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 beinhaltet in der aktuellen Version die neuesten Netzmodelle für Ihre Prüfaufgaben.

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-Format direkt in NeuroCheck eingebunden werden. Weitere Modelltypen wie CNTK, 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

Als Pionier der industriellen Bildverarbeitung entwickeln und nutzen wir Neuronale Netze, die in modernen Deep Learning Anwendungen bereits erfolgreich zum Einsatz kommen. Dabei setzen wir diese komplexe und aufwändige Technologie nur dann ein, wenn es wirklich Sinn macht und Erfolg verspricht.

Klassifikation

Oft müssen Objekte oder Bereiche klassifiziert werden, z.B. bei der Anwesenheitskontrolle oder für die Identifizierung von „i.O.“- oder „n.i.O“-Teilen. In unserem Beispiel besteht die Schraube aus einem Gewinde und einem Schraubenkopf. Anhand vorgegebener Daten lernt ein Klassifikator die spezifischen Eigenschaften der Objekte und ordnet sie entsprechenden Klassen zu.

Objekterkennung

Existieren gleichzeitig mehrere zu klassifizierende Bereiche oder Objekte auf einer Abbildung, so kann mithilfe der Objektdetektion eine gleichzeitige Lokalisation und Klassifikation vorgenommen werden. In unserem Beispiel: Schrauben in verschiedenen Farben mit unterschiedlichen Gewinden und Schraubenköpfen.

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.

Vorteile, die für den Einsatz des Deep Learning Verfahrens sprechen

• Robust gegenüber Umgebungseinflüssen wie Helligkeit, Kontrastunterschiede, variierende Hintergründe
• Variierende Größe und Positionierung
• Hohe Varianz in Ausprägung der Fehlermerkmale

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.

Erkennung der Schraube trotz Verschmutzung

Schraube nicht vollständig sichtbar

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.

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.