Deep Learning

Deep Learning in der Bildverarbeitung

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.


Deep Learning: Der nächste Schritt in der Bildverarbeitung

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 ...

  • zu großes Datenvolumen, um dieses zu skalieren
  • zu komplexe Aufgabenstellungen, um sie zu programmieren
  • nicht vorhandene bzw. eingeschränkte Gesetzmäßigkeiten und Regeln
  • unregelmäßige oder unbekannte Abweichungen von der Norm
  • zuverlässiges Identifizieren von Naturprodukten, bei denen es keine Gleichteile, sondern nur Unikate gibt  

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.


So profitieren Sie von Deep Learning

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.

Grundlegende Kennzeichen von Deep Learning:

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:

  • Keine aufwändigen Merkmals- oder Fehlerbibliotheken notwendig, da neue Fehler nicht notwendigerweise trainiert werden.
  • Einlernen neuer Produkte ohne großen Aufwand.
  • Steigende Performance des Systems mit wachsender Repräsentativität der Stichprobe an Bildern (höhere Erkennungsleistung und Robustheit gegenüber zulässigen Streuungen).
  • Erheblich bessere Ergebnisse im Vergleich mit den besten menschlichen Prüfern.
  • Keine Softwareentwicklung notwendig.
  • Lösen von anspruchsvollen Aufgaben, die sonst nicht zu programmieren sind.

Deep Learning in der Praxis

Hier finden Sie eine Auswahl der Anwendungsmöglichkeiten unserer DL-Technologien:


Aufgabenstellungen und Herausforderungen bei der Inspektion von bearbeiteten Werkstücken

  • Typischerweise gibt es viele verschiedene Typen mit komplexen Formen und Ausprägungen
  • Unterschiedliche Oberflächen und Oberflächeneigenschaften, abhängig von Werkzeugqualität und Qualität der Weiterverarbeitung, müssen toleriert werden
  • Manche Fehler sind nur sichtbar unter sehr speziellen Kombinationen von Beleuchtungs-, Kamera- und Prüflingsorientierung

 

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

  • Mehrere, nacheinander aufgebrachte Drucke können zu relativen, aber akzeptablen Verschiebungen führen (Registrationsproblem)
  • Variierende Tintenmengen resultieren in Zeichen oder Linien, die dicker bzw. dünner erscheinen
  • Zufällige Texturen des Trägermaterials (z. B. gebürstete oder anderweitig texturierte Metalloberflächen)

 

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

  • Sehr große Streuung der Lumineszenz von Zelle zu Zelle oder von Modul zu Modul ist technisch erwartet und toleriert
  • Fehler wie z. B. Micro-Cracks können sehr fein sein und sind auf dem höchst unregelmäßigen Hintergrund nur schwer wahrzunehmen
  • Es kann eine hohe Anzahl  unterschiedlicher Fehler auftreten. Dies macht es unmöglich, einen einfachen und robusten Algorithmus zu entwickeln, die Fehler zuverlässig zu entdecken und gleichzeitig den Anteil an Pseudofehlern gering zu halten

 

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

  • Hochkomplexe Stoffmuster und eine Vielzahl an Muster-Varianten. Damit sind einfache Methoden für die Inspektion ausgeschlossen.
  • Extrem stark variierendes optisches Erscheinungsbild. Verformungen durch die flexible Struktur des Stoffes oder auch andere Variationen, z. B. der Garndurchmesser, beeinflussen das Erscheinungsbild des Stoffes.
  • Fehler in Textilien können in unzähligen Formen und Typen ausgeprägt sein. Die Suche nach allen Fehlern stellt keine wirtschaftliche Option dar.

 

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

  • Texturierungen von Oberflächen gibt es in sehr vielen Typen und Varianten auf unterschiedlichsten Materialien
  • Produktionsprozesse sind so ausgelegt, dass zufällige Ausprägungen entstehen, was jedes Teil einzigartig macht
  • Fehler können in unzähligen Ausprägungen auftauchen, die sich nicht nur durch eine lokale Änderung des Kontrasts, sondern auch eine lokale Änderung der Textur zeigen

 

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.


Schulung

Grundtraining "Entwicklung ViDi - Modelle"

Ziel ist es, dass Teilnehmer in der Lage sind, bestehende Modelle eigenständig auf Änderungen hin zu adaptieren.

Inhalt:

  • Grundsätzliche Möglichkeiten der ViDi Software erlernen (ViDi red, ViDi blue, ViDi green)
  • Kundenspezifische / applikationsspezifische Themen, abhängig von der Implementierung

Dauer: 2 Tage
Schulungsort: i-mation Rottweil oder beim Kunden vor Ort
Anzahl Teilnehmer: max. 3

Unternehmen

Kontaktieren Sie uns

Sie möchten mehr über die Einsatzmöglichkeiten und Vorteile von Deep Learning erfahren?
Anruf oder E-Mail genügt.


Tel. +49 741 942 286-00