• Cognex Vertrieb: +49-721-958-8052

  • Kontakt

Cognex Blogs

Wie Deep Learning Prüfungen in der Automobilindustrie und anderen Branchen automatisiert

deep learning defect detection

Deep Learning eignet sich perfekt zur Feststellung kosmetischer Mängel und anderer unerwünschter Abweichungen in Fabrikautomatisierungsanwendungen, die sich durch ihre natürliche Komplexität und ein hohes Maß an Abweichungen kennzeichnen, insbesondere in nicht strukturierten Szenen. Hintergrundszenen mit komplexen Mustern oder einem hohen Maß an Positionsabweichungen können ein traditionelles Bildverarbeitungssystem irritieren. Die natürliche Abweichung von Teilen kann schwer vorherzusagen sein. Und natürlich kann das Erscheinungsbild eines einheitlichen Hintergrunds aufgrund der dehnbaren, flexiblen und für Verformungen anfälligen Beschaffenheit des Materials sehr unterschiedlich sein. Dies ist besonders bei Kunststoff und gewebten Textilien von Bedeutung.

Wenn Fehlertypen komplex sind und viele Positionsabweichungen aufweisen, kann dies Hersteller davon abhalten, traditionellere Prüfmethoden zu verwenden, da die Programmierung zu umfangreich, umständlich und mühsam ist. Es ist zu schwierig, nach Fehlern zu suchen, wenn das Erscheinungsbild entweder aufgrund der Bildgebung (Blendeffekte) oder der wechselnden, verformbaren Beschaffenheit des Materials (z. B. auf Gewebe) unterschiedlich ist und Fehler in verschiedenen Formen und Typen auftreten.

Unter diesen Umständen können Hersteller Deep Learning verwenden, um alle Objekte zu identifizieren, die vom normalen Erscheinungsbild abweichen und Fehler aufweisen. Oder in Situationen, in denen bestimmte Fehler ein Ablehnungsgrund sind und andere nicht, kann ein Schulungsingenieur das Referenzmodell anhand gekennzeichneter „guter“ sowie „schlechter“ Bilder trainieren, um bestimmte Fehlertypen zu erkennen und gleichzeitig die natürliche Abweichung zu tolerieren.

In beiden Fällen ist der Ansatz genauso einfach wie unkompliziert und erfordert keine Erfahrung im Bereich der Bildverarbeitung. Ein Ingenieur für Prüfanwendungen sammelt einfach eine repräsentative Auswahl an Trainingsbildern, mit der er das System speist. Dadurch nutzt die Deep-Learning-Lösung menschenähnliche Intelligenz, um ihr Referenzmodell zu entwickeln, das der Ingenieur validieren und bei Bedarf mit zusätzlichen Bildern verfeinern kann, bis die Entscheidungsfindung des Modells den besten menschlichen Prüfern gleichkommt. Daher kann das System Prüfbilder präzise und wiederholt während der Laufzeit analysieren, um Anomalien und Fehler im Aussehen zu erkennen.

In den folgenden Beispielen sehen wir uns den Mehrwert des Defekterkennungstools von Cognex Deep Learning für die Automobil-, Elektronik-, Verpackungs- und Life-Science-Industrie an.

Defekterkennung für die Automobilindustrie

Automobilteile weisen viele schwierige Oberflächen auf. Besonders irritierend für ein automatisiertes Erkennungssystem sind Metalloberflächen — die stark strukturiert, rau und porös sein können — und das in Sitzen des Innenraums und Airbags verwendete Gewebe.

Defekterkennung Automobilindustrie

Gewebe hat natürliche Abweichungen in der Garnstärke, der Webstruktur und der Musterung. Bei einer Airbag-Prüfung ist es wichtig, Stich- und Nahtdefekte zu erkennen, die verheerende Auswirkungen auf ihren Einsatz haben könnten. Dabei besteht eine zweifache Herausforderung. Das natürliche Gewebe ist erstens komplex und sein Erscheinungsbild kann sich verändern, je nachdem wie es gedehnt oder vom Licht erfasst wird. Zweitens ist die hohe Anzahl von Stich- oder Nahtdefekten höchst problematisch; insbesondere ist es mühsam und fast unmöglich, die Suche nach jedem einzelnen in einem regelbasierten Algorithmus zu erfassen. Es ist daher für ein Inspektionssystem nützlich, mögliche Defekte durch nicht überwachtes Einlernen des normalen Erscheinungsbilds eines Airbag-Gewebes zu erkennen.

Durch die Verwendung neuronaler Netzwerke kann ein Deep-Learning-basiertes Tool die veränderliche Beschaffenheit des Gewebes konzeptionieren und verallgemeinern, um alle anomalen Darstellungen zu identifizieren und gleichzeitig wegen natürlicher Abweichungen des Webmusters, der Garneigenschaften, Farben und anderer tolerierbarer Unregelmäßigkeiten stabil zu halten. Anomalien, die von diesen natürlichen Varianten abweichen, wie z. B. unerwartete Stiche, Abweichungen im Gewebe, Schlaufen im Kett- oder Schussfaden, Knoten oder Löcher, werden vom System als fehlerhaft gekennzeichnet. So kann das Gewebe ohne vorausdefinierte Fehlerbibliothek geprüft werden. Dieser neue, Deep-Learning-basierte Ansatz bringt visuelle menschliche Prüfleistungen in die automatische Qualitätskontrolle für Gewebe in der Automobilindustrie.

Defekterkennung für die Elektronikindustrie

Abgesehen von der OLED-Display-Herstellung sind strenges Qualitätsmanagement und Defekterkennung nirgendwo in der Elektronikbranche wichtiger als bei Halbleitern. So wie zerkratzte, verdrehte, verbogene oder fehlende Kontakte automatisch ein Ablehnungsgrund sind, gilt dies auch für die oberflächlichsten Fehler, welche die äußerst engen Fehlertoleranzen eines Chips verletzen.

Defekterkennung Elektronik

Es ist jedoch nicht effizient, so viele Fehlertypen in einem regelbasierten Bildverarbeitungsalgorithmus zu programmieren. Wenn im Wesentlichen jeder Fehler als „funktionelle“ Anomalie zählt, ist es unkomplizierter, dem Inspektionssystem beizubringen, wie ein perfekter Halbleiterchip oder eine integrierte Schaltung (IC) aussieht, als alle abweichenden Chips oder Leitungen als fehlerhaft zu kennzeichnen. Die Aufgabe eignet sich perfekt für ein Deep-Learning-basiertes Prüftool, das im nicht überwachten Modus arbeitet. Auf diese Weise konzeptionieren und verallgemeinern die neuronalen Netzwerke der Software das normale Erscheinungsbild eines Chips — einschließlich aller beobachteten Abweichungen durch grelle Metallhintergründe — um jene als fehlerhaft zu kennzeichnen, bei denen Komponenten fehlen, kaputt oder abgenutzt sind.

Hersteller können die Vorteile sofort nutzen: Es ist kein Bildverarbeitungsexperte oder Anwendungsentwickler erforderlich, auch kein Programmieren unvorhersehbarer Fehler; dafür sind höhere Defekterkennungsraten und Erträge zu verzeichnen.

Defekterkennung für die Verpackungsindustrie

Die Erkennung kosmetischer Mängel wie Kratzer und Druckstellen auf einem irritierenden Hintergrund ist nicht auf Metalloberflächen beschränkt. Bei Lebensmitteln und Getränken sowie Konsumgütern bestehen Verpackungen genauso wahrscheinlich aus glänzendem Kunststoff- oder Keramikmaterial wie aus Blech. Diese Oberflächen weisen jedoch dieselben Probleme hinsichtlich Reflexionen und spiegelndem Glanz auf. Unter diesen Bedingungen kann es für herkömmliche Bildverarbeitungssysteme schwierig sein, geringe Unterschiede zwischen Bildern richtig einzuordnen.

Defekterkennung Verpackung

Zum Glück wurden Deep-Learning-basierte neuronale Netzwerke entwickelt, um durch die Blendeffekte hindurchzusehen. Sie sind auch die beste Möglichkeit, über normale Oberflächenunregelmäßigkeiten hinwegzusehen und echte Fehler zu erkennen. Bei Keramiktiegeln einer Gesichtscreme sind bestimmte Unterschiede zwischen den Tiegeln nicht immer sofort ein Ablehnungsgrund. „Funktionelle“ Anomalien, die die Nutzung des Tiegels beeinflussen, sind nahezu immer ein Ablehnungsgrund. Anomalien im Aussehen können, müssen aber nicht zu einer Ablehnung führen. Dies ist von den jeweiligen Anforderungen und Präferenzen des Herstellers abhängig.

Cognex Deep Learning verbindet die Vorteile der industriellen Bildverarbeitungsinspektion mit der menschlichen Prüfung auf kostengünstige und benutzerfreundliche Weise. Dazu trainiert ein Anwendungs- oder Qualitätsingenieur die Deep-Learning-basierte Software anhand einer repräsentativen Auswahl von Bildern „guter“ und „schlechter“ Keramiktiegel. „Schlechte“ Tiegel könnten zum Beispiel Druckstellen oder lange Kratzer aufweisen. Anhand dieser Bilder lernt die Software die natürliche Form und Oberflächentextur der Keramikgussoberflächen und kennzeichnet Bilder, die außerhalb des annehmbaren Bereichs liegen, während sie natürliche Abweichungen der Darstellungen toleriert, die auf die Beleuchtung zurückzuführen sind.

Cognex Deep Learning bietet dadurch eine effektive Defekterkennungslösung für die Verpackung, die die menschliche Fähigkeit zum Erkennen kleinerer Abweichungen mit der Verlässlichkeit, Konsistenz und Schnelligkeit eines automatischen Computersystems verbindet.

Defekterkennung für die Life-Science-Industrie

Die Rolle des Radiologen von heute ändert sich dank der computergestützten Diagnose (CAD) schnell. Die Suche nach biologischen Anomalien wie Tumoren erforderte bisher menschliches Urteilsvermögen. Die Position kann ebenso wie die Darstellung stark variieren. Manchmal interessiert sich ein Radiologe weniger für die Erkennung einer bestimmten Anomalie als für eine kleine, jedoch geringe Abweichung vom normalen, gesunden Erscheinungsbild des Körpers.

Defekterkennung Life Sciences

Menschen sind unglaublich gut für die Auswertung eines Röntgen- oder MRT-Ergebnisses gerüstet und können beide Szenarien erkennen, da sie von Natur aus Modelle von unterschiedlichen Darstellungen bilden und zwischen „normal“ oder „anormal“ unterscheiden können. Die Produktivität von Radiologen ist jedoch begrenzt. Außerdem ist es möglich, dass selbst der erfahrenste Radiologe auf ein Bild mit einem Merkmal trifft, das er nicht kennt und außerhalb seiner Erfahrung liegt. Die Gefahr, einen möglichen Tumor zu übersehen oder einer Fehldiagnose abzugeben, ist aber einfach zu groß.

In diesem Fall kann die Leistungsstärke von Big Data zur Geltung gebracht werden. Ein Deep-Learning-basiertes Softwaretool kann den Zielbereich, z. B. ein bestimmtes Organ oder einen bestimmten Wirbel, lokalisieren, sogar wenn der Hintergrund irritierend und kontrastarm ist. Der KI-Algorithmus kann anhand einer Auswahl gekennzeichneter Trainingsbilder ein Referenzmodell des normalen Erscheinungsbilds des Organs mit einigen Abweichungen erstellen. Das Deep-Learning-Inspektionssystem kann auf Grundlage gekennzeichneter „guter“ und „schlechter“ Beispielbilder lernen, ob ein Bild anomal oder normal ist. Dadurch ist das Referenzmodell in der Lage, Bereiche mit biologischen Anomalien, die von der normalen, gesunden Physiologie abweichen, bei Bedarf für eine spätere Betrachtung durch den Radiologen zu kennzeichnen.

Hersteller stützen sich auf das Defekterkennungstool von Cognex Deep Learning, um Anomalien und ästhetische Fehler auf allen Oberflächen, einschließlich Papier, Glas, Kunststoff, Keramik und Metall, zu erkennen. Ob Kratzer, Druckstellen, Druck- oder Ausrichtungsfehler, Cognex Deep Learning kann diese einfach identifizieren, indem es das normale Erscheinungsbild eines Objekts sowie seine natürlichen, tolerierbaren Abweichungen erlernt. Bei großen Oberflächen kann das Defekterkennungstool auch bestimmte Zielbereiche segmentieren, um Fehler zu lokalisieren, indem es die verschiedenen Erscheinungsbilder des Ziels erlernt.

Weitere Posts auf

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex

SIE HABEN EINE FRAGE?

Cognex is weltweit vertreten, um Sie bei Ihren Vision- und Barcode-Anwendungen zu unterstützen.

Kontakt
Loading...