• Cognex Vertrieb: +49-721-958-8052

  • Kontakt

Cognex Blogs

Wie Deep Learning zur Automatisierung von Prüfungen in der Automobilindustrie beiträgt

deep learning for automotive inspections

Automobilhersteller zählten zu den ersten in der Branche, die Fortschritte in der Mechanisierung, Automatisierung und Produktivität durch die Bildverarbeitung nutzten. Heute werden nahezu alle Komponenten, Systeme und Baugruppen eines Autos mithilfe von industrieller Bildverarbeitung und Barcodelesetechnologie hergestellt. Dank der großen Fortschritte in der künstlichen Intelligenz ziehen viele Hersteller von Fahrzeugen und Fahrzeugteilen nun eine Deep-Learning-basierte Bildanalysesoftware in Betracht, um die noch verbliebenen manuellen Prozesse zu automatisieren, die bis vor kurzem einfach als zu komplex für die Automatisierung galten.

In der Vergangenheit zählten zu diesen Anwendungen die unvorhersehbare Teilelokalisierung, die kosmetische Prüfung auf verwirrenden Hintergründen und die Klassifizierung — eine Kategorie von Prüfungen, die Bildverarbeitungsalgorithmen einfach nicht automatisieren können. Durch Automatisierung dieser Anwendungskategorien mit Deep-Learning-Software können Hersteller ihre Produktivität steigern, indem sie Fehlern und falschen Zurückweisungen vorbeugen. Andere positive Nebeneffekte des Einsatzes dieser Technologie sind eine insgesamt bessere Qualität und ein potenziell geringerer Arbeitsaufwand.

Lesen Sie weiter, um zu erfahren, wie Automobilhersteller gerade jetzt die Deep-Learning-basierte Bildanalyse in Fabriken einsetzen, um die Defekterkennung, optische Zeichenerkennung (OCR), Montageüberprüfung und Klassifizierung zu verbessern.

Defekterkennung

Automobilhersteller sind sehr darauf bedacht, die Unversehrtheit ihrer Komponenten und Baugruppen sicherzustellen, bei denen geringste Fehler die Funktion und Sicherheit eines Teils beeinträchtigen können. Und dennoch führen nicht alle kosmetischen Mängel zu funktionellen Problemen.

Nehmen wir zum Beispiel den Kolben eines Hubkolbenmotors. Kratzer an den Schweißnähten des Kolbens beeinträchtigen seine Leistung. Andere Mängel, wie Rostflecken oder sogar manche oberflächlichen Brüche und Risse sind rein kosmetischer Art. Die Bewertung dieser unterschiedlichen Fehler kann für automatisierte Prüfsysteme wegen ihrer feinen Unterschiede (ein Kratzer kann ähnlich wie ein Bruch aussehen) und durch Bildgebungsprobleme jedoch schwierig sein.

Metallische Schweißoberflächen erzeugen Spiegeleffekte, die Kameras irritieren können. Anstatt eine Automatisierung der Prüfungen strukturierter metallischer Schweißverbindungen zu versuchen, setzten viele Hersteller daher weiterhin menschliche Prüfer ein; diese sind zwar langsam und ermüden leicht, sind aber besser geeignet, um kosmetische Feinheiten richtig zu erkennen und zu charakterisieren.

Deep-Learning-Defekterkennungsprüfung

Glücklicherweise machen es Fortschritte beim Deep Learning mittlerweile möglich, unvorhersehbare und variable Fehler auf Metalloberflächen wie Schweißnähten ohne manuelle Prüfung automatisch zu entdecken und zu charakterisieren. Die leistungsstarke neue Software ist nicht nur in der Lage, diese Fehler zu erkennen, sondern sie auch zu charakterisieren, ähnlich wie es das menschliche Auge und Gehirn tun. Diese Art der Prüfung zu programmieren, würde komplexe Algorithmen mit umfangreichen Fehlerbibliotheken erfordern; und selbst dann würden bei den Prüfungen wahrscheinlich immer noch Fehler auftreten.

Deep-Learning-Algorithmen lernen hingegen von Beispielbildern und bilden sich ihre eigenen Modelle von Schweißfehlern. Solche Systeme können nach einer ersten Schulungsdauer verschwommene, unscharfe Bilder und schwierige Hintergründe tolerieren, so dass sie in der Lage sind, sogar die kleinsten Variationen wahrzunehmen, zu erkennen und effektiv zu kategorisieren. Der zusätzliche Nutzen ist dabei natürlich die Geschwindigkeit. Diese Programme, die als reine Software oder direkt in Smartkameras integriert laufen können, sind schnell und konsistent. Deep-Learning-Systeme bieten so eine unschlagbare Kombination aus Geschwindigkeit und Konsistenz mit menschenähnlicher Intelligenz.

Aufgrund der zahlreichen möglichen Herausforderungen bezüglich Fehler und Lichtverhältnisse ist die Deep-Learning-basierte Analyse eine einfache und robuste Alternative zur herkömmlichen industriellen Prüfung per Bildverarbeitung. Nachdem das System während der Laufzeit geschult wurde, ist die Deep-Learning-basierte Software, die gelernt hat, irrelevante Variationen zu erkennen und zu ignorieren, in der Lage, zu kleine und zu große Schweißbilder als fehlerhaft zu charakterisieren.

Optische Zeichenerkennung

Automatische Zeichenerkennung kann ein Inspektionssystem auch irritieren, wenn Spiegeleffekte, Reflexionen und Lackfarben vorhanden sind. Üblicherweise erkennen Tools für OCR und optische Zeichenüberprüfung (OCV) Zeichen, um sie zu lesen oder ihre Richtigkeit zu überprüfen, während sie dem Benutzer Möglichkeiten bieten, seine Systeme hinsichtlich Geschwindigkeit und Leserate zu optimieren.

Der Großteil der heute erhältlichen OCR-/OCV-Tools kann schwarze Schriftarten auf sauberem, weißem Hintergrund schnell und zuverlässig lesen. Es ist leicht nachvollziehbar, dass solche Idealbedingungen in industriellen Umgebungen zumeist nicht die Norm sind. Obwohl moderne Algorithmen die meisten gedruckten Schriftarten selbst bei geringem Kontrast zwischen Schrift und Hintergrund und bei deutlichen Schwankungen in Breite und Höhe lernen und lesen können, entstehen Probleme, wenn Buchstaben oder Nummern einander berühren bzw. schief oder verzerrt sind.

Manchmal sind auch ähnliche Formen (zum Beispiel der Buchstabe „O“ und die Ziffer „0“) schwer zu unterscheiden, wenn das Tool nicht auf diese spezifische Schriftart trainiert wurde. Was passiert, wenn Spiegeleffekte, Reflexionen und Lackfarben auftreten? Oder wenn gedruckte alphanumerische Zeichen verformt und nicht mehr sofort erkennbar sind? Solche Situationen würden normalerweise eine übermäßige Kennzeichnung während des Trainingsprozesses erfordern, und selbst diese könnte versagen.

Deep Learning für OCR in der Automobilindustrie

Beim FIN-Code eines Autos müssen die Hersteller in der Lage sein, eine Buchstaben- und Zahlenfolge, die auf unterschiedliche Oberflächen gedruckt sein kann, schnell zu lesen. Umgebungsbedingungen sowie Druckverzerrungen können es einem industriellen Bildverarbeitungssystem erschweren, Zeichen zu lokalisieren und zu erkennen, die entweder direkt auf dem Teil angebracht (Direct part mark / DPM), in eine Metallplatte geätzt oder geritzt oder auf einen Aufkleber gedruckt werden können. Automobilhersteller können für diese Aufgabe auf Deep-Learning-basierte OCR zurückgreifen — der Weiterentwicklung bestehender, auf industrieller Bildverarbeitung beruhender OCR-Tools — wenn sie sowohl mit schwierigen Schriftarten als auch Bildaufnahmeschwierigkeiten konfrontiert sind.

Das Deep-Learning-basierte OCR-Tool von Cognex verwendet als einziges ein vorab geschultes Omni-Schriftentool, um die Zeichen zu erkennen, selbst wenn diese durch verformten Druck, hohen oder geringen Kontrast oder Reflexionen verdeckt sind. Bei Lesefehlern genügt es, das Deep-Learning-Modell mit zusätzlichen Beispielen von den übersehenen Zeichen neu zu trainieren, was Zeit spart und die Ausfallraten reduziert.

Bestückungsüberprüfung

Unvollständige oder fehlerhafte Baugruppen können aus vielen Gründen schwer zu prüfen sein: Mehrere Teile erfordern eine sorgfältige Algorithmusentwicklung. Solche Szenen können aufgrund ihrer Musterung und ihres Hintergrunds visuell verwirrend sein. In diesen Fällen muss ein automatisiertes System in der Lage sein, das korrekte, normale Aussehen einer Szene zu erlernen, während es leichte Abweichungen berücksichtigt, die sich auf die Qualität auswirken können oder nicht.

Kabelinspektion bei Fahrzeugen

Bei großen und komplizierten Baugruppen muss ein Inspektionssystem auch in der Lage sein, bestimmte Regionen als Zielbereiche für die Prüfung oder als fehlerhaft zu segmentieren. Diese Faktoren machen eine regelbasierte Programmierung zu umständlich und fehleranfällig. Stattdessen können Deep-Learning-basierte Defekterkennungs-, Lokalisierungs- und Layout-Tools KI-basierte Modelle entwickeln, um Zielbereiche in einem Bild einfach durch Erlernen der möglichen Abweichungen im Aussehen anhand eines repräsentativen Satzes von Musterbildern zu erkennen und diese auf Vollständigkeit zu überprüfen.

Auf diese Weise erstellt das Deep-Learning-basierte System ein zuverlässiges Referenzmodell von einer Baugruppe, wie zum Beispiel einer Autotür, und kann schnell und zuverlässig bestätigten, dass alle Komponenten vorhanden, an der richtigen Stelle platziert und vollständig montiert sind. Obwohl menschliche Prüfer mit dieser Art der Beurteilung Erfahrung haben, kann Deep Learning die Aufgabe mit der Geschwindigkeit, Genauigkeit, Skalierbarkeit und Robustheit eines Computers erledigen.

Klassifizierung

Kehren wir zum Beispiel mit der Defekterkennung an der Schweißnaht zurück, um den Mehrwert von Deep Learning besser zu verstehen. Wie zuvor erläutert, können unregelmäßige Schweißnähte anomal sein, aber keine funktionalen Mängel aufweisen. Dies erfordert ein automatisiertes Prüfsystem, das zusätzlich zur Fehlererkennung diese auch richtig als „gut“ (effektiv, annehmbar) oder als „schlecht“ und damit als Ablehnungsgrund klassifizieren kann. Hersteller brauchen Daten, damit sie verstehen, ob es zu viele Fehler eines Typs gibt, die zu Ausschleusungen an der Produktionslinie führen, damit sie die Produktionsmethoden ändern oder überhaupt eventuell das Auftreten der Fehlerart beschränken können.

Die der industriellen Bildverarbeitung innewohnenden Beschränkungen verhindern, dass sie Bilder klassifizieren kann. Die Fortschritte bei neuronalen Netzwerken bedeuten jedoch, dass KI-basierte Programme nun bildbasierte Klassifizierungen durchführen können. KI ist in der Lage, Bilder desselben Teils in Unterkategorien zu klassifizieren, indem es ihre wichtigsten visuellen Differenzierungsmerkmale lernt. Das Deep-Learning-Modell lernt nach dem Training anhand eines Sets von gekennzeichneten repräsentativen Bildern jeder Bildklasse, zwischen Echtzeitbildern zu unterscheiden und sie in Klassen, wie zum Beispiel Zündkerzenarten, zu kategorisieren. 

Deep-Learning-Zündkerzenprüfung

Deep Learning ist das neueste Werkzeug, das den Ingenieuren von Inspektionsanwendungen zur Verfügung steht, um komplexe Herausforderungen bei der Fahrzeuginspektion zu lösen. Was früher nur durch menschliche Prüfung als machbar galt, kann heute von einem Bildverarbeitungssystem erreicht werden, das die Deep-Learning-Technologie nutzt. 

Vertrieb kontaktieren

Weitere Posts auf

Ihr persönlicher Zugang zu Support & Training für Produkte & Mehr

BENUTZERKONTO ANLEGEN

SIE HABEN EINE FRAGE?

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

Kontakt
Loading...