Für das menschliche Auge erscheint das Metallteil perfekt. Doch das automatisierte Inspektionssystem entdeckt dank der dreidimensionalen Kamera-Aufnahmen winzige Abweichungen, die die erlaubten Grenzen überschreiten. Damit ist klar: Das Bauteil genügt nicht den Qualitätsanforderungen und muss aussortiert werden. Derlei Abweichungen im Mikrometerbereich lassen sich dank immer leistungsfähigerer Bildverarbeitungstechnologien mittlerweile genauestens erkennen. 

Im Zuge von Industrie 4.0 steigen die Ansprüche an die Bildverarbeitungsverfahren noch weiter: Märkte und Marktanforderungen verändern sich rasant, Kunden verlangen immer individuelle-re Produkte bei gleichbleibend hohen Qualitätsansprüchen. Dies hat Folgen für die Produktion: Lebenszyklen von Produkten verkürzen sich, Losgrößen werden kleiner. Hinzu kommt ein höherer Zeitdruck durch automatisierte und extrem schnelle Produktionsprozesse, die parallel ablaufende Qualitätskon-trollen nötig machen – und das bei maximaler Präzision. 

Anbieter von Bildverarbeitungssystemen haben sich in den letzten Jahren auf die beschleunigten Produktionsprozesse eingestellt. Die Bildverarbeitung ist schneller und benutzerfreundlicher geworden und profitiert etwa von Highspeed-Kameras mit hoher Auflösung und leistungsfähigen Schnittstellen. Doch das allein genügt nicht mehr: Um im Zeitalter von Industrie 4.0 reibungslose Produktionsabläufe zu gewährleisten, müssen sich Maschinen einfach und flexibel in Produktionslinien integrieren lassen. Darüber hinaus braucht es neue Formen der Zusammenarbeit, die die Präzision und die Ausdauer der Maschine mit dem Wissen und der Problemlösungskompetenz des Menschen vereinen.

Auch Maschinen können lernen

Gerade hinsichtlich der erforderlichen Flexibilität sehen sich Anwender von Bildverarbeitungssystemen zwei großen Herausforderungen gegenüber: Einerseits ist oft eine hohe Anzahl an Trainingsläufen nötig, bis das System fehlerhafte von nicht-fehlerhaften Prüfstücken unterscheiden kann. Andererseits ist die Anpassung existierender Systeme an neue Aufgabenstellungen häufig mit hohem Aufwand verbunden.

Völlig neue Maßstäbe setzen Systeme, die in der Lage sind, mit ihrer Umgebung zu kommunizieren und von ihr beziehungsweise direkt vom Menschen zu lernen – Stichwort ‚lernende Bildverarbeitung‘. Dies meint Algorithmen und Programme zur Bildanalyse und Mustererkennung, die sich ohne aufwendiges Training an neue Aufgaben anpassen lassen oder sie gar selbst erlernen können.

Ein Beispiel für eine solche lernende Bildverarbeitungslösung ist der ‚Apas inspector‘ von Bosch. Zu diesem automatischen Inspektionssystem gehören eine flexible Plattform mit Planartisch, eine hochauflösende Highspeed-Kamera und ein Touchpad. Das Inspektionssystem prüft kleine bis mittlere Losgrößen mit matten oder glänzenden Oberflächen. Das Touchpad ermöglicht eine intuitive Bedienung, während hochentwickelte 3D-bildgebende Verfahren auch unter rauen Produktionsbedingungen zuverlässige, präzise Ergebnisse liefern. Dank der lernenden Bildverarbeitung ist eine kontinuierliche Anpassung der Prüfparameter möglich.

Einfaches Nachtrainieren

Wie sieht das in der Praxis aus? Anhand von Trainingsbildern lassen sich die Prüflinge beispielsweise in ‚Gutteile‘ und ‚Schlechtteile‘ klassifizieren. Dazu nimmt ein Mitarbeiter mit dem Apas inspector Bilder mehrerer Prüflinge auf, in denen er die ‚guten‘ und ‚schlechten‘ Bereiche markiert. Das System analysiert und speichert die Informationen für kommende Prüfläufe. Mit zusätzlichen Bildern lässt sich das Prüfsystem jederzeit nachtrainieren. Dies ermöglicht dem Anwender, die Erkennungsleistung des Systems kontinuierlich zu verbessern oder es an geänderte Bedingungen anzupassen. Dabei lässt sich die Anzahl der Klassen und Merkmale, nach denen die lernende Bildverarbeitung die Prüflinge unterscheidet, für jede Prüfaufgabe frei wählen und auch nachträglich verändern.

Die mit dem 'Apas inspector' aufgenommenen Bilder lassen sich in 'Gutteile' und 'Schlechtteile' klassifizieren.

© Robert Bosch

So geschehen in einem Bosch-Werk für die Prüfung der Funktionsfläche eines Dichtringes für eine hydraulische Stelleinheit eines Automatikgetriebes: Weisen die Dichtringe nach der letzten Bearbeitung kleinste Riefen oder Grate auf, kann dies einen Funktionsausfall nach sich ziehen. In der Folge schaltet das Automatikgetriebe nicht, sondern geht in den Notbetrieb – kleinste Ursachen können entsprechend große Folgen haben. Abhilfe schaffte hier eine 100-%-Prüfung mit dem Apas inspector: Die Dichtringe rotieren unter einer Zeilenkamera. Mittels photometrischem Stereo wird dabei eine 3D-Darstellung der Mantelfläche erzeugt, die kleinste Oberflächenabweichungen – potenzielle Undichtigkeitsstellen – hervorhebt. Wichtig ist dabei die Unterscheidung zwischen regelmäßigen Bearbeitungsspuren und Störungen.

An dieser Stelle kommt die lernende Bildverarbeitung ins Spiel: Die Produktionsexperten können in den aufgenommenen Bildern die unproblematischen, regelmäßigen Oberflächenspuren als ‚gut‘ und die Grate und Riefen als ‚schlecht‘ markieren. Mit Hilfe dieses intui-tiven Anlernens ließen sich schon mit wenigen Trainingsbildern 90 % aller Defekte sicher erkennen. Nach weiterem Nachtrainieren im Zuge der Inbetriebnahme vor Ort wurde der Apas inspector schließlich in den Dreischichtbetrieb aufgenommen. So wurde eine optische 100-%-Kontrolle installiert, bei der zwischen Sichtung der Musterteile und Abnahme in der Produktion nur rund vier Wochen lagen.

Der Mensch als Lehrer

Mitarbeiter können die Erkennungsleistung des Systems kontinuierlich verbessern – indem sie zum Lehrer werden. Aufgrund ihrer Erfahrung weiß ein Mitarbeiter, welche erkannten Kratzer qualitätsrelevant und welche unkritisch sind. Über das Touchpad markiert er ‚gute‘ – also qualitativ einwandfreie – und ‚schlechte‘ Bereiche – solche mit unerwünschten Kratzern, Löchern oder Macken.

Reibungslose ­Produktionsabläufe in der Industrie 4.0 benötigen Maschinen, die sich einfach und flexibel in Produktionslinien integrieren lassen.

© Robert Bosch

So lernt die Maschine, ‚Gutteile‘ von ‚Schlechtteilen‘ zu unterscheiden. Der Mitarbeiter kann seinem ‚Schüler‘ aber auch vermeintliche ­Fehler durchgehen lassen und ihm so beibringen, welche Parameter für eine bestimmte Aufgabe tatsächlich qualitätsrelevant sind. Da das System alle Informationen für kommende Prüfläufe speichert, wächst seine ‚Gedächtnisleistung‘ ständig. Für weitere Prüfaufgaben – zum Beispiel Farbprüfungen oder Oberflächenvermessungen – kann der Mitarbeiter die Anzahl der Merkmale, nach denen die lernende Bildbearbeitung die Prüflinge unterscheidet, frei wählen und nachträglich an veränderte Bedingungen ­anpassen. Auf diese Weise ‚übersetzt‘ der Mitarbeiter einen Teil seines Er­fahrungsschatzes für die Maschine. Aufwendige Programmierkenntnisse braucht er dafür nicht, denn auch ein ungeübter Mitarbeiter kann dem Bildverarbeitungssystem die relevanten Merkmale zeigen und es so zu höherer Leistung und Präzision ‚erziehen‘.

Autor: 
Wolfgang Pomrehn ist Produktmanager APAS Assistenzsysteme bei Robert Bosch in Stuttgart.