Das Thema Künstliche Intelligenz (KI) in der Bildverarbeitung hat VITRONIC in dem Blogartikel „Die industrielle Bildverarbeitung wird intelligent“ näher betrachtet. In diesem Artikel gehe ich auf die Integration von KI in Bildverarbeitungssystemen ein und betrachte es an einem konkreten Beispiel aus der Schweißnahtprüfung – die Detektion und Klassifikation von Schweißspritzern.

Schweißspritzer mindern die Qualität sichtbarer oder für die Montage relevanter Oberflächen. Deshalb ist eine äußerst zuverlässige Erkennung unerlässlich.

Warum ist die Integration von KI von Vorteil? 

Die klassische Bildverarbeitung kommt bei sehr heterogenen Hintergründen und einer hohen Variation eines Fehlermerkmales an Grenzen.  Deshalb ist das Ergebnis der klassischen Kantenerkennung bei Spritzern nicht immer eindeutig. Bei KI fällt dieser Nachteil weg, da KI selbständig Muster erkennt, die Menschen selbst nicht wahrnehmen oder nicht quantifizieren können. So macht KI die BV flexibler und bei neuen Bedingungen lernt das System eben dazu.  

Spritzer-Detektion mit neuronalem Netz

Doch wie lässt sich die Beurteilung „nicht erlaubter“ Schweißspritzer in die Toleranz eines Prüfsystems übersetzen? Dazu bewerten Experten, welche Unregelmäßigkeiten die KI als Schweißspritzer klassifizieren soll. Mit diesen vorbewerteten Daten werden künstliche neuronale Netze (CNN) trainiert. Ein so eingelerntes Netz kann weitere Spritzer schon nach sehr kurzer Trainingsphase besser klassifizieren verglichen mit dem klassischen Ansatz.  

Wenn der Kunde unser VIRO WSI System kauft, dann kennt es schon 50 000 Ausprägungen von Schweißspritzern. Der Kunde muss es also nicht erst trainieren, die Arbeit hat ihm VITRONIC schon abgenommen.
Florian Steiner Leiter Produktmanagement Automation

Wichtig ist eine große Anzahl verschiedener Datensätze zum Fehlertyp, so dass später eine hohe Bandbreite unterschiedlicher Spritzer zuverlässig erkannt werden kann. Je mehr Inputdaten vorhanden sind, desto besser kann das Netz trainiert werden. 

Der Trainingsdatensatz bzw. genauer jede Auffälligkeit wird mit einem Label versehen. Diese Labels bilden die Zielwerte für das Training. 

Durch Abgleich des Ergebnisses mit dem Zielwert kann das CNN seine Neuronen allmählich trainieren, die erwartete Antwort zu geben
Durch Abgleich des Ergebnisses mit dem Zielwert kann das CNN seine Neuronen allmählich trainieren, die erwartete Antwort zu geben

Zu berücksichtigen ist, dass neuronale Netze nicht deterministisch sind. Es gibt bei der Fehlererkennung eine hohe Wahrscheinlichkeit aber keine Eindeutigkeit. Für diese Wahrscheinlichkeiten lässt sich dann ein Schwellwert setzen, ab der eine Klassifizierung als Spritzer erfolgt. Je niedriger der Schwellwert angesetzt wird, desto größer wird die Unsicherheit (100 % minus Schwellwert). Das wiederum bedeutet, dass es auch mit neuronalen Netzen Pseudofehler in der Klassifikation geben kann. 

Detektierte Schweißspritzer mit Fehlerwahrscheinlichkeit (Beispiel)
Detektierte Schweißspritzer mit Fehlerwahrscheinlichkeit (Beispiel)

Der Einsatz von KI muss abgewogen werden

Eine Inline-Prüfung erfordert die Einhaltung der gegebenen Taktzeiten der Produktionslinie. Daher ist in der Praxis, die benötige Prüfzeit ebenfalls von essenzieller Bedeutung.  

Zur Bewertung haben wir Gesamtauswertezeiten von klassischer und KI-gestützter BV verglichen. 

Bestimmte KI-Algorithmen (wie SSD Single Shot Detection) erreichten hierbei fast gleiche Geschwindigkeiten wie klassische Bildverarbeitung. 

Unter Berücksichtigung der höheren Genauigkeit der SSD-Methode stellt diese somit die bessere Alternative für die Prüfung von Schweißnähten dar. 

Wir arbeiten ständig an der Optimierung unserer Lösungen, so auch am SSD für Schweißspritzer. Mein Augenmerk ist dabei auf der weiteren Reduktion von Pseudofehlern bei mindestens gleich schneller Verarbeitung.
Daniel Heinze Entwickler VIRO WSI

Ausblick

Natürlich lässt sich KI nicht nur zum Klassifizieren von Schweißspritzern verwenden. So wird VITRONIC zukünftig KI auch bei anderen Fehlern wie Poren und Vertiefungen einsetzen. Das Potential ist groß, KI auf weitere Kriterien zu trainieren.

Fazit

Kurz gesagt

  • Ein gut trainiertes Netz liefert gute Ergebnisse 
  • Hohe Auswertegeschwindigkeit ist für Inline-Prüfung geeignet 
  • Höhere Kundenzufriedenheit durch steigende Prüf- und Produktqualität 

Zusammenfassung

Der Einsatz von künstlicher Intelligenz bietet Möglichkeiten, wo klassische Bildverarbeitung an Grenzen stößt.

Kaan Fidan

Kaan Fidan

Sales Manager
Die Künstliche Intelligenz ist ein essentieller Treiber in der digitalen Revolution. Sie bietet vielfältige Einsatzmöglichkeiten und enormes Potenzial für die industrielle Bildverarbeitung.

Follow me

Learn more

Schweißnaht­inspektion Achsbauteile
Solutions

Schweißnaht­inspektion Achsbauteile

Sicherheit statt Rückrufe
Schweißnaht­inspektion Batterieproduktion
Solutions

Schweißnaht­inspektion Batterieproduktion

Mit Leistung Marktanteile ausbauen

Related articles

Im Gegensatz zur klassischen Bildverarbeitung braucht Künstliche Intelligenz (KI) keine programmierbaren Regeln.
Smart Production

Die industrielle Bildverarbeitung wird intelligent

Im Gegensatz zur klassischen Bildverarbeitung braucht Künstliche Intelligenz (KI) keine programmierbaren Regeln. Das erleichtert vielfach den Einsatz.
the machine vision people
Ob in der Automation oder Verkehrstechnik: Mit unseren Systemen sehen unsere Kunden mehr. Die Kombination aus Hardware, Daten und intelligenter Auswertung macht Anwendungen und Analysen möglich, die bis vor kurzem undenkbar waren. Eine bisher verborgene Welt wird sicht- und nutzbar.
Hosted by