KI für die Qualitätssicherung und Automatisierung

© Hörmle GmbH

Der Einsatz von Künstlicher Intelligenz (KI) und insbesondere Maschinellem Lernen in der Qualitätssicherung ermöglicht die Automatisierung von Prüfaufgaben, die bisher rein manuell durchgeführt werden.  Selbst Prüfprozesse, für die nur mit erheblichem Aufwand Regeln zur Qualitätskontrolle festgelegt werden können, lassen sich mithilfe von geeigneten Trainingsdaten und dem Erfahrungswissen des Prüfpersonals automatisieren und objektivieren. 

Als Basis für die lernenden Verfahren dienen meist optische Sensordaten in Form von Bildern oder 3D-Messdaten, die von den zu prüfenden Bauteilen aufgenommen werden. Typische Prüfaufgaben reichen hier von der Erkennung von Fehlstellen über die Klassifizierung von unterschiedlichen Fehlertypen bis hin zur Vollständigkeitsprüfung.

Weiterhin können Maschinen mithilfe von KI die Qualität der gerade produzierten Bauteile prognostizieren. Sie werten hierzu die Daten von integrierten Sensoren sowie Kenngrößen aus der Maschinensteuerung selbstständig aus und können somit frühzeitig Hinweise auf fehlerhafte Stellen im Prozess geben. Im nächsten Schritt kann dann KI-basiert der Produktionsprozess nachgeregelt bzw. optimiert werden. 

  • Wofür ist das gut?
    Um die Qualität von Laserschnittkanten an Blechen in Bezug auf Rauheit und Grate in Bildern automatisch zu beurteilen, haben Forscher am Fraunhofer IPA ein »Convolutional Neuronal Network« (CNN) und Deep Learning eingesetzt. Damit ist es ihnen gelungen, die Qualitätssicherung auf ein neues Niveau zu heben.

    Was ist neu?
    Es konnten Korrelationsraten für die Rauheits- bzw. Gratbewertung von 75 Prozent bzw. 85 Prozent erreicht werden. Im nächsten Schritt kann nun die Verbesserung der Schnittkantenqualität durch Optimierung der Bearbeitungsparameter erfolgen.

  • Wofür ist das gut?
    Für die zuverlässige Erkennung von Oberflächenfehlern, Verunreinigungen sowie Schwankungen in Artikel-Mustern im Serienprozess ist am Fraunhofer IPA ein adaptives, optisches Inspektionsverfahren entwickelt worden.

    Was ist neu?
    Basierend auf einem unüberwachten Lernverfahren passt sich das optische Prüfsystem automatisch an veränderte Oberflächenstrukturen an und ermöglicht eine robuste 100-Prozent-Prüfung im Prozess, die beispielsweise bei der Schlagstellenprüfung an Dichtflächen erfolgreich eingesetzt wird.

  • Wofür ist das gut?
    Maschinen tun sich bisher schwer, Altgeräte wie Autokatalysatoren korrekt zu identifizieren, da deren Zustand aufgrund von Korrosion, Verformungen oder Beschädigungen der Oberfläche oft schlecht ist. Deutlich bessere Ergebnisse liefert die selbstlernende Objektklassifikation.

    Was ist neu?
    Die ausrangierten Geräte werden zunächst dreidimensional mit einem Laserliniensensor erfasst und anschließend unter Verwendung verschiedener Merkmale (zum Beispiel Objektkontur, Bounding-Box, Krümmung, Regelgeometrie) auf Basis von Neuronalen Netzen in drei Stufen klassifiziert. Dabei erzielten die Forscher eine Klassifikationsrate von über 90 Prozent.

  • Wofür ist das gut?
    Die Kontrolle der Kammerbelegung von vielpoligen Steckern ist eine herausfordernde Aufgabe, da hier Kabel in vielen verschiedenen Farben, die verdrillt sein können, zum Einsatz kommen.

    Was ist neu?
    Forscher am Fraunhofer IPA haben zur Farbsegmentierung in Kamerabildern ein neuronales Feed-Forward-Netz erfolgreich trainiert und eingesetzt. Damit ist nun eine automatisierte, optische Erkennung und Trennung von Kabeln möglich, die als Basis für die Kabelverfolgung und Inspektion der Kammerbelegung dient.

  • Wofür ist das gut?
    In der Biologie und Pharmazie werden große Mengen von befruchteten Zebrafischeiern benötigt. Für die Unterscheidung von befruchteten und unbefruchteten Fischeiern ist die Anzahl der enthaltenen Zellen entscheidend. Ab vier oder mehr Zellen gilt das Fischei als befruchtet. Diese Unterscheidung wird bislang manuell durchgeführt.

    Was ist neu?
    Um befruchtete Fischeier automatisch zu identifizieren, wird von jedem Ei ein Kamerabild aufgenommen und durch ein Deep-Learning-Netzwerk, ein vielschichtiges »Convolutional Neuronal Network« (CNN), analysiert. Obwohl das Fischei bei der Bildaufnahme in beliebiger Orientierung vorliegt, wird im Ergebnis eine Erkennungsrate von 99,8 Prozent erreicht.