Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Beitrag drucken

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)

(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

Bild: Intel Corporation

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

Im Werkzeugmanagement eröffnet das Kennzeichnen von Assets mit Data Matrix Codes die Möglichkeit, Werkzeuge zu tracken und mit ihren Lebenslaufdaten zu verheiraten.‣ weiterlesen

Google Cloud gab kürzlich die Einführung der beiden Lösungen Manufacturing Data Engine und Manufacturing Connect bekannt. Mit den Tools lassen sich Assets einer Fertigungsumgebung vernetzen, Daten verarbeiten und standardisieren.‣ weiterlesen

Virtuelle multicloudfähige Plattformen können in Fertigungsbetrieben das Fundament bilden, um IT-Infrastruktur und Betriebsabläufe zu modernisieren und effizient zu betreiben. Denn das nahtlose Zusammenspiel von Cloud-Anwendungen, Softwarebereitstellung sowie Remote Work lassen sich mit digitalen Plattformen vergleichsweise einfach und global orchestrieren.‣ weiterlesen

Wibu-Systems ist Anwendungspartner im Projekt KoMiK. Im Mai wurde das Projekt abgeschlossen und der Karlsruher Lizensierungsspezialist hat zusammen mit den Projektpartnern aus Wirtschaft und Wissenschaft Empfehlungen zur Auswahl eines digitalen Kooperationssystems erarbeitet, inklusive eines Screening-Tools.‣ weiterlesen

MES-Lösungen verfügen über unterschiedliche Erweiterungsmodule, etwa für das Qualitätsmanagement. Der Ausbau der Basisfunktionen sorgt jedoch oft für Aufwand. Eine Alternative versprechen Cloudlösungen.‣ weiterlesen

Bei ihrer digitalen Transformation adaptieren Fertigungsunternehmen Technologien wie künstliche Intelligenz, Machine Learning und digitale Zwillinge. Cloud Computung hilft, dafür erforderliche Kapazitäten skaliert bereitzustellen.‣ weiterlesen

Mit mehreren neuen Partnern erweitert der Softwareanbieter ZetVisions sein Partnerangebot. Unter anderem sollen Pikon und People Consolidated das Beratungsangebot des Heidelberger Unternehmens ergänzen.‣ weiterlesen

Viele Deep-Learning- und Machine-Vision-Anwendungen stellen hohe Ansprüche an die eingesetzten Industrie-Rechner. Für den Einsatz in diesem Umfeld hat Hardware-Spezialist Spectra die PowerBox 4000AC C621A ins Programm genommen.‣ weiterlesen

Mit Hybrid Cloud-Lösungen wollen Firmen die Vorteile des privaten und öffentlichen Cloud-Betriebs erschließen. Managed Cloud Service Provider sind darin geschult, Fallstricke bei der Cloud-Nutzung solcher Infrastrukturen zu bewältigen.‣ weiterlesen

Per Low-Code-Tool können Anwender Prozesskonfigurationen selbst umsetzen. Im MES-Bereich ist dieser Ansatz noch selten zu finden, doch einige Lösungen gibt es bereits.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige