Benutzerfreundliche KI bewältigt eine Reihe von Klassifizierungsanwendungen

Bildverarbeitungssystem In-Sight 2800 über Glasfläschen-Prüfungsanwendung

Bildverarbeitungssystem In-Sight 2800 vor grauem GehirnIn allen Wirtschaftszweigen sind sich Anlagen- und Automatisierungsingenieure der Vorteile bewusst, die der Einsatz hochentwickelter industrieller Bildverarbeitung hat, um menschliche Prüfer zu ersetzen, die Prüfgeschwindigkeit zu erhöhen und die Genauigkeit zu verbessern, während gleichzeitig Produkt- und Materialänderungen verwaltet werden. Sie haben auch einiges über maschinelles Lernen, Deep-Learning, KI und andere Konzepte gehört, die mit den täglichen Aufgaben ihrer Arbeit eigentlich nichts zu tun haben scheinen.

Die herkömmliche industrielle Bildverarbeitung ist zwar schnell und präzise, jedoch auch aufwendig in der Programmierung. Zudem erfordert sie die Fähigkeit, Bildwerkzeuge einzusetzen, um beispielsweise zum Erhalt des endgültig gewünschten Ergebnisses die Ausgabe eines Werkzeugs als Eingabe für ein anderes zu verwenden. Dieser Prozess wird als Verkettung bezeichnet. 

Das Bildverarbeitungssystem In-Sight 2800 mit der Edge-Learning-Technologie eliminiert solche umständlichen Prozesse und bringt die Leistungsfähigkeit von KI und hochentwickelter industrieller Bildverarbeitung in die Produktionshalle, ohne dass Vorkenntnisse über KI- oder Bildverarbeitungswerkzeuge erforderlich sind.

Die Möglichkeiten von KI unkompliziert nutzen

Edge Learning ist eine Untergruppe von KI, bei der die Verarbeitung mithilfe eines Satzes von vortrainierten Algorithmen direkt im Gerät oder „at the edge“ (an der Peripherie) erfolgt. Edge Learning ist für eine Vielzahl industrieller Anwendungen nützlich, bei denen derzeit entweder herkömmliche Bild-Kameras verwendet werden oder die noch immer auf menschliche Prüfungen angewiesen sind. Diese Technologie nutzt das In-Sight 2800 zur Identifizierung und Klassifizierung subtiler, aber signifikanter Fehler, die bislang selbst von hochentwickelten herkömmlichen Bildverarbeitungswerkzeugen nicht erkannt wurden.

Eine solche Kategorisierung hat einen zusätzlichen, längerfristigen Nutzen in Bezug auf die Prozessverbesserung. Da Edge-Learning-Tools trainiert werden können, Produktfehler in eine beliebige Anzahl von Kategorien zu klassifizieren, können sie Informationen darüber liefern, welche Fehlertypen häufiger auftreten, und eventuell darauf hinweisen, dass eine Maschine in der Fertigungslinie die Spezifikationen immer weniger einhält. Diese Maschine kann dann, lange bevor durch sie ernsthafte Fehler verursacht werden oder sie ihre Funktionstüchtigkeit vollständig verliert, angepasst oder ausgewechselt werden.

Anwendungen in der Automobilindustrie

Spritzgegossene elektrische Steckverbinder finden sich überall in modernen Kraftfahrzeugen. Sie übertragen Strom und Signale zu einer Vielzahl von Komponenten. Durch die Steckverbinder wird die Verdrahtung und das Trennen und Entfernen von Komponenten bei Wartung und Reparatur vereinfacht.

Es ist wichtig, dass die Steckverbinder vollständig und passgenau zusammengesteckt werden, um so eine dauerhafte elektrische Verbindung zu gewährleisten. Zudem muss diese Verbindung überprüft werden, bevor das Teil oder Fahrzeug zum nächsten Produktionsschritt übergeht. Dieser Vorgang ist leichter gesagt als getan. Für die Steckverbinder gibt es eine große Auswahl an Clips, Einrastvorrichtungen und anderen Verbindungsmöglichkeiten. Außerdem bestehen sie aus schwarzem oder dunklem Kunststoff, was das Erkennen von Details erschwert, und sie werden der Prüfkamera häufig aus verschiedenen Winkeln präsentiert.

Das Bildverarbeitungssystem In-Sight 2800 mit Edge-Learning-Technologie kann mit kleinen Sätzen gelabelter Bilder mit guten und schlechten Verbindungen trainiert werden. Anschließend kann es Steckverbinder schnell als OK oder Nicht OK klassifizieren. Sobald ein neu entworfener Steckverbinder eingeführt wird, ist es einfach, die Edge-Lernwerkzeugen mit einigen Beispielen des neuen Designs direkt auf der Fertigungslinie neu zu trainieren.



Elektronikanwendungen

Zahlreiche Leiterplatten sind mit LED-Kontrolllämpchen zur Statusanzeige ausgestattet. In einem Anwendungsbeispiel kann es erforderlich sein, zu identifizieren, welche Anzeigen einen Einschaltzustand (PWR), einen Sendezustand (TX) oder einen Auszustand (AUS) anzeigen. Angesichts der Dunkelheit der LEDs, ihrer nahen Platzierung und der verwirrenden visuellen Umgebung, in der sie erscheinen, ist es für die herkömmliche maschinelle Bildverarbeitung manchmal problematisch, zwischen den Anzeigezuständen zu unterscheiden.

Bei der herkömmlichen Bildverarbeitung erfolgt diese Bestimmung typischerweise mithilfe eines Pixelzähltools. Dazu müssen für jeden Zustand Helligkeits-Grenzwerte für bestimmte Bereiche festgesetzt werden, was einen komplexen Prozess darstellt, der ein höheres Maß an Programmiererfahrung in der industriellen Bildverarbeitung erfordert.

Edge-Learning-Tools wie sie im In-Sight 2800 integriert sind, können anhand von kleinen Sätzen gelabelter Bilder der AUS-, PWR- und TX-Zustände oder auf Wunsch direkt über die Kamera trainiert werden. Nach diesem kurzen Training ist Edge Learning in der Lage, die Leiterplatten entsprechen der drei verschiedenen Zustände zuverlässig zu klassifizieren und zu sortieren.

Anwendungen Medizinprodukte/Pharmaindustrie

Bei einigen Anwendungen im Bereich der Medizinprodukte und der Pharmaindustrie werden Glasfläschchen automatisch bis zu einem vorbestimmten Füllstand mit Medikamenten gefüllt. Bevor sie mit einem Verschluss versehen werden, muss die Bestätigung erfolgen, dass diese Füllhöhe innerhalb gegebener Toleranzgrenzen liegt. Der Umstand, dass sowohl die Glasampulle als auch ihr Inhalt durchsichtig und spiegelnd ist, macht die durchgängige Erkennung der Höhe für die herkömmliche industrielle Bildverarbeitung schwierig.

Mit Edge Learning können die wichtigsten Teile des Bildes, die den Füllstand anzeigen, erkannt werden, wobei verwirrende Aspekte ignoriert werden, die durch Reflexionen, Brechung oder andere ablenkende Variationen im Bild verursacht werden. Füllstände, die zu hoch oder zu niedrig sind, werden zurückgewiesen, nur diejenigen, die innerhalb der Toleranz liegen, werden weitergeleitet.

Verpackungsanwendungen

Softdrink- und Fruchtsaftflaschen werden nach der Abfüllung auf der Fertigungslinie mit einer Schraubkappe oder einem Schraubverschluss verschlossen. Wird der Verschluss von der Verschließmaschine nicht korrekt zugeschraubt oder während des Verschlussvorgangs beschädigt, kann ein Spalt entstehen, der Kontamination oder Undichtigkeit zur Folge hat.

Flaschenfüll- und Verschließlinien bewegen sich mit hoher Geschwindigkeit. Korrekt verschlossene Schraubkappen sind leicht zu überprüfen, aber es gibt viele subtile Möglichkeiten, wie eine Kappe unzureichend aufgeschraubt werden kann. Sowohl die Geschwindigkeit als auch die breite Palette an Fehlermöglichkeiten, bei denen der Verschluss fast, aber doch nicht ganz dicht ist, macht diese Aufgabe zu einer echten Herausforderung für die herkömmliche industrielle Bildverarbeitung.

Dem In-Sight 2800 Edge-Learning-Tool wurde ein Satz mit als OK gelabelten Bildern sowie ein Bildsatz mit Verschlüssen, die einen kleinen, für das menschliche Auge kaum wahrnehmbaren Spalt aufweisen, vorgelegt. Die Werkzeuge können dann bei Liniengeschwindigkeit vollständig dichte Verschlüsse als OK und alle anderen Verschlüsse als Nicht OK kategorisieren. Durch die Verwendung dieser Technologie wird die Anzahl an weitergeleiteten NOK-Verschlüssen erheblich verringert. Gleichzeitig ist sie kostengünstig und einfach anzuwenden.

Seitlich installiertes In-Sight 2800 Bildverarbeitungssystem prüft korrekten Sitz von Wasserflaschenverschlüssen

Eine einfache Lösung für schwierige Fabrikautomatisierungsprobleme

Das Bildverarbeitungssystem In-Sight 2800 mit Edge Learning wurde für anspruchsvolle Probleme der Fabrikautomatisierung entwickelt. Durch seine Leistung und einfache Bedienung wird es schnell zu einem unverzichtbaren Werkzeug an jeder Fertigungslinie.

Weitere Posts auf

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex