In industriellen Produktionsprozessen stoßen herkömmliche Vision-Systeme bei bestimmten Aufgaben an Grenzen, die für den Menschen kein Problem darstellen. Trotz der Einschränkungen und Schwankungen menschlicher Sinneswahrnehmunger bildet hier die Beurteilung durch den Mensch immer noch die beste Lösung.
Die Lösung: Intelligente Bildverarbeitungssysteme mit selbstlernenden Algorithmen – Deep Learning.
In unserem Technologiebereich Deep Learning kommen führende Technologien auf Basis modernster Algorithmen für maschinelles Lernen zum Einsatz (Machine Learning bzw. Deep Learning).
Damit lassen sich Herausforderungen bewältigen wie ...
Mit unseren DL-Technologien lassen sich drei grundlegende „menschliche“ Aufgabenstellungen vollautomatisiert und hocheffizient lösen:
Entdecken Sie bei Ihren Bauteilen qualitative Auffälligkeiten aller Art. Beispielsweise Kratzer auf schwierigen oder texturierten Hintergründen, eine fehlerhafte Montage oder Webfehler in Textilien. Unsere HMV-Technologien identifizieren diese und viele andere Auffälligkeiten auf Basis eines Erwartungsbilds, das anhand des zulässigen Erscheinungsbildes inklusive tolerierter Toleranzen eines Objektes gelernt wird.
Entdecken und identifizieren Sie einzelne oder mehrere Merkmale in einem Bild. Beispielsweise sehr stark deformierte Zeichen auf verrauschtem Hintergrund oder komplexe Objekte in Schüttgut. Unsere HMV-Technologien lokalisieren und identifizieren komplexe Merkmale und Objekte, indem es von beschrifteten Bildern lernt, auf denen die Zielmerkmale markiert sind.
Klassifizieren Sie Objekte oder eine komplette Szene. Identifizieren Sie beispielsweise Objekte aufgrund ihres Aussehens oder ihrer Verpackung. Oder klassifizieren Sie akzeptable und nicht akzeptable Fehler. Unsere HMV-Technologien lernen die verschiedenen Klassen anhand von beschrifteten Bildern zuverlässig zu unterscheiden.
Wesentliches Kennzeichen von Deep Learning ist ein selbstlernendes System (Deep Learning) auf Basis repräsentativer Beispielbilder. Damit lassen sich die Erkennungsleistungen gegenüber herkömmlichen Verfahren der industriellen Bildverarbeitung signifikant verbessern. Zudem werden die Entwicklungszeit und Time-to-Market der DL-Lösungen erheblich verkürzt – mit deutlichen Kostenvorteilen. Auch Machbarkeitsstudien lassen sich in Stunden statt in Tagen durchführen.
Anhand von Bildern von Gut-Mustern wird ein sogenanntes Erwartungsbild (zulässiges Erscheinungsbild, inklusive tolerierter und zulässiger Toleranzen) trainiert. Die bildgebende Quelle ist unerheblich. Bilder der Prüflinge werden in der Serienprüfung gegen das Erwartungsbild bewertet. Das bedeutet:
Hier finden Sie eine Auswahl der Anwendungsmöglichkeiten unserer DL-Technologien:
Aufgabenstellungen und Herausforderungen bei der Inspektion von bearbeiteten Werkstücken
Schrauben
Inspektion von Qualitätsmängeln (Kratzer, Kerben, Druckstellen, Flecken)
Zur Inspektion dieser Art von Schrauben werden diese um die horizontale Achse gedreht. Die Bilder werden aufgenommen und direkt im HMV-System verarbeitet. Das für die Verarbeitung und Bewertung zugrunde liegende Modell basiert auf einer repräsentativen Auswahl von Bildern ohne Fehler, aber mit der zulässigen Fertigungsstreuung.
Das Modell berücksichtigt akzeptable Varianzen der Oberflächentextur sowie die sehr komplexe Form der selbstschneidenden Schraube.
Nach dem Training ist das System bereit für die Prüfung. Fehler auf den Prüflingen können sehr schnell und sicher identifiziert und markiert werden.
Hartmetallwerkzeuge
Inspektion von Verschleiß, Beschädigungen oder Bruch (Ausbrüche)
Zur Inspektion von Hartmetallwerkzeugen werden diese um die horizontale Achse gedreht. Die Bilder werden aufgenommen und direkt im HMV-System verarbeitet und bewertet. Das für die Verarbeitung und Bewertung zugrunde liegende Modell basiert auf Bildern von i.O.-Mustern. Das Modell berücksichtigt akzeptable Varianzen der Oberflächentextur sowie die sehr komplexe Form des Werkzeuges.
Nach dem Training ist das System bereit für die Prüfung. Fehler auf den Prüflingen können sehr schnell und sicher identifiziert und markiert werden. Da das Modell auf Basis von "Gut- Mustern“ trainiert wird, werden auch unbekannte (neue) Fehler erkannt.
Aufgabenstellungen und Herausforderungen bei der Inspektion von Tampondrucken
Zifferblätter
Inspektion der Qualität des Drucks (fehlerhaft, unvollständig)
Zur Inspektion von Zifferblättern werden Bilder aufgenommen und direkt im HMV-System verarbeitet. Das für die Verarbeitung und Bewertung zugrunde liegende Modell basiert auf einer repräsentativen Auswahl von Bildern von i.O.-Mustern.
Das Modell berücksichtigt akzeptable Varianzen des Drucks oder der Oberflächentextur so, wie sie in der Auswahl der i.O.-Muster vorkommen.
Nach dem Training ist das System bereit für die Prüfung. Fehler werden schnell und sicher identifiziert und markiert.
Taster
Inspektion der Qualität des Drucks (fehlerhaft, unvollständig)
Zur Inspektion von Tastern werden Bilder aufgenommen und direkt im System verarbeitet. Das für die Verarbeitung und Bewertung zugrunde liegende Modell basiert auf einer repräsentativen Auswahl von Bildern von i.O.-Mustern.
Das Modell berücksichtigt akzeptable Varianzen des Drucks oder der Oberflächentextur. Nach dem Training ist das System bereit für die Prüfung. Fehler werden schnell und sicher identifiziert und markiert.
Aufgabenstellungen und Herausforderungen bei der automatischen Inspektion von Elektrolumineszenz-Bildern
Solarzellen
Automatische Inspektion von Solarzellen anhand von Elektrolumineszenz-Bildern (z.B. Micro-Cracks)
Zur Inspektion von Solarzellen werden Elektrolumineszenz-Bilder aufgenommen und direkt im System verarbeitet. Das für die Verarbeitung zugrunde liegende Modell basiert auf einer repräsentativen Auswahl von Bildern ohne Fehler sowie auf gekennzeichneten Bildern mit Fehlern.
Aufgrund des sehr stark strukturierten bzw. texturierten Hintergrundes lassen sich Micro-Cracks am schwierigsten entdecken. Das Modell lernt, Micro-Cracks sowie andere Fehler von ähnlich erscheinenden Strukturen des Hintergrundes zu unterscheiden.
Nach dem Training ist das System bereit für die Prüfung. Fehler auf den Zellen können sehr schnell und sicher identifiziert und markiert werden.
Aufgabenstellungen und Herausforderungen bei der Inspektion von Stoffen / Geweben / Textilien
Textilien
Zur Inspektion von Textilien werden Bilder aufgenommen und direkt im System verarbeitet. Das für die Verarbeitung zugrunde liegende Modell basiert auf einer repräsentativen Auswahl an Bildern von Gut-Mustern. Diese repräsentieren Webmuster, Garneigenschaften, Farbausprägungen und tolerierte Unzulänglichkeiten. Das Modell lernt, Fehler von ähnlich erscheinenden Strukturen der Textilien zu unterscheiden.
Nach dem Training ist das System bereit für die Prüfung. Fehler auf den Textilien können sehr schnell und sicher identifiziert und markiert werden.
Aufgabenstellungen und Herausforderungen bei der Inspektion texturierter Oberflächen
Texturierte Oberflächen
Inspektion von texturierten Oberflächen (Kratzer, Schläge, Druckstellen, nicht tolerable Beschädigungen)
Zur Inspektion von texturierten Oberflächen werden Bilder aufgenommen und direkt im System verarbeitet. Das für die Verarbeitung und Bewertung zugrunde liegende Modell basiert auf einer repräsentativen Auswahl von Bildern ohne Fehler sowie auf gekennzeichneten Bildern mit Fehlern. Das Modell lernt, Fehler von ähnlich erscheinenden Strukturen der Oberflächen zu unterscheiden.
Nach dem Training ist das System bereit für die Prüfung. Fehler auf den texturierten Oberflächen können sehr schnell und sicher identifiziert und markiert werden.
Ziel ist es, dass Teilnehmer in der Lage sind, bestehende Modelle eigenständig auf Änderungen hin zu adaptieren.
Inhalt:
Dauer: 2 Tage
Schulungsort: i-mation Rottweil oder beim Kunden vor Ort
Anzahl Teilnehmer: max. 3
Sie möchten mehr über die Einsatzmöglichkeiten und Vorteile von Deep Learning erfahren?
Anruf oder E-Mail genügt.
info@i-mation.de
Tel. +49 741 942 286-00