NeuroCheck Deep Learning

NeuroCheck als Plattform

Das Fundament für Deep-Learning Anwendungen

Deep-Learning wird zu einer immer wichtigeren Technologie in der herstellenden Industrie. Deshalb bietet NeuroCheck bereits seit über 25 Jahren selbstentwickelte Backpropagation-Netze zur Klassifikation von Bildinhalten und Objektmerkmalen an. Die dazu notwendigen neuronalen Netzstrukturen sind seit 1994 in die Bildverarbeitungssoftware NeuroCheck integriert. Mit zunehmender Rechenleistung, Cloud-Computing und schnellen Internet-Verbindungen entstehen neue Möglichkeiten für den Einsatz von Deep-Learning in der industriellen Bildverarbeitung. Kaum lösbare Inspektionsaufgaben werden machbar.

Technologiepartner für Deep Learning mit NeuroCheck (Abbildung © NeuroCheck)
Die NeuroCheck AI-Xtension eröffnet dem Anwender die Möglichkeit, sein eigenes Deep-Learning Know How direkt produktiv zu nutzen. Selbst entwickelte und trainierte Modelle lassen sich schnell und einfach in Produktionsprozesse integrieren.

Neuronale Netze können im TensorFlow– und ONNX-Format direkt in NeuroCheck eingebunden werden. Weitere Modellformate 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

NeuroCheck Prüfung einer Gummimanschette iO (Abbildung © NeuroCheck)

Prüfung der Gummimanschette » Fehlerhaft » NiO

NeuroCheck Prüfung einer Gummimanschette NiO (Abbildung © NeuroCheck)

Weitere Beispiele für Fehlerbilder

Gummimanschette - Beispiel für ein Fehlerbild (01) - Abbildung © NeuroCheck)
Gummimanschette - Beispiel für ein Fehlerbild (02) - Abbildung © NeuroCheck)
Gummimanschette - Beispiel für ein Fehlerbild (03) - Abbildung © NeuroCheck)
Gummimanschette - Beispiel für ein Fehlerbild (04) - Abbildung © NeuroCheck)
Gummimanschette - Beispiel für ein Fehlerbild (05) - Abbildung © NeuroCheck)
Gummimanschette - Beispiel für ein Fehlerbild (06) - Abbildung © NeuroCheck)
Gummimanschette - Beispiel für ein Fehlerbild (07) - Abbildung © NeuroCheck)
Gummimanschette - Beispiel für ein Fehlerbild (08) - Abbildung © NeuroCheck)

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.

NeuroCheck Deep-Learning - Bildaufnahme mit Überbelichtung (Abbildung © NeuroCheck)
Helligkeitsunterschiede wegen Überbelichtung
NeuroCheck Deep-Learning - Bildaufnahme eines weiteren Typen (Abbildung © NeuroCheck)
Beispiel für weiteren Typ
NeuroCheck Deep-Learning - Bildaufnahme mit Verschmutzung (Abbildung © NeuroCheck)
Erkennung der Schraube trotz Verschmutzung
NeuroCheck Deep-Learning - Bildaufnahme mit fehlender Sichtbarkeit (Abbildung © NeuroCheck)
Schraube nicht vollständig sichtbar
NeuroCheck Deep-Learning - Bildaufnahme mit Varianz (Abbildung © NeuroCheck)
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.

Kontakt zu NeuroCheck (Abbildung © designed by Pressfoto – Freepik.com)

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.

Haben Sie Fragen oder benötigen weitere Informationen zum Thema „Deep Learning in der industriellen Bildverarbeitung“, kontaktieren Sie uns bitte über unser Kontakt-Formular oder per E-Mail. 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