Deep Learning-Qualitätskontrolle

In industriellen Wertschöpfungsketten sind Qualitätskontrollen nicht mehr wegzudenken: Automatisierte Messverfahren erreichen höheren Durchsatz und höhere Prozesssicherheit als manuelle Inspektion. Datengetriebene, Deep Learning-basierte Software erlaubt robuste und flexible Analyse hochkomplexer Oberflächen, bei denen bisherige, regelbasierte Ansätze an ihre Grenzen stoßen.

 

 

Maschinelles Sehen (engl. Machine Vision) ist eine effektive Methode zur Qualitätskontrolle von Oberflächen. Klassische Bildverarbeitung stößt schnell an ihre Grenzen, sobald Oberflächen durch natürliche Unregelmäßigkeiten, variierende Hintergründe und niedrige Bildqualität komplex werden oder Fehlstellen unterschiedlichster Art auftreten. Deep Learning-basierte Ansätze sind dazu konstruiert, mit genau diesen Schwierigkeiten umzugehen. Durch ihren selbstlernenden Charakter sind diese Algorithmen extrem schnell und mit niedrigem Entwicklungsaufwand umsetzbar. Einmal implementiert, lassen sie sich auch durch Nicht-Experten effizient auf neue Oberflächen kalibrieren.

Will man Fehlstellen finden, gibt es verschiedene Herangehensweisen. Kennt man typische Fehlerarten genau und hat Zugriff auf viele Beispielbilder, können neuronale Netze direkt auf die Erkennung dieser Stellen trainiert werden. Diese Bedingungen sind jedoch bei vielen industriellen Fertigungen nicht gegeben. Oft sind mögliche Fehler und deren genaues Aussehen im Vorhinein unbekannt oder es existiert keine große Sammlung von Beispielen zu Fehlstellen. Auch diese, scheinbar unmöglichen Anwendungsfälle lassen sich mithilfe von speziellen Anomalieerkennungs-Netzen lösen.

 

Bei der Anomalieerkennung erfasst ein neuronales Netz den Normalzustand bzw. mehrere mögliche Normalzustände eines Objekts mitsamt seinen Unregelmäßigkeiten  allein anhand von gezeigten Sollwerkstücken. Jede Abweichung von diesem erlernten Sollzustand wird erkannt. Diese so gefundenen Anomalien können von komplexer und zuvor unbekannter Natur sein.

Für ein auf die beschriebene Weise trainiertes neuronales Netz wird im Anschluss die Güte des Systems quantitativ bestätigt, wofür reale Daten verwendet werden. Eine optionale, nachfolgende Instanz zur Klassifikation der Anomalien komplettiert die Prozessüberwachung. Dies ermöglicht Analysen und eröffnet somit gegebenenfalls die Optimierung einer gesamten Wertschöpfungskette.

Die beschriebene Methode zur automatisierten Qualitätskontrolle greift bei vielerlei Oberflächen und funktioniert für diverse Datentypen. Haben Sie Interesse an ähnlichen Software-Lösungen oder fragen Sie sich, ob diese Verfahren auch Ihre Anwendung verbessern können? Gerne sind wir Ihnen bei Fragen zu Machine Learning, Deep Learning oder Machine Vision behilflich und stehen Ihnen mit unserem Know-How jederzeit unverbindlich zur Verfügung.

Haben Sie Interesse an ähnlichen Software-Lösungen oder fragen Sie sich, ob diese Verfahren auch Ihre Anwendung verbessern können? Gerne sind wir Ihnen bei Fragen zu Machine Learning, Deep Learning oder Machine Vision behilflich und stehen Ihnen mit unserem Know-How jederzeit unverbindlich zur Verfügung.

 

Kontaktieren Sie mich gerne – ich freue mich auf das Gespräch mit Ihnen!

Julian Jungwirth
Data Scientist & Project Manager