Optische Qualitätskontrolle ist in der Produktion unverzichtbar – vom Wareneingang über den Zwischencheck bis zur Warenendkontrolle. Längst setzen QS-Mitarbeiter*innen dabei nicht nur auf das eigene »aufmerksame Auge«. Automatisierte Systeme unterstützen sie mit Kamerablick, Bildauswertung und Künstlicher Intelligenz, um Qualitäten zu erkennen. Diese Systeme einzurichten ist allerdings aufwändig. Denn sie müssen je nach Produktvariation immer wieder neu »angelernt« werden. Jetzt haben Fraunhofer-Forscher*innen einer Qualitäten-KI beigebracht, sich über Nacht selbst zu trainieren.

iO oder niO? Ein kleiner Buchstabe kennzeichnet den Unterschied, ob eine Baugruppe den Qualitätscheck bestanden hat, also in Ordnung ist und in der Produktlinie bleibt. Oder ob sie als niO-Teil aussortiert werden muss - zum Nacharbeiten oder als Ausschuss. Oft ist der Unterschied zwischen Soll- und Ist-Zustand nur minimal: eine im Bereich eines Millimeterbruchteils verfehlte Bohrung, eine fehlende kleine Schraube oder ein Bauteil, das nicht akkurat im korrekten Winkel sitzt. Aber so klein der Produktionsfehler auch sein mag - er ist nicht nur qualitätsmindernd, sondern häufig auch funktionsentscheidend. Ein Produkt muss perfekt sein, damit es nachhaltig funktioniert und sicher genutzt werden kann – ganz gleich, ob es sich dabei um eine Kaffeemühle, ein Spielzeug, ein Auto oder eine CNC-Fräsmaschine handelt. 

Die optische Qualitätskontrolle der fertigen oder teilfertigen Produkte ist deshalb einer der wichtigsten Schritte im Laufe der Produktion. Zum Beispiel immer dann, wenn eine Baugruppe fertig ist und zur Weiterverarbeitung bereitgestellt werden soll. Automatisierte Prüfsysteme, die jedes Bauteil unter ihre Kameralupe nehmen und via KI-Bildanalyse Abweichungen vom Soll-Zustand erkennen, können diese präzise Form der optischen Qualitätskontrolle nahezu fehlerfrei leisten.

Jede Menge händische Arbeit

»Die Crux dabei ist bisher aber der Aufwand, den Prüfingenieur*innen betreiben müssen, bis das System die produktspezifischen Kontrollaufgaben zuverlässig beherrscht«, erklärt Holger Graf vom Fraunhofer-Institut für Graphische Datenverarbeitung IGD. Bevor die automatisierten Qualitätskontrollen möglich werden, ist jede Menge händische Arbeit nötig: Zunächst müssen die Prüfingenieur*innen Beispielbilder aufnehmen – möglichst zahlreich und sowohl von fehlerfreien Bauteilen als auch von solchen, die mit unterschiedlichsten Fehlern behaftet sind. Danach ist es erforderlich, jedes Bild einzeln und umfangreich zu annotieren, um zu beschreiben, welche Bilddetails bei der Qualitätsprüfung relevant sind und welche Fehler auf dem Bild zu erkennen sind. Erst wenn dieses Trainingsmaterial in ausreichender Menge zur Verfügung steht, kann die KI lernen, wie sie iO und niO-Teile voneinander unterscheidet. »Doch sobald sich eine Kleinigkeit an Aussehen oder Aufbau der Baugruppe ändert oder wenn das Unternehmen eine Vielzahl an Varianten ihrer Produkte anbietet, dann muss das gesamte, zeit- und kostenaufwendige Prozedere erneut und erneut durchgeführt werden«, betont Graf. Er und sein Team am Fraunhofer IGD entwickelten deshalb das Qualitätssicherungssystem »MARQUIS«. Der Clou dabei: Das aufwändige und wiederholte Erstellen von Trainingsbildern für die KI wird entbehrlich.

KI lernt Praxiswissen ohne Praxis

Statt händisch annotierte Beispielbilder bereitzustellen, genügt es bei »MARQUIS«, die CAD-Daten einzuspielen – die Konstruktionsdaten der zu prüfenden Baugruppe und jeder Einzelkomponente, die auf der Stückliste stehen. Die Prüfingenieur*innen müssen nur noch wenige zusätzliche Angaben hinterlegen, etwa die Festlegung der relevanten Prüfpunkte und Prüfkriterien. Aus den CAD-Modellen berechnet die Software danach synthetische Referenzansichten. Das Forscher*innenteam entwickelte dafür unter anderem spezielle Rendering-Verfahren, die hochaufgelöste, fotorealistische Abbildungen der Baugruppe und ihrer Komponenten erzeugen. Ein zentraler Punkt ist, dass das Verfahren sich dabei nicht auf die CAD-Daten der gesamten Baugruppe beschränkt, sondern auch das Modell jeder Einzelkomponente der Stückliste miteinbezieht. Nur so ist es möglich, auf die bereits absolvierte, »alte« Erfahrung der KI aus vorangegangenen Prüfaufträgen zurückzugreifen. Das System kann nun also in einem Selbstlernprozess iO- und niO-Zustände, beispielsweise einer speziellen Verschraubung an anderen Baugruppen, auf die neue Prüfaufgabe adaptieren. »Damit wird es erstmals möglich, eine vollautomatisierte, KI-basierte Qualitätsprüfung durchzuführen – selbst dann, wenn das Prüfsystem die entsprechende Baugruppe noch nie zuvor als reales Objekt gesehen hat«, resümiert Graf. Zudem seien nