Siemens Smart Infrastructure stellt auf automatischen Anlagen Rauchmelder für den Brandschutz in zahlreichen Varianten und mittleren bis großen Stückzahlen her. Die verwendeten Bauteile werden mithilfe von Bestückungsautomaten auf die Platine gesetzt und anschließend von oben verlötet. Das EU-weite Verbot bleihaltiger Lotlegierungen zwingt die Hersteller zur Verwendung bleifreier Lote, die jedoch schlechtere Löteigenschaften haben. Die Folge sind erhöhte Ausschuss- und Ausfallraten. 
Umso wichtiger sind zuverlässige automatische Qualitätskontrollsysteme. Meist handelt es sich dabei um kameragestützte Bildverarbeitungs-Lösungen, die mithilfe geeigneter Softwarepakete aufgrund von Bildanalysen In-Ordnung/Nicht-In-Ordnung-Einteilungen (IO/NIO) vornehmen. Ihre Trennschärfe stellte bisher jedoch nicht immer zufrieden. Vor allem beim Einsatz für kritische Sicherheitsfunktionen müssen die Prüfkriterien zur ‚sicheren‘ Seite hin getrimmt werden, da Brandmelder höchste Zuverlässigkeit aufweisen müssen. Dies bedingt jedoch erhöhte Ausschussraten mit entsprechenden Kostennachteilen.

Um diese zu verringern, hat sich die schweizerische Firma Compar zum Ziel gesetzt, bei der Bildanalyse zusätzlich Lösungen mit Künstlicher Intelligenz in Form selbstlernender neuronaler Netze einzusetzen. Zudem sollen solche Aufgaben bei Siemens Smart Infrastructure in übergeordnete IT-Strukturen im Rahmen von Industrie-4.0-Konzepten eingebunden werden.

„Der Bildverarbeitungs-Spezialist Cognex hat für solche Aufgabenstellungen unter der Bezeichnung ‚ViDi‘ fertige Softwarepakete in Form von Plug-In-Modulen entwickelt“, erklärt Lukas Vassalli, Entwickler bei Compar.

Die KI-Einbindung

Als hardwareseitige Voraussetzung sollte zumindest in der Trainingsphase ein leistungsfähiger Bildprozessor (Graphics Processing Unit, GPU) auf dem eingesetzten Rechner vorhanden sein. Wesentliche Komponente der Software-Bibliothek ist ein neuronales Netz, das bereits teilweise vorstrukturiert ist, sodass der Anwender schnell mit dem Einlernen beginnen kann. Dies ist vor dem ersten Einsatz erforderlich und erfolgt, indem dem neuronalen Netz eine gewisse Zahl von Bildern als ‚Trainingsmaterial‘ vorgegeben wird. Anschließend kann es neue Bilder selbstständig nach den gewünschten Kriterien beurteilen. Der beim Training entstandene Wissensschatz wird im Laufe des Einsatzes ständig erweitert und verfeinert. Bei der Anwendung bei Siemens Smart Infrastructure geht es neben der Beurteilung von Lötverbindungen um das Auffinden von Bestückungsfehlern. 

Das Gesamtsystem

Das Bild ist aufgesplittet in ein Gut- und ein Schlechtteilmuster. Oben wird der Fehler mit einer Fehlersicherheit von 0,99 (99 % NIO) erkannt und unten mit einer Fehlersicherheit von 0,02 (2 % NIO sprich 98 % IO).

© Compar

Das Gesamtsystem besteht aus einer Kamera und einer für die Anwendung ausgelegten Beleuchtungsstation, die die Platinen aufnimmt, sowie einem Industrie-PC mit dem ‚Visionexpert‘-Programm. Ergänzt wird das System durch das ‚ViDi‘-Paket, das als ‚Black-Box‘ arbeitet. Es analysiert die übergebenen Bilder mithilfe seines neuronalen Netzes und liefert entsprechende Beurteilungen zurück. Dies erfolgt verzögerungsfrei innerhalb von Millisekunden im Takt der Produktionslinie.

Vor dem Start wurde das System von Compar mithilfe von Bildern zur Verfügung gestellter Musterteile vorkonfiguriert. Im laufenden Einsatz lässt sich das System vom Anwender selbst je nach Bedarf mit neuen Produkten trainieren oder mit Varianten bereits vorhandener Produkte nachtrainieren. Für solche Trainingsphasen sind dank der hohen Rechnerleistung lediglich wenige Minuten erforderlich. Beim Training kann das System entweder direkt mit Fotos ‚gefüttert‘ oder es können Fehlstellen im Supervisor-Modus vorab durch Farbmarkierungen hervorgehoben werden. Nach kurzer Schulung ist der Anwender imstande, solche Aufgaben selbst durchzuführen. Bei Siemens Smart Infrastructure genügten etwa 50 Bilder von Gutteilen sowie von der gleichen Zahl an Schlechtteilen.

Die ‚ViDi‘-Abläufe

Abläufe beim Prüfen: Die Kamera nebst Beleuchtungseinheiten liefert ein Bild der Platine. Die Software ‚Visionexpert‘ übernimmt ihren Teil der Auswertung und veranlasst zugleich eine parallele Analyse durch ‚ViDi‘. Deren Ergebnisse fließen anschließend in die ‚Visionexpert‘-Beurteilung ein. Daraus resultieren Steuerbefehle an die Prozess-SPS sowie Meldungen an die übergeordnete IT-Struktur des Unternehmens.

© Compar

Die ‚ViDi‘-Software besteht aus den drei Modulen red, green und blue, von denen in der beschriebenen Anwendung die Module ‚red‘ und ‚blue‘ zum Einsatz kommen. Das als ‚Locator‘ bezeichnete ‚blue‘-Modul kontrolliert die Leiterplatinen auf korrekte Bestückung. Es identifiziert Lötstellen und Bauteilpositionen sowie Aufdrucke, wobei Varianzen vorgebbar sind. Anschließend übernimmt ViDi ‚red‘ die Klassifikation in IO- beziehungsweise NIO-Teile. Beim Training besteht die Wahl zwischen verschiedenen Ansätzen: zum Beispiel können anstelle der beiden Kategorien IO/-NIO ausschließlich IO-Teile vorgegeben werden. In diesem Falle wird die KI alles, was nicht eindeutig als IO erkennbar ist, automatisch als NIO klassifizieren.

Eine wichtige Eigenschaft der ‚ViDi‘-Analyse ist die numerische Bewertung der Klassifikation des jeweiligen Ergebnisses. Das System klassifiziert begutachtete Bilder zwar grundsätzlich nach den Kriterien ‚IO‘ beziehungsweise ‚NIO‘, gibt aber hierzu stets einen prozentualen Vertrauenswert aus. Dieser gibt an, zu welchem Prozentsatz die Software sich in ihrem Urteil sicher ist.

Trennschärfe als Zuverlässigkeitsmerkmal

 Die Skala geht dabei von 0 (=100 % IO) bis zu 1 (=0 % IO beziehungsweise 100 % NIO). Die Häufigkeitsverteilung dieser Einstufungen wird statistisch in Form von Diagrammen mit zum Beispiel grüner Farbe für IO- und roter Farbe für NIO-Ergebnisse ausgegeben. Sie haben die Form von zwei Balkendiagrammen in grüner beziehungsweise roter Farbe, die sich teilweise überlappen können.

Eine einfachere Darstellung ergibt sich aus der Auftragung der kumulierten und auf Eins normierten Streubereiche. Diese können sich je nach Aufgabe und Bewertungskriterien entweder teilweise überlappen oder zwei deutlich getrennte Gruppen bilden. Ist das Training optimal gelaufen, gibt es zwischen den kumulierten Häufigkeitsbereichen keine Überlappung, was eine gute Trennschärfe des Verfahrens belegt. Ist dies nicht der Fall, landet man im Entscheidungsbereich zwischen ‚falsch-positiven‘ und ‚falsch-negativen‘ Einstufungen. In solchen Fällen spielt die optimale Festlegung des sogenannten Treshhold-Wertes eine wichtige Rolle. Wird dieser mehr zur sicheren Seite hin platziert, wird beispielsweise das Ausfallrisiko von sicherheitsrelevanten Komponenten beim Kunden minimiert. Mit der umgekehrten Strategie lässt sich hingegen gegebenenfalls das interne Ausschussgeschehen absenken. 

Zusammenspiel mit ‚Visionexpert‘

Klaus Vollrath ist freiberuflicher Journalist, Fotograf und Cineast beim Redaktionsbüro Klaus Vollrath in Aarwangen/Schweiz.

© Compar

Für Anwender besonders interessant ist die Verzahnung der ‚ViDi‘-Möglichkeiten mit der von Compar entwickelten Bildverarbeitungssoftware ‚Visionexpert‘. Die Software übernimmt als Hauptkomponente zunächst das externe Hardware-Handling, das heißt, die Anbindung der zahlreichen möglichen Kameramodelle sowie sonstiger Peripherie. Weitere Aufgabe ist das Bilddaten-Management sowie die Weitergabe von zu analysierenden Bilddaten an ‚ViDi‘. Die zurückgelieferten Ergebnisse werden intern verwendet, visualisiert und schließlich in die Entscheidungsfindung eingebunden.

Trotz aller Automatik behält der Mensch durch Vorgabe von Prüfkriterien und Entscheidungsvorgaben wie etwa dem Treshhold-Level stets die Entscheidungsgewalt.

Zur Analyse und Beurteilung eines Prüflings werden neben den Ergebnissen der ‚ViDi‘-Untersuchung die ‚Visionexpert‘-eigenen Fähigkeiten herangezogen. Die Software kann im Unterschied zum ‚ViDi‘-Plug-In beispielsweise Abmessungen bis in den Mikrometerbereich mit hoher Genauigkeit messen und anhand der Ergebnisse Entscheidungen treffen. Und last but not least übernimmt ‚Visionexpert‘ die Kommunikation mit der übergeordneten IT des Unternehmens.