_Bildverarbeitung Deep
_Bildverarbeitung Deep Learning für die Qualitätssicherung Anomalien mit KI gezielt identifizieren Deep-Learning-Technologien erhöhen die Erkennungsraten in der industriellen Bildverarbeitung. Mit einem neuen Verfahren in MVTecs Halcon-Software lassen sich Anomalien einfacher aufspüren. Das Halcon-Feature Anomaly Detection erkennt Defekte, die im Vorfeld nicht bekannt sind. Bild: MVTec Moderne Lösungen für die industrielle Bildverarbeitung kommen heute nicht mehr ohne künstliche Intelligenz (KI) aus. Dazu zählt vor allem Deep Learning auf Basis von Convolutional Neural Networks (CNNs). Die Technologie lernt durch Training eigenständig dazu. Dabei werden aber je nach Anwendung mindestens 300 Bilder pro Klasse benötigt, auf denen das jeweilige Objekt mit dem Defekt zu sehen ist, etwa eine Delle, einen Kratzer, einen Riss oder eine sonstige Anomalie. Gerade wenn verschiedene Fehlertypen möglich sind, ist es aber oft nicht einfach, die benötigte Anzahl von Schlecht-Bildern zu sammeln, da einzelne Fehlertypen manchmal nur selten in der Produk - tion vorkommen. Hinzu kommt der Aufwand, all diese Bilder zu labeln. MVTec hat daher in die Machine-Vision-Standardsoftware Halcon seit der Version 19.11 ein Feature eingebaut, mit dem sich Anomalien schneller und einfacher erkennen lassen. Weniger Trainingsdaten So benötigt die Technologie Anomaly Detection eine weitaus geringere Menge an Trainingsdaten – verglichen mit traditionellen Deep-Learning-Verfahren: Lediglich 20 bis maximal 100 Bilder reichen für ein umfassendes Training des Netzes aus. Ein weiterer Vorteil: Anomaly Detection erfordert keine Schlecht-Bilder, wodurch der Aufwand für das Labeln der Trainings-Daten gänzlich entfällt. Als Trainingsbilder dienen dabei Motive, die das zu prüfende Objekt in einwandfreiem Zustand zeigen. Der Aufwand für den Trainingsprozess verringert sich dadurch signifikant. Die Zeit, die für das Training eines Modells benötigt wird, liegt nur im Minutenbereich. ↓ MVTec Software GmbH www.mvtec.com/de KI-Mehrwerte im Überblick: · Es werden keine Schlecht-Bilder für das Training benötigt · Der teils enorme Labeling-Aufwand entfällt Die Trainingszeiten sind sehr gering · Position und Ausmaß eines Fehlers/einer Anomalie können exakt ermittelt werden · Es werden auch Fehler gefunden, deren Aussehen vorab nicht bekannt ist 48 Dezember 2020
_Bildverarbeitung 3D-Bildverarbeitung mit Deep-Learning-Algorithmen Künstliche Intelligenz für lernfähige Inspektion ATE-Care erweitert sein Inspektionsportfolio um das intelligente Inspek - tionssystem Kitov One der Hahn-Group-Tochter Kitov: Das Robotersystem ermöglicht in Verbindung mit künstlicher Intelligenz (KI) neue Inspektionsmöglichkeiten. Der Einsatzbereich des Inspektionssystems Kitov One ist vielseitig. „Wir sehen Einsatzmöglichkeiten in der Elektronikproduk - tion, der Automotive-Zulieferindustrie, Luft- und Raumfahrt, in der Herstellung von medizinischen Geräten sowie im Maschinenbau und bei der Fertigung von Automatisierungslösungen“, so Olaf Römer, Geschäftsführer von ATE-Care, Spezialist für Test- und Prüfaufgaben. Das 3D-Universalsystem Kitov One nutzt eine Kombination aus 3D-Bildverarbeitung und Deep- Learning-Algorithmen. Durch die Nachahmung menschlicher Lernprozesse mittels Machine Learning bietet Kitov One eine intuitive Methode, mit der das System lernt, Produkte zu prüfen. Das Einrichten erfordert keine Kenntnisse in Programmierung, Robotik oder Optik. Die Software steuert die Prozesse der Bildverarbeitung mithilfe voreingestellter Algorithmen. Mensch begleitet das Einlernen Typische Fehler, wie beschädigte Bauteile, Kratzer, Oberflächenbeschädigungen, fehlerhafte Schrauben oder falsche Kennzeichnungen können durch Kitov One erkannt werden. Dazu gibt der Anwender lediglich die Außenmaße des zu inspizierenden Produktes an oder nutzt vorhandene 3D-CAD- Daten. Im Anschluss erstellt der Kitov One selbstständig ein 3D-Modell mit allen möglichen Ansichten. Im nächsten Schritt wird die KI eingesetzt. Aus riesigen Datenmengen und Bildern bietet das KI-System Inspektionen an, die automatisch platziert werden können. Mit einem ersten Vorgabeprodukt wird vorgegeben, welche Bereiche konkret geprüft werden sollen. Danach macht sich das System auf Fehlersuche. Dem Bediener werden diese Fehler angezeigt und er muss entscheiden, ob das Gezeigte in Ordnung, vielleicht akzeptabel oder definitiv ein Fehler ist. Dieses Vorgehen wird eine Zeitlang parallel durchgeführt, bis Kitov One die menschliche Betrachtungs- und Entscheidungsweise gelernt und übernommen hat. „Das erste System haben wir bereits verkauft. In diesem Fall wurden bisher in einem Vier-Augenverfahren die Endprodukte manuell inspiziert. Dies hat bis zu zwei Stunden je Produkt gedauert. Diese Zeit haben wir massiv reduziert, bei einem verbesserten Inspektionsergebnis“, freut sich der Geschäftsführer Römer. ↓ ATEcare Service GmbH & Co. KG www.atecare.de Das Roboter-Inspek - tionssystem Kitov One nutzt 3D-Bildverar - beitung und Deep- Learning-Algorithmen. Bild: Kitov/Hahn Dezember 2020 49
