Mit Deep-Learning-Bestückungsüberprüfungstools verschiedene Komponenten oder Teilekonfigurationen identifizieren

assembly verification inspections on car doors

In der industriellen Bildverarbeitung wurden enorme Fortschritte gemacht, so dass moderne Algorithmen anhand der kleinsten Merkmale oder Markierungen zwischen visuell ähnlichen Teilen unterscheiden können. Es gibt einen natürlichen Kompromiss zwischen der Spezifität und Genauigkeit von Prüfungen und den Vorabinvestitionen in Programmierung und Schulung. Lineare Regeln zu entwickeln, um einem Computer beizubringen, zwischen Hunderten oder Tausenden von möglichen Variationen in einem einzigen Teil zu unterscheiden, ist, wenig überraschend, unglaublich zeitaufwändig.

Und noch dazu ist der Ansatz nicht unbedingt sicher.

Nicht strukturierte und/oder hochkomplexe Szenen mit kontrastreichen Mustern und spiegelndem Glanz können einfach zu schwerfällig für eine Programmierung werden, besonders bei Anwendungen zur Bestückungsüberprüfung, die viele Komponenten identifizieren müssen, die von Teil zu Teil variieren und in zahlreichen Konfigurationen erscheinen können. Selbst wenn die Teile einheitlich und gut gefertigt sind, bleiben Bestückungsüberprüfungen die am schwierigsten zu automatisierenden Inspektionen. Das liegt daran, dass Bedingungen wie komplexe, unübersichtliche Oberflächentexturen und schlechte Beleuchtung sehr große Probleme bereiten, obwohl Bildverarbeitungssysteme durchaus in der Lage sind, einige Abweichungen im Aussehen von Teilen durch Skalierung, Drehung oder perspektivische Effekte zu tolerieren. Industrielle Bildverarbeitungssysteme können Schwankungen und Abweichungen bei visuell ähnlichen Teilen nur schwer berücksichtigen.

Wenn eine Baugruppe oder Unterbaugruppe viele Abweichungen und Varianten enthält, nimmt die Belastung für das System so lange zu, bis eine Anerkennung all dieser Unterschiede zu schwierig zu programmieren oder zu berücksichtigen wird. Diese Prüfungen menschlichen Prüfern zu überlassen, ist ineffizient, nicht skalierbar und kann immer noch zu Fehlern durch Müdigkeit und von Prüfer zu Prüfer unterschiedlichen Einflüssen führen.

Deep-Learning-basierte Bildanalysetools sind eine Alternative zur Automatisierung der schwierigsten Bestückungsüberprüfungen.

Montageüberprüfung für die Automobilindustrie

Viele Objekte und Szenen in der Automobilindustrie sind unvorhersehbar und zeigen in den verschiedenen Montagestufen unterschiedliche Darstellungen für die Kamera. Die Endmontage ist ein bekanntermaßen schwieriger Verifizierungsprozess für fertige Autos. Denn er stellt eine Herausforderung für die schrittweise Filterung und die regelbasierten Algorithmen, die die traditionelle industrielle Bildverarbeitung definieren, dar.

Montageüberprüfung Automobilindustrie

Mit immer größeren Fehlerbibliotheken und mehr Konfigurationsänderungen wird es zu schwerfällig, diese Algorithmen beizubehalten. Die Überprüfung der Endmontage stößt an die äußersten Grenzen der Programmierung, denn sie umfasst mehrere wechselnde Variablen, die für einen Computer oder eine Kamera ggf. nur schwer zu isolieren sind, z. B. Beleuchtung, Farbe, Krümmungen oder das Sichtfeld. Daher führen üblicherweise menschliche Prüfer weiterhin Außenprüfungen in der Endphase der Fahrzeugmontage durch. Obwohl menschliche Prüfer beim Erkennen verschiedener Teile und Merkmale Erfahrung haben, wenn sich verschiedene Fahrzeugmodelle unter wechselnden Beleuchtungsbedingungen über die Linie bewegen, können sie immer noch unbeständig sein.

