Neuronale Kompetenz seit über 25 Jahren
Im Zeichen von Industrie 4.0
Deep-Learning ist auf dem Weg, zu einer immer wichtigeren Technologie in der produzierenden Industrie zu werden. Besonders in der automatisierten Qualitätskontrolle mittels Bildverarbeitung sind dabei bereits heute große Fortschritte erkennbar. Bereits seit 25 Jahren setzt NeuroCheck selbstentwickelte Backpropagation-Netze zur Klassifikation von Bildinhalten und Objektmerkmalen ein. Die dazu notwendigen neuronalen Netzstrukturen sind seit 1994 in die Bildverarbeitungssoftware NeuroCheck integriert. Mit zunehmender Rechenleistung, Cloud-Computing und schnellen Internet-Verbindungen entstehen heute völlig neue Möglichkeiten für den Einsatz von Deep-Learning in der industriellen Bildverarbeitung. So werden bislang kaum lösbare Inspektionsaufgaben machbar.
NeuroCheck als Plattform » Das Fundament Ihrer Deep-Learning Anwendung
Sie haben bereits Deep-Learning Know How und eigene Modelle entwickelt und möchten die Ergebnisse schnell und einfach in Ihren Produktionsprozess integrieren? Mit NeuroCheck bieten wir Ihnen alle notwendigen Schnittstellen für Ihr Vorhaben.

Neuronale Netze können im TensorFlow– und ONNX-Format direkt in NeuroCheck eingebunden werden. Weitere Modelltypen wie CNTK, Pytorch, Keras, Watson und andere sind möglich. Dabei sind Prozessanbindung (Profibus, Profinet, EthernetIP usw.), Hardware-Unterstützung (2D, 3D Kameras) und Datenerfassung (Bilddaten, XML, Datenbank) als Fundament für Ihre Deep-Learning Anwendung bereits im Standardumfang von NeuroCheck vorhanden.
Hauptanwendungsgebiete » Erfolgreicher Einsatz, wenn es wirklich Sinn macht
Beispielanwendung » Prüfen einer Gummimanschette » Pseudofehlerrate um ein Vielfaches reduziert
Im Rahmen eines automatisierten Produktionsschritts wird eine Gummimanschette auf einen Träger aufgebracht. Dabei kann es zu Quetschungen und Stülpungen kommen, die wiederum die Dichtigkeit und damit die Funktion der Baugruppe beeinträchtigen. Die Problemstellung bei dieser Prüfaufgabe ist, dass die Fehlerausprägungen stark variieren und es unmöglich ist, eine quantitative Einteilung der Defekte vorzunehmen. Zusätzlich differieren die Bauteilabbildungen prozessbedingt in Größe, Position, Kontrast und Helligkeit. Mit klassischer Bildverarbeitung kommt es zu hohen Pseudofehlerraten mit zusätzlich hoher Gefahr für Schlupf. Durch den Einsatz eines Deep Learning Verfahrens konnte die Pseudofehlerrate um den Faktor >10 reduziert und damit die Erkennungsleistung signifikant verbessert werden.
Prüfung der Gummimanschette » Fehlerfrei » iO

Prüfung der Gummimanschette » Fehlerhaft » NiO

Weitere Beispiele für Fehlerbilder








Beispielanwendung » Identifikation und Lokalisierung von Schrauben
Neuronales Netz löst Prüfaufgabe
Für die Regelung eines automatisierten Verschraubungsprozesses ist die genaue Identifikation und Lokalisierung der Schrauben notwendig. In der Station wird eine Vielzahl unterschiedlicher Bauteiltypen mit variierender Anzahl an Schrauben, verschiedenen Oberflächen und Geometrien verarbeitet. Zusätzlich können die Schrauben leicht verdeckt bzw. nicht vorhanden sein, was zu einem Abbruch des Verschraubungsvorgangs führen muss. Auch bei dieser Anwendung gilt es, komplexe Umgebungsbedingungen zu meistern. Die Beispielaufnahmen zeigen verschiedene Helligkeitsniveaus, variierende Bauteilgrößen, Positionen und Schärfeebenen.

Helligkeitsunterschiede wegen Überbelichtung

Beispiel für weiteren Typ

Erkennung der Schraube trotz Verschmutzung

Schraube nicht vollständig sichtbar

Variierende Anzahl und Größe der Schrauben
Klassische Bildverarbeitungsverfahren erforderten die Erstellung und Anpassung spezieller Prüfprogramme für den jeweiligen Bauteiltyp. Ein Ansatz, der sich bei der hohen Variantenvielfalt als sehr aufwändig und praktisch nicht wartbar erwies.
Durch den Einsatz eines Neuronalen Netzes konnte die gesamte Aufgabe durch ein einziges Programm gelöst werden. Zusätzlich konnte die Robustheit der Erkennung bei sich ändernden Umgebungsbedingungen gegenüber dem klassischen Verfahren stark verbessert werden.
Ein NeuroCheck 6.2 KI-Xtension Beispielprojekt (CPU, GPU) finden Sie in unserem Download-Bereich.
Hinweis: Um die volle Funktionalität zu nutzen, benötigen Sie eine Zusatzlizenz.
Als kompetenter Partner helfen wir Ihnen gerne weiter
Unsere Arbeit in diesem Bereich basiert auf Deep-Learning und Machine Learning Algorithmen und reicht von der Grundlagenforschung über industriellen Wissenstransfer bis hin zur Implementierung von Deep Learning Systemen.

Wir freuen uns auf Ihre Kontaktaufnahme
Haben Sie Fragen oder benötigen weitere Informationen zum Thema “Deep Learning in der industriellen Bildverarbeitung”, kontaktieren Sie uns bitte über unser Kontakt-Formular, per E-Mail oder per Telefon +49 7146 8956-0. Unsere erfahrenen Experten beraten Sie kompetent und umfassend.
Copyright-Vermerk zu den verwendeten Fotos auf dieser Seite:
Abbildungen Header, Deep Learning © NeuroCheck
Abbildung Kontakt © designed by Pressfoto – Freepik.com