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

ANZEIGE
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:

Mit 84,3 Punkten ist der Ifo-Geschäftsklimaindex auf den tiefsten Stand seit Mai 2020 gefallen. Dabei betraf der Rückgang alle Wirtschaftsbereiche.‣ weiterlesen

Vom 18. bis zum 19 Oktober findet die In.Stand in Stuttgart statt. Fokusthemen der Fachmesse für Instandhaltung und Services sind in diesem Jahr Nachhaltigkeit und Sicherheit.‣ weiterlesen

Das DFKI und das Fraunhofer IML untersuchen in einem Forschungsprojekt, wie künstliche Intelligenz bei der Vergabe von Lehrstühlen und Institutsleitungen unterstützen kann. In der Folge soll ein Portal für Bewerber-Profile entstehen.‣ weiterlesen

Nachhaltigkeit wird oft von den Beteiligten eines Wertschöpfungsnetzwerkes erwartet - und sie kann sich als gewinn- und kostenrelevant darstellen. Um jene Unternehmen zu diesem Wandel zu befähigen, die über begrenzte Ressourcen verfügen, können diese Firmen Ökosysteme etwa mit Zulieferern, Vertragspartnern und Technik-Dienstleistern aufbauen, um kreative Lösungen zu erarbeiten.‣ weiterlesen

Motiviert von der Aussicht auf Effizienz im Produktionsprozess und damit verbundenen Kosten- sowie Wettbewerbsvorteilen, setzen immer mehr Unternehmen auf Technologien wie etwa Sensorik oder künstliche Intelligenz. Und oft fällt das Schlagwort ’Green Manufacturing’. Dabei schauen viele nur auf den unmittelbaren ökologischen und ökonomischen Nutzen. Was oft fehlt, ist die Berechnung der Gesamtbilanz dieser Digitalisierungsmaßnahmen und der Weitblick in Sachen Nachhaltigkeit.‣ weiterlesen

Mit Dimitrios Koutrouvis hat Lütze Transportation ab Oktober einen neuen Geschäftsführer. Er tritt die Nachfolge von André Kengerter an.‣ weiterlesen

Der Bitkom schätzt die Schäden durch Cyberangriffe auf jährlich 220Mrd.€. Unternehmen sind also gefragt, sich bestmöglich gegen solche Vorfälle zu schützen. Wie? Darüber können sich Interessierte vom 25. bis zum 27. Oktober auf der Security-Messe It-sa informieren.‣ weiterlesen

Low Code-Entwicklungsplattformen helfen Unternehmen, ihre IT an stetig wechselnde Strukturen und Prozesse anzupassen. Es gilt: Wo programmiert wird, kann meist Low Code-Technologie eingesetzt werden – erst recht im IIoT-Projekt.‣ weiterlesen

Planung und Überwachung sind entscheidende Faktoren für die Effzienz einer Produktion. Die Basis dafür bilden Daten. Daher setzt die Firma GGK in ihrer Fertigung auf die IIoT-Plattform Toii. Mit ihr erfasst der Hersteller von Kabelmanagement-Systemen alle relevanten Daten, um die Transparenz zu verbessern und etwa Störungen schneller zu beseitigen.‣ weiterlesen

Korrekte Stammdaten sind beim Wechsel auf SAP S/4Hana enorm wichtig. Drei Tools für das Product Structure Management helfen, die Engineering-Stückliste mit der Manufacturing-Stückliste automatisiert abzugleichen.‣ weiterlesen