Qualitätskontrolle

Sehen, was der Mensch nicht sieht

Fehlerhafte Schweißnähte, Kratzer auf Oberflächen oder Risse in Tabletten – viele Industrieunternehmen setzen bei der Qualitätskontrolle und Erkennung von Fehlern in der Fertigung auf automatisierte Bildverarbeitung. Auch der Chiphersteller Intel setzt auf Machine Vision, zum Beispiel in der Wafer-Fertigung.

(Bild: Intel Corporation)

Die digitale Fabrik steht für vernetzte und nahezu selbststeuernde Produktionsabläufe mittels intelligenter Maschinen und Werkstücke. Produktionsanlagen melden über Sensoren permanent ihren aktuellen Status. Durch intelligentes Monitoring der Fertigungsdaten können Unternehmen nahezu in Echtzeit auf veränderte Rahmenbedingungen reagieren und ihre Produktion entsprechend steuern und optimieren. Ein wichtiger Baustein der intelligenten Produktion ist Machine Vision, also die automatisierte Bildverarbeitung. Systeme zur Bildverarbeitung basieren auf Industriekameras mit digitalen Sensoren und einer speziellen Optik zur Bilderfassung sowie einer Kombination aus Hardware und Software. Sie extrahieren, verarbeiten und analysieren mit Hilfe von Algorithmen Daten aus digitalen Bildern. Die Einsatzszenarien der Bildverarbeitung sind vielfältig und reichen von der Identifikation bestimmter Werkstücke bis hin zur Prozess- oder Qualitätskontrolle – wo Machine Vision auch beim Chiphersteller Intel zum Einsatz kommt. Im Rahmen der Qualitätskontrolle erkennen enstprechende Systeme Fehler, optische Mängel, Verschmutzungen sowie sonstige Unregelmäßigkeiten an den Produkten. Sie klassifizieren die Mängel und geben diese an die übergeordnete Anlagensteuerung weiter, damit diese die fehlerhaften Teile nicht verwendet oder zur Nachbearbeitung weiterleitet. Intel setzt die industrielle Bildverarbeitung beispielsweise in den eigenen Fabriken bei der Wafer-Fertigung ein, um Mängel zu erkennen.

Dem Menschen überlegen

Die automatisierte Bildverarbeitung ist menschlichen Prüfern bei immer wiederkehrenden Kontrollaufgaben überlegen: Die Methode ist schneller, objektiver und braucht keine Schichtwechsel. Durch den Einsatz von Machine Vision an der Produktionslinie können Tausende Teile pro Minute rund um die Uhr geprüft werden- mit gleichbleibenden und zuverlässigen Ergebnissen. Zudem ist die Technologie in der Lage, bei richtiger Auflösung und Optik Details zu erkennen, die das menschliche Auge nicht sieht. Manuelle Prozesse sind dafür oft zu aufwendig und fehleranfällig. Etwa sechs bis neun Monate kann es dauern, bis die Mitarbeiter so weit geschult sind, dass sie Fehler manuell mit einer Genauigkeit von bis zu 90 Prozent klassifizieren können. Und selbst nach Abschluss des Trainings hält ein erfahrener Bediener im Durchschnitt lediglich eine Genauigkeit von 70 bis 85 Prozent ein. Weiterer Vorteil von Machine Vision-Systemen: Da der physische Kontakt mit den Prüfteilen entfällt, besteht nicht die Gefahr einer Beschädigung der Werkstücke. Bei Intel lassen sich beispielsweise auch Kontaminationen von Reinräumen durch Menschen vermeiden.

Bild1 und bild2

Bild: Intel Corporation

Maschinen sind in manchen Situationen in der Lage, Details zu erkennen, die das menschliche Auge nicht sieht. (Bild: Intel Corporation)

Integriert in die Linie

Systeme für die automatisierte Bildverarbeitung integrieren Industriekameras mit digitalen Sensoren und einer speziellen Optik zur Bilderfassung, leistungsfähige Rechner für die Bildverarbeitung über Algorithmen und Kommunikationstechnologien zur Vernetzung der verschiedenen Komponenten einer industriellen Anlage. Denn die Systeme werden direkt in die Fertigungslinien integriert und tauschen Daten über Industrial Ethernet-Protokolle wie Profinet oder EtherNet/IP aus. Ein wichtiges Bindeglied zwischen den Kameras und den Rechnern, die die Algorithmen zur Bildverarbeitung ausführen, sind so genannte Framegrabber. Sie erfassen die Bilddaten der Kameras in Standard-Formaten wie DVI, HDMI oder Camera Link oder sie passen sich an ein proprietäres Datenformat der Kamera an. Zudem verarbeiten sie die Daten, überführen sie in ein Zielformat und übertragen sie an den Industriecomputer weiter, auf dem die Bildverarbeitung über Algorithmen erfolgt.

Antrainierte Muster

Unabhängig davon, ob es um die Erkennung von Fehlern auf Stahloberflächen, Risse in Tabletten oder Mängel bei der Fertigung von Wafern geht – die Bildverarbeitung basiert grundsätzlich auf einem Mustervergleich: Um zuverlässige und wiederholbare Ergebnisse zu erhalten, muss das Bildverarbeitungssystem eintrainierte Muster schnell und exakt mit den tatsächlichen Objekten auf dem Fließband abgleichen. Den ersten Schritt dazu bildet die korrekte räumliche Erfassung des Prüfteils oder Objekts innerhalb des Sichtfelds der Kamera. Die Anwendung ist erfolglos, wenn das Teil nicht präzise lokalisiert wird. Hat das System die entsprechenden Merkmale erkannt, prüft und misst die Software das Objekt und vergleicht die Ergebnisse mit den Spezifikationen. Anschließend erfolgen die Entscheidung (Pass oder Fail) und die Kommunikation der Ergebnisse an die Steuerungssoftware der Anlage. Die zugrunde liegenden Algorithmen werden im Vorfeld mit Unmengen von Daten und Bildern trainiert, um Merkmale zu erkennen und Fehler wie etwa Risse klassifizieren zu können. Dabei kommen auch Machine Learning-Methoden oder neuronale Netze (Deep Learning) zum Einsatz, um die Genauigkeit permanent zu verbessern und Mängel bzw. Abweichungen von der Spezifikation besser zu erkennen.

Klassifizierungsmodelle erstellen

Intel selbst verwendet für die Qualitätskontrolle in der Waferfertigung hochauflösende Fotos von Rasterelektronenmikroskopen als Input für die Bildverarbeitungsalgorithmen. Die Auswertung der großen Datenmengen, das Training der Algorithmen und Modelle sowie das Erstellen von genauen Klassifizierungsmodellen erfolgen auf Basis von Servern mit Intel Xeon Prozessoren. Darüber hinaus bietet Intel Field Programmable Gate Arrays (FPGAs) für den Einsatz in den Kameras oder als Beschleuniger für die Bildverarbeitung in Edge-Computern, in denen die KI-Anwendung in der Nähe der Videokamera arbeitet. Mit dem Toolkit Openvino stellt der Chiphersteller zudem ein spezielles Werkzeug für Deep-Learning-Frameworks wie Tensor Flow, MX Net und Caffe bereit. Die FPGAs (Field Programmable Gate Array) stammen aus den Serien Intel Max 10 FPGA, Cyclone IV und Cyclone V. Sie bieten eine hohe Leistung pro Watt, niedrige Latenzzeit und lassen sich flexibel an eine Vielzahl von Bildsensoren sowie MV-spezifische Schnittstellen anpassen, beispielsweise Camera Link oder GigE Vision. Auf diese Weise können Firmen Bilderfassung, Kameraschnittstellen, Vorverarbeitung in Framegrabbern und Kommunikation in einem einzigen FPGA-Gerät integrieren.

Das könnte Sie auch interessieren:

Neuer Vorstand
Wechsel an der Spitze bei DMG Mori

Christian Thönes, Vorstandsvorsitzender bei DMG Mori, hat am Donnerstag sein Amt niedergelegt. Sein Vertrag wurde im Rahmen einer Aufsichtsratssitzung einvernehmlich beendet. Alfred Geißler wurde vom Aufsichtsrat zum Nachfolger bestellt.‣ weiterlesen

40 Jahre Microsoft in Deutschland
Microsoft feiert Geburtstag und eröffnet Experience Center

Microsoft feiert 40. Geburtstag in Deutschland und eröffnet ein europäisches Experience Center in München. Es ist eines von vier Experience Centern weltweit.‣ weiterlesen

Neues Whitepaper der Plattform Lernende Systeme
Wo bleiben die europäischen KI-Sprachmodelle?

Expertinnen und Experten der Plattform Lernende Systeme beleuchten in einem neuen Whitepaper, wie es um die Entwicklung europäischer bzw. deutscher KI-Sprachmodelle bestellt ist.‣ weiterlesen

Ifo Geschäftsklimaindex im Mai
Skeptischer Blick auf den Sommer

Nach 93,4 Punkten im Vormonat, fällt der Ifo Geschäftsklimaindex im Mai auf 91,7 Punkte – der erste Rückgang in sechs Montanen. ‣ weiterlesen

Neuer Sonderforschungsbereich am KIT
Schnellere Updates für Cyber-physikalische Systeme

Cyber-physikalische Systeme (CPS), wie etwa Autos oder Produktionsanlagen, stecken voller elektronischer und mechanischer Komponenten, die von Software gesteuert werden. Jedoch ist es eine Herausforderung, die Systemarchitekturen solcher Systeme fortwährend konsistent zu halten. Neue Methoden dafür soll ein Sonderforschungsbereich (SFB) am Karlsruher Institut für Technologie (KIT) entwickeln.‣ weiterlesen

Transport und Logistik
G+D erweitert IoT-Portfolio mit Erwerb von Mecomo

Mit der Akquisition der Pod Group hat G+D bereits 2021 sein Portfolio im IoT-Bereich erweitert. Durch den Erwerb von Mecomo geht das Unternehmen nun einen weiteren Schritt in Richtung IoT-Komplettanbieter im Transport- und Logistikbereich.‣ weiterlesen

17. Produktionstechnisches Kolloquium
PTK diskutiert Herausforderungen für die Industrie

Im September laden Fraunhofer IPK und IWF der TU Berlin zum Produktionstechnischen Kolloquium. Im Fokus der Veranstaltung stehen Digitalisierung und Dekarbonisierung der Industrie. ‣ weiterlesen

Datenanalyse
Qlik übernimmt Talend

Mit der Übernahme von Talend will das Softwareunternehmen Qlik das eigene Portfolio erweitern. Die Leitung des neuen Unternehmens übernimmt Qlik-CEO Mike Capone.

‣ weiterlesen

Webbasiertes Anfragemanagement
Kundenanfragen schneller bearbeiten

Die Grimme-Gruppe produziert individuell konfigurierte Landmaschinen. Was für den Wettbewerb Vorteile bringt, ist allerdings mit großem Aufwand verbunden - so verwaltete Grimme Kundenanfragen lange über ein Excel-Tool. Mit dem Softwareanbieter Slashwhy zusammen wurde dies durch ein webbasiertes Anfragemanagement-Programm abgelöst.‣ weiterlesen

Mit Moryx modulare Fertigungsanlagen steuern
Linie ohne Stau

Die Software Moryx hilft der Fertigungssteuerung, Maschinen schnell auf einen neuen Kurs zu bringen oder sie für den nächsten Auftrag anzupassen. Mit seinen einheitlichen Bedienoberflächen und seiner niedrigen Einstiegshürde ist das Tool von Phoenix Contact insbesondere auf den Einsatz in Fertigungen mit der Losgröße 1 ausgerichtet.‣ weiterlesen

Gartner-Umfrage
CEOs sehen KI als wichtigste disruptive Technologie

Eine Umfrage von Gartner unter CEOs und leitenden Angestellten hat ergeben, dass künstliche Intelligenz (KI) die Top-Technologie ist, von der die Befragten glauben, dass sie ihre Branche in den nächsten drei Jahren erheblich beeinflussen wird. 21 Prozent der Studienteilnehmer geben dies an.‣ weiterlesen