Sekisui House automatisiert Fehlerprüfungen von Keramikwänden mit VisionPro Deep Learning
Sekisui House Ltd. ist eines der größten Bauunternehmen in Japan mit einem Jahresumsatz von fast 20 Milliarden USD. Das 1960 gegründete Unternehmen mit Hauptsitz in Osaka ist für seine spezielle keramische Bellburn-Fliesenverkleidung bekannt, die in seinen Werken in Shizuoka und Tohoku hergestellt wird.
Bellburn-Keramikfliesen werden für Außenwandverkleidungen im gehobenen Wohnungsbau verwendet. Sie sehen nicht nur gut aus, sondern sind auch langlebig, besitzen selbstreinigende Eigenschaften und stehen für die Philosophie des Unternehmens, Produkte „langsam und intelligent“ zu entwickeln. Die Fliesen werden gehärtet und Techniken des Keramikkunsthandwerks in den Produktionsprozess integriert. Aber genauso wie im Keramikkunsthandwerk bleiben manchmal an der Außenseite kleine Löcher oder Linien vom ursprünglichen Umformungsprozess, mit dem der Ton oder anderes Material geformt wird. Um kosmetische Defekte aus diesem Prozess zu beseitigen, muss jede Fliese geprüft werden.
Für einen Menschen ist es jedoch nicht möglich, den Umfang der Sichtprüfung zu bewältigen. Es war auch schwierig und zeitaufwändig, Regeln für bildverarbeitungsgestützte Inspektionen aufzustellen, die alle möglichen sichtbaren Mängel berücksichtigen, die während einer automatisierten Inspektion der Bellburn-Fliesen auftreten könnten. Darüber hinaus ist nicht jede Unregelmäßigkeit durch äußere Mängel oder Farbabweichungen ein Ablehnungsgrund. Einige mögliche Fehler fallen in den annehmbaren Bereich, damit das Risiko eingeschränkt wird, gute Produkte aus der Produktion zu entfernen, was das erforderliche Liefervolumen beeinträchtigen würde.
Um sicherzustellen, dass die benötigte Anzahl Bellburn-Fliesen bei der Endkontrolle vorhanden sind, mussten die Produktionspläne auf Basis von Ertragsraten und ineffizienter manueller Prüfung aus der Vergangenheit erstellt werden. Dies führte zu einem höheren Bestand, der teilweise zu einem unbewegten Bestand wurde.
Um diese schwierigen Prüfungen bewältigen zu können, setzte Sekisui House VisionPro Deep Learning zusammen mit einer Zeilenkamera und LED-Beleuchtung ein, so dassInspektionen kosmetischer Defekte im gesamten Produktionsprozess automatisiert werden konnten. Durch automatische Prüfung aller Teile gelang es dem Bauunternehmen, die Gesamtqualität im Fertigungsprozess zu verbessern, die Überproduktion zu verringern, Bestände und Kosten zu senken und die Lieferung von keramischen Bellburn-Fliesenverkleidungen zu stabilisieren.
Die Deep-Learning-Defekterkennung benötigt nur eine kleine Bilddatenmenge
VisionPro Deep Learning, eine PC-basierte Deep-Learning-Lösung, erkennt anhand einer kleinen Zahl guter Musterbilder vielfältige kosmetische Mängel auf der Originalplatte. Im Allgemeinen braucht ein Open-Source-Deep-Learning-Tool eine riesige Menge von Bilddaten, um annehmbare Mängel von nicht zulässigen zu unterscheiden. VisionPro Deep Learning gelingt dies jedoch anhand eines Satzes von etwa 100 Bildern, da das Defekterkennungstool speziell für die Fertigung entwickelt wurde.
Nach dem Brennschritt des Verarbeitungsprozesses erfassen die Zeilenkamera und die LED-Beleuchtung externe Bilder zur automatisierten Prüfung. VisionPro Deep Learning erkennt Mängel wie Beulen, Vertiefungen, Farbtöne oder unerwünschte Linien. Dann analysiert es diese Bilder und ermöglicht Automatisierungsingenieuren, die Anwendung anhand annehmbarer oder nicht zulässiger kosmetischer Mängel weiter zu verbessern.
Hohe Verarbeitungsgeschwindigkeit für Echtzeiterkennung an der Produktionslinie
Durch die Defekterkennung während des Verarbeitungsprozesses in Echtzeit können fehlerhafte Artikel nun in einer früheren Prozessphase entdeckt werden. Das Qualitätsmanagement wird im Schritt vor der Endkontrolle noch präziser durchgeführt, was die Genauigkeit der Produktionsplanung verbessert. Zum Beispiel dauert die Differenzierung eines 200 x 32 cm großen Materials etwa zwei Sekunden. Externe Inspektionen an der Produktionslinie nur mit menschlicher Prüfung sind in dieser Geschwindigkeit vollkommen unmöglich. VisionPro Deep Learning prüft gezielt verformte Stellen, so dass die Software bei hohen Verarbeitungsgeschwindigkeiten Unterscheidungen treffen kann.
Erfolg bei der Reduzierung des unbewegten Bestands
Die Einführung dieses Prüfsystems führte zu einer 40%igen Reduzierung des unbewegten Bestands, der zuvor für 0,4 % der Produktionsreserve verantwortlich war, und damit zu Kosteneinsparungen.
Die Automatisierung der visuellen Inspektion durch Deep Learning vor der letzten Verarbeitung führte zu enormen Verbesserungen in einem präziseren Qualitätsmanagement. Sie verbesserte die Erträge, was eine genaue Produktionsplanung und auch eine Bestandsreduktion ermöglicht.
Weitere Kostenoptimierungen durch horizontale Expansion
Nach der erfolgreichen Inbetriebnahme im Werk Shizuoka wurde die Deep-Learning-Defekterkennung auch im Werk Tohoku implementiert. Die externe Inspektion wurde in Tohoku nach dem Pressen des Tonmaterials integriert. Die Fehler werden erkannt, bevor der Ton trocknet. So kann das Material wiederverwendet und Ausschuss verhindert werden. Das führte zu erfolgreichen und beträchtlichen Einsparungen bei den Materialkosten.
Sicherstellung einer stabile nVersorgung
Durch die Fähigkeit, unter Einsatz von VisionPro Deep Learning mittels Automatisierung der visuellen Inspektion Fehler in Echtzeit während der Produktion zu erkennen, konnten Bestand und Kosten verringert werden. Die Automatisierung der externen visuellen Inspektion jeder einzelnen Fliese mit VisionPro Deep Learning ermöglichte die Produktion der präzisen Anzahl von Keramikplatten zum Zeitpunkt des Bedarfs.
Insgesamt wurde der Produktionsprozess von Bellburn-Keramikverkleidungen gestrafft. Mit der Automatisierung der Prüfungen durch VisionPro Deep Learning konnte Sekisui Houseseinem Motto besser gerecht werden, das lautet: „Frei gestaltete, einzelne Wohnhäuser schaffen, jedes von Grund auf maßgeschneidert, damit der Traum der Kundschaft wahr wird.“
