssicherungs- und Inspektionsaufgaben. Es sind auch Applikationen in der Festlegung von digitalen Signaturen von Gemälden, Luxusgütern zur einfachen Fälschungssicherung denkbar. Code Identifizierung an sehr kontrastarmen Stellen wie schwarzer Code auf schwarzem Kunststoff-Gummi oder QR Code auf gegossener/ gesinterter Oberfläche sind auch machbar. Opto unterstützt bei der Anpassung der solino Algorithmen an kundenspezifische Probenanomalien, bei der Entwicklung solino bildbasierter KI-gesteuerter DATA-Mining-Lösungen als auch bei der Bildanalyse und Entscheidungsfindung. Der Sensor kann als stand alone Lösung oder auch als Lizenz erworben werden.
Fazit
Der Solino Sensor ist kein traditioneller Messsensor und auch nicht für Zeilenscan-Anwendungen entwickelt worden, kein direktes 3D-Messwerkzeug und auch keinphotometrischer Stereo-Imaging-Sensor. Trotzdem ermöglicht er viele gewohnte Messprozesse zu verändern und neue Bewertungskriterien und Normen für individuelle Qualitätsaussagen zu entwickeln. Der sensor ist in der Lage die Art und Weise, wie die Qualitätskontrolle von Produkten durchgeführt wird, zu verändern, die menschliche Wahrnehmung von Produkten zu digitalisieren, Anomalien zu finden, die nicht einmal Menschen finden. Des weiteren kann er die Pixelauflösung erhöhen, eine Vorhersage von Produktausfällen (Predictive Maintenance) prognostizieren, messen und analysieren (Farbe, Welligkeit, Rauheit, Spannung) und ist auch für Anwendungen in der KI gestützten Prozessautomatisierung geeignet.