Die Deep-Learning-Software kann hingegen zuverlässig eine Bibliothek mit referenzierbaren Merkmalen — aus den genannten Farben und Bauteilen — aufbauen, um diese in einem Foto eines vollständig montierten Fahrzeugs zu lokalisieren und zu identifizieren. Dadurch ist es einfach, die Verifizierung der Endmontage zu automatisieren, indem man ein zusätzliches Merkmal hinzufügt: nachdem die Bauteile lokalisiert und identifiziert wurden, kann die Software ein „Pass“ oder „Fail“-Ergebnis liefern.

Montageüberprüfung für die Elektronikindustrie

Elektronikhersteller nutzen Deep Learning für die stark auf Schätzungen basierende Entscheidungsfindung, die in ihrer Montageüberprüfungsanwendung erforderlich ist. Es ist zu zeitaufwändig, einem Inspektionssystem beizubringen, das Vorhandensein und die richtige Platzierung mehrerer Bauteile zu erkennen und überprüfen. Prüfungen von Bildern mit vielen kleinen, nah beieinander liegenden oder einander berührenden Bauteilen sind mit herkömmlicher industrieller Bildverarbeitung fast unmöglich durchzuführen.

Montageüberprüfung Elektronikindustrie

Ein elektronisches Hardwareteil, das zusammengebaut wird, z. B. ein Sicherungskasten, muss auf Fehler, Verunreinigungen, funktionelle Fehler oder sonstige Unregelmäßigkeiten geprüft werden, die seine Leistung beeinträchtigen oder die Sicherheit gefährden könnten. Diese Fehler müssen behoben werden, bevor der Sicherungskasten in ein Gerät eingebaut oder an Kunden ausgeliefert wird. Glücklicherweise ist die Deep-Learning-basierte Software für die Arbeit unter diesen verwirrenden Bedingungen optimiert, auch wenn die Bilder kontrastarm sind oder schlecht aufgenommen wurden.

Um die vollständige Montage des Sicherungskastens endgültig zu überprüfen, lernt das Deep-Learning-Tool zuerst, die vielen Elektronikbauteile anhand von Bildern zu identifizieren, die mit den Positionen für jeden Teiletyp gekennzeichnet sind. Mit dieser Angabe erstellen die neuronalen Netzwerke des Tools ein Referenzmodell für jedes Bauteil: dieses umfasst ihre normale Größe, Form und Oberflächenmerkmale sowie ihre allgemeine Position am Sicherungskasten. Das Tool segmentiert während der Laufzeit alle Bereiche des Sicherungskastens, die Komponenten enthalten, um richtig zu erkennen, ob Komponenten vorhanden sind oder nicht, und ob sie der richtige Typ sind.

Bestückungsüberprüfung für die Verpackungsindustrie

Betrachten wir zum Beispiel die korrekte Bestückung eines verpackten Tiefkühlgerichts. Die Verpackung mehrerer Lebensmittelbehälter kann von außen ähnlich aussehen, aber einen unterschiedlichen Warenmix enthalten. Umgekehrt können dieselben Lebensmittelbestandteile in allen Packungen vorhanden sein, jedoch bei verschiedener Anordnung oder Portionsgröße.

Bestückungsüberprüfung Verpackungsindustrie

Die Programmierung der Zahl von Lebensmittelbestandteilen und verschiedenen Konfigurationen sowie Anordnungen ist mit traditioneller Bildverarbeitung schwierig und zeitaufwändig, besonders weil es kaum möglich ist, mehrere Merkmale in einem einzelnen Bild mit nur einem Tool automatisch zu lokalisieren und zu identifizieren. Die hochkomplexen Szenen in Anwendungen zur Bestückungsprüfung von Endverpackung können zu schwierig zu steuern sein, wenn Ausnahmen und Fehlerbibliotheken größer werden.

