Bei der durchgängigen Automatisierung von Wertschöpfungsketten in Produktionsunternehmen spielt die industrielle Bildverarbeitung eine bedeutsame Rolle. Ganz im Sinne von Industrie 4.0 fungiert Machine Vision als wichtige Begleittechnologie und bildet quasi das ‚Auge der Produktion‘. An verschiedenen Stellen positionierte Bildeinzugsgeräte wie Kameras, Scanner oder 3D-Sensoren haben die Fertigungs- und Intralogistik-Prozesse kontinuierlich im Blick. Die aufgenommenen, digitalen Bilddaten werden gesammelt und mittels einer integrierten Machine-Vision-Software verarbeitet. So lassen sie sich für vielfältige Anwendungen nutzen, was den gesamten Produktionsablauf optimiert.

Beispielsweise werden unterschiedlichste Objekte aufgrund ihres optischen Erscheinungsbildes sicher erkannt und zugeordnet. Gefertigte Produkte lassen sich auf diese Weise entlang der gesamten Prozesskette identifizieren und nachverfolgen – sowohl anhand äußerer Merkmale als auch durch aufgedruckte Datacodes oder Zeichenkombinationen. Zudem lässt sich das komplette Handling von Objekten optimieren und automatisieren: Werkstücke werden präzise lokalisiert und für die Bearbeitung optimal positioniert. Roboter können Gegenstände exakt erkennen und gezielt greifen. Und auch die Interaktion zwischen Maschinen und Menschen wird sicherer und effizienter, indem sich gefährliche Kollisionen zwischen den Akteuren durch die lückenlose Machine-Vision-Überwachung vermeiden lassen.

Hohe Fehlererkennungsraten dank KI

Ein weiteres wichtiges Anwendungsfeld der industriellen Bildverarbeitung ist die Fehlerinspektion. Die Technologie ist in der Lage, Defekte aller Art durch einen Vergleich zwischen Ist- und Sollzustand verlässlich aufzuspüren. Fehlerhafte Waren lassen sich dann zielsicher und automatisiert aussortieren, was die Ausschuss-Produktion minimiert. So trägt industrielle Bildverarbeitung dazu bei, die Qualitätssicherung auf eine neue Stufe zu stellen. Dies kommt noch mehr zum Tragen, werden dabei Verfahren auf Basis künstlicher Intelligenz (KI) eingesetzt. In Betracht kommt hier insbesondere Deep Learning, das auf Convolutional Neural Networks (CNNs) beruht. Werden entsprechende Algorithmen in die Machine-Vision-Software integriert, lassen sich noch höhere Fehlererkennungsraten erzielen.

Deep Learning nutzt große Mengen an digitalen Bildinformationen, die von den Bildeinzugsgeräten generiert werden. Die Technologie analysiert die Daten fundiert im Rahmen eines umfassenden Trainings. In diesem lernt die Software besondere Eigenschaften, die typisch für eine spezielle Objektklasse sind. Dadurch lassen sich die Bilddaten dann exakt einer bestimmten Klasse zuweisen. Dies ermöglicht die automatische Klassifizierung von Objekten und Defekten, die auf den Bildern zu sehen sind. Auf diese Weise verbessert sich die Erkennung sowie Lokalisierung der Gegenstände und Fehler deutlich.

Neben KI-basierten Lösungen können für Inspektionsaufgaben auch regelbasierte Systeme herangezogen werden. Letztere erfordern jedoch eine sehr aufwendige Programmierung. So müssen Entwickler manuell Regeln definieren, um die maßgeblichen Informationen für die Defekt-Erkennung aus den Bilddaten zu extrahieren. Ist mit einer unüberschaubar großen Menge möglicher Fehler zu rechnen, sprengt die Entwicklung einer regelbasierten Lösung oft schnell den Aufwand. Daher sind KI-Technologien wie Deep Learning in solchen Fällen die bessere Wahl. Die Algorithmen lernen durch das Training eigenständig dazu, identifizieren relevante Merkmale automatisiert und können dadurch einzelne Objektklassen eindeutig voneinander unterscheiden. So lässt sich eine Vielzahl heterogener Fehler effektiver erkennen.

Trainingsvorbereitung in mehreren Schritten

Mit Deep Learning lassen sich sowohl ‚Schlecht-Bilder‘ als auch ‚Gut-Bilder‘ für die Fehlerinspektion nutzen.

© MVTec Software

Doch auch der Einsatz von Deep-Learning-Methoden verursacht einen gewissen Aufwand. So muss das Training gut vorbereitet werden: Hierfür ist es im ersten Schritt erforderlich, die relevanten Bilddaten zu generieren, zu sammeln und bereitzustellen. Auf diesen müssen die Objekte mit den zu erkennenden Fehlern zu sehen sein (sogenannte ‚Schlecht-Bilder‘). Im Anschluss werden die Bilder gelabelt. Das bedeutet, sie erhalten ein digitales Etikett, durch das sie sich klar in eine spezifische Objekt- oder Fehlerklasse einordnen lassen. Dabei kann ein Label beispielsweise als ‚Sprung‘, ‚Riss‘ oder ‚Kerbe‘ definiert sein. Erst dann wird das zugrundeliegende CNN mit den ausgewählten Bildern trainiert.

Um den Deep-Learning-Aufwand zu verringern, stellen einige Anbieter bereits vortrainierte Netze zur Verfügung. In moderner Machine-Vision-Standardsoftware wie etwa ‚Halcon‘ von MVTec sind entsprechende Funktionen schon enthalten. Die integrierten Deep-Learning-Netze wurden mit einer enormen Anzahl an Bildern vortrainiert. Diese vortrainierten Netze sind auf Anwendungen im industriellen Umfeld optimiert und frei von Rechten Dritter, was lizenzrechtliche Bedenken ausschließt. So benötigen Anwender nur noch wenige Bilder für das anwendungsspezifische Training und sparen Zeit, Aufwand und Kosten. Auf diese Weise können Unternehmen die Rentabilität ihrer Deep-Learning-basierten Inspektionsprozesse steigern.