Eine Publikation der Swissprofessionalmedia AG
PDF download
Machine Learning Tool für Detektion von Fehlern in Oberflächen: Ausgabe 20/2019, 12.12.2019

In wenigen Schritten zum Ergebnis

Die Machine- oder Deep-Learning-Methode ist eine richtige Revolution auf dem Bildverarbeitungsmarkt. Die noch junge Methode bewältigt Herausforderungen, die an Systeme des Bildverstehens gestellt werden, die sich mit klassischer Bildverarbeitung nicht oder nur sehr schwer lösen lassen. Es gibt aber Aufgaben, die man nur durch die Anwendung von klassischen Methoden durchführen kann.

Vorteile von Maschinellem Lernen
Die Vorteile von Machine Learning liegen auf der Hand. Mit Machine Learning lassen sich datengestützt:
■ unbekannte Zusammenhänge lernen
■ Prozesse modellieren
■ adaptive Mechanismen realisieren, die Anlagen flexibel und schnell wandelbar machen
Moderne Produktionsanlagen sind inzwischen höchst komplex. Prozesse sind miteinander vernetzt, Maschinen, Schnittstellen und Bauteile kommunizieren miteinander. Solche Industrieanlagen sind prädestiniert für die Optimierung durch Methoden des Maschinellen Lernens (ML). Denn sie erlauben es, anhand grosser Datenmengen Vorhersagen zu treffen.

Herausforderungen des Maschinellen Lernens
Es gibt jedoch einige Herausforderungen zu meistern. Dabei wären zuerst einmal die hohen Anforderungen an die Rechenleistung der verwendeten CPU zu erwähnen. Nicht jede Recheneinheit hat genügend Power, um sich für die ML-Anwendung zu eignen. Einige Deep-Learning-Ansätze erfordern eine «hochgezüchtete» Hardware.
Die zweite Herausforderung stellen der benötigte Datensatz und der Trainingsaufwand dar. Denn was den Trainingsaufwand betrifft, erfordern die meisten Machine-Learning-Ansätze für das Gewinnen eines Klassifikators eine mehr oder minder grosse Menge an manuell klassifizierten Trainingsdaten. Da zeigt sich eine neue Problematik, denn im industriellen Umfeld gibt es oft sehr viele Gut-Beispiele, aber nur wenige Fehlermuster. Manche Fehler treten sehr selten auf, haben aber eine hohe Relevanz. Eine Lösung ist daher der so genannte Ein-Klassen-Klassifikator. Man trainiert in diesem Fall nur Gut-Teile, welche immer ausreichend vorhanden sind.

Der Homogeneity Inspector schafft Abhilfe
Der Homogeneity Inspector schliesst die komplexe Funktionalität zu einem im Gebrauch unkomplizierten EyeVision-Befehl zusammen, wobei der Nutzer einfache grafische Werkzeuge zur Verfügung hat, und nur wenige Parameter angefordert werden. Dadurch ist der Trainingsprozess einfach.
Der Homogeneity Inspector teilt die zu erwartenden Bilder in einzelne kleine Segmente ein, und durch die vorher definierte Fehlermöglichkeit findet er in jedem der Segmente entweder ein Gutteil oder einen Fehler. Daraufhin gibt er die Grösse der einzelnen Fehler und die Gesamtfläche der Summe der Fehler im Bild in mm² aus.

Metallbearbeitung und Automotive: Metallene Oberflächen
Eine Anwendung ist zwar das Finden von Oberflächenfehlern, eine weitere die Einteilung der Fehler in Kratzer oder Riefen. Dabei müssen auch bei metallenen Oberflächen zwei Eigenschaften unterschieden und algorithmisch behandelt werden:
■ typische Struktur und Beschaffenheit der Oberfläche
■ grossflächiges Aussehen, wie Farbe oder strukturelle Homogenität
Der Homogeneity Inspector schafft es z.B. bei der Metallbearbeitung in der Automobilindustrie oder in allen Bereichen der Metallverarbeitung Oberflächenfehler zu detektieren und einzuteilen. Denn bereits geringe Abweichungen im Autolack oder anderen metallischen Oberflächen führen zur Beeinträchtigung des visuellen Gesamteindrucks. Oft ist es ein Grund für Reklamationen oder Kundenunzufriedenheit. Eine ähnliche Fehlererkennungsmethode bei Metall lässt sich auch für Schweissnähte, oder Korrosionserkennung anwenden. Eine Anwendung wäre z.B. die automatische Erkennung von Kratzern auf Mietautos.

Faserplatten oder andere strukturierte Oberflächen
Bei der Oberflächeninspektion von Mineralfaserplatten oder anderen strukturierten Oberflächen geht es darum, Fehler in verschiedenen Musterungen zu finden. Auch hier wird aufgrund der selten auftretenden Fehler und daher geringen Schlechtteile, ein Ein-KlassenKlassifikator auf die guten Produkte angewendet. Wenn ein neues Design oder Muster angelernt werden muss, dann benutzt man eine möglichst grosse Stichprobe (ca. 20 bis 200 Stück) der aktuellen Produktion dieses Designs als einen repräsentativen Durchschnitt. Auch hier gilt es wieder zwei Eigenschaften zu unterscheiden und algorithmisch zu behandeln:
■ Nadelung oder Textur in ihrer typischen Form und Struktur. Die Nadelung einer Faserplatte ist kontrastreich sowie sehr gut zu segmentieren. Die Nadelstiche sollten im Gutfall geometrisch ähnlich und im Schlechtfall geometrisch auffällig sein. Es werden Features wie z.B.: Fläche, Rundheit, Achsenverhältnis, mittlerer Grauwert, usw. berechnet.
■ Grossflächiges Aussehen, wie z.B. der Farbauftrag, die strukturelle Homogenität, die Existenz oder das Fehlen der Struktur, ihre Verteilung usw.
Zu den Oberflächen- und Designfehlern, die sich mit dem Homogeneity Inspector in der Produktion finden lassen, gehören Verfärbungen, Farbkleckse und Abweichungen im Muster, Löcher, Risse usw.

Infoservice
EVT Eye Vision Technology GmbH
Gartenstrasse 26, DE-76133 Karlsruhe
Tel. 0049 721 668 004 230
info@evt-web.com, www.evt-web.com

 



Der Homogeneity Inspector teilt die zu erwartenden Bilder in einzelne kleine Segmente ein


Kleiner Leitfaden zur Entscheidungshilfe für die wirksamere Betrachtungsweise


Eine typische Anwendung ist die Einteilung der Fehler in Kratzer oder Riefen