Mit der Deep-Learning-basierten Bildanalyse kann einfach überprüft werden, ob ein Lebensmittelbehälter richtig bestückt ist. Dazu lernt sie nicht nur das leicht unterschiedliche Erscheinungsbild jedes Lebensmittelbestandteils, sondern auch die tolerierbaren Anordnungen. Nachdem die Software am normalen Erscheinungsbild einzelner Bestandteile geschult wurde, erstellt sie eine umfassende Datenbank der verschiedenen zu lokalisierenden Lebensmittel. Das Prüfbild kann während der Laufzeit in verschiedene Bereiche aufgeteilt werden, damit die Software prüfen kann, ob Lebensmittel vorhanden sind und ob der Typ stimmt.

In Situationen, in denen die Verpackungsanordnungen variieren, ist die Software flexibel genug, damit der Benutzer verschiedene Konfigurationen trainieren kann. Bei wechselnden Konfigurationen kann die Deep-Learning-Software angepasst werden, um weiterhin jeden einzelnen Bestandteil zu erkennen und zu bestätigen, ob der Typ stimmt. Auf diese Weise kann ein Benutzer die Überprüfung eines verpackten Lebensmittelbehälters oder Tiefkühlgerichts mit nur einem Tool automatisieren.

Montageüberprüfung für die Unterhaltungselektronik

Bei der Montage von Platten oder Modulen für Mobilgeräte kann es schon mal vorkommen, dass Fremdmaterialien wie lose Schrauben in das Gehäuse eines angrenzenden Moduls auf der Linie fallen. Es ist wichtig, mögliche Einfügungen zu erkennen, da diese bei der Endmontage Behinderungen oder Schäden verursachen. Fremdkörper sind üblicherweise klein und schon leichte Abweichungen im Aussehen — sei es durch feine Beleuchtungskontraste, Orientierungsänderungen oder metallische Blendeffekte — können ein automatisiertes Inspektionssystem irritieren.

Montageüberprüfung Unterhaltungselektronik

Gleichzeitig können solche Bedingungen dem Inspektionssystem die Unterscheidung erschweren, ob die erwarteten Komponenten im richtigen Gehäuse sind. Schließlich enthalten Mobilgeräteplatten viele Teile, die nahe beieinander liegen und daher für ein Inspektionssystem schwer als einzelne Komponenten zu unterscheiden sind.

Eine Programmierung all dieser Variablen in einen regelbasierten Algorithmus ist zeitaufwändig, fehleranfällig und vor Ort schwer zu warten. Zum Glück kann die Deep-Learning-basierte Bildanalyse-Software das richtige fertige Erscheinungsbild der vielen Platten- oder Modulkomponenten lernen, um falsch angeordnete Teile wie Schrauben zu erkennen. Durch Trainieren anhand „schlechter“ Bilder eines Moduls mit Fremdkörpern oder fehlenden Komponenten sowie bekannten „guten“ Bildern, in denen das Modul richtig montiert ist, erstellt ein Tool wie Cognex Deep Learning ein Referenzmodell einer Mobilgeräteplatte, das unter schwierigen Bedingungen fehlerhafte Platten genauso zuverlässig wie ein menschlicher Prüfer erkennen kann, jedoch mit der Geschwindigkeit und Zuverlässigkeit eines automatisierten Systems.

Üblicherweise werden Montageüberprüfungsanwendungen menschlichen Prüfern überlassen. Die Prüffähigkeiten von Menschen reichen jedoch nicht für Produktionslinien aus, auf denen Hunderte oder Tausende Teile pro Minute zuverlässig und wiederholt geprüft werden müssen. Deep-Learning-basierte Tools können diese Lücke nun füllen.

Cognex Deep Learning wird anhand gekennzeichneter Bilder — ohne Softwareentwicklung — trainiert, um Teile verschiedener Größe, Form und Oberflächenmerkmale richtig zu lokalisieren und zu identifizieren. Wenn diese Hürde bewältigt ist, wird es einfach zu bestätigen, ob die richtigen Komponenten vorhanden und in der korrekten Auslegung oder Konfiguration angeordnet sind. Im Gegensatz zur traditionellen Bildverarbeitung ist dazu kein zusätzlicher Logikaufbau erforderlich.

Weitere Posts auf

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex