Optische Qualitätssicherung durch automatisierte Bild­erkennung

Bei jeder Produktion entstehen durch verschiedenste Einflüsse Produkte, die nicht mehr den Qualitätsansprüchen genügen. Um diese aussortieren zu können, gibt es verschiedene Methoden. Die älteste Methode ist die visuelle Prüfung durch Mitarbeiter.

Durch sein hochentwickeltes und extrem improvisationsfähiges Gehirn ist der Mensch in der Lage, ein umfassendes und vollständiges Verständnis der Qualitätsansprüche auf das Produkt zu übertragen und bei entsprechender Abweichung intuitiv korrekt zwischen “fehlerfrei” und Ausschuss zu entscheiden.

Die automatisierte visuelle Inspektion in den Kinderschuhen

Im Zuge der Automatisierung durch Kostendruck und Wettbewerbsfähigkeit im sich kontinuierlich öffnenden internationalen Markt werden immer öfter Maschinen in der Qualitätskontrolle eingesetzt. Aufgrund der häufig existierenden Schwell- und Grenzwerte in den Qualitätsvorgaben sowie der meist notwendigen Nachvollziehbarkeit der Entscheidungen haben sich in diesem Zuge die regelbasierten Computer Vision Systeme durchgesetzt. Hersteller solcher Techniken haben sehr leistungsfähige Methoden geschaffen, die häufig den Menschen in Geschwindigkeit und Messgenauigkeit übertreffen. Jedoch erfordern diese Systeme äußerst homogene Verhältnisse in der Beleuchtung, dem Arbeitsabstand, der Kameraperspektive, dem Objekthintergrund usw. Auch die zu prüfenden Objekte und deren Oberfläche müssen einem hohen Maß an Homogenität entsprechen. Daher sind diese Maschinen häufig mit entsprechenden Kammern, innerhalb dieser die Homogenität gewährleistet ist, ausgestattet, was die Systeme sehr groß und kostspielig macht. Des Weiteren müssen häufig komplexe Entscheidungsbäume für jedes zu prüfende Produkt angefertigt werden. Zusammenfassend lassen sich diese Verfahren als komplexe, recht starre und auf einen sehr speziellen Fall zugeschnittene Expertensysteme bezeichnen, innerhalb derer sie jedoch sehr leistungsfähig agieren können.

Der hauptsächliche Grund für die notwendige Homogenität und die “Inselbegabung” dieser Systeme liegt in deren regelbasierten Ansatz. Ein Riss könnte bspw. als eine dunkle längliche Schattierung per Regeln in das System eingebracht werden. Durch eine Änderung der Beleuchtung ist es jedoch möglich, dass der Riss nicht eine Schattierung, sondern Aufhellung darstellt und somit ggf. nicht mehr zuverlässig erkannt wird, wenn dies in den Regeln nicht mit berücksichtigt wurde.

Der Mensch hingegen verinnerlicht sein Verständnis für einen Riss hauptsächlich anhand von Beispielen, dem im KI übertragenen Sinne “überwachten Lernen”, und seinem enormen Grundwissen über natürliche Gegebenheiten wie der Wechsel von Schatten und Reflexion bei sich verändernden Lichtverhältnissen. Der Mensch hat ein generelles Verständnis für einen Riss oder Lunker in einem Gussobjekt und kann diesen anhand weniger einzelner Beispielbilder daher trotz unterschiedlicher Beleuchtung, Farbe, Blickwinkel, Hintergrund etc. als solchen wahrnehmen. Das Prinzip des konzeptionellen, überwachten Lernens anhand von Beispielen ist auch die Grundlage von Maschinellem Lernen, welches durch automatisierte, hierarchische Merkmalsextraktion der Deep Neural Networks ergänzt wird, was zusammengefasst auch als Deep Learning bekannt ist. Natürlich hat ein noch so komplexes Künstliches Neuronales Netz nicht das gleiche Vorwissen, das ein Mensch einbringt, sondern muss dieses anhand vieler Beispielbilder auf einen speziellen Fall bezogen erlernen. Aber auch hier ist es so, dass der Einsatz vortrainierter Netze die Menge an Beispieldaten erheblich reduziert, da das Netz grundsätzliche Konzepte wie Kanten, Schattierungen oder auch Risse oder Kratzer in anderem Kontext bereits erlernt hat. Das Konzept dahinter wird Transfer Learning bezeichnet und ist tatsächlich auch eine Analogie zu den Lernkonzepten im Hirn vieler Lebewesen.

Mit Hilfe des Deep Learnings als Brückenschlag zwischen dem natürlichen, intuitiven Verständnis von Konzepten des Menschen und dem automatisierten Auswerten können aus beiden Welten die wesentlichen Vorteile genutzt werden. elunic nutzt diese Technologie mit AI.SEE™ bereits sehr erfolgreich in vielen Anwendungen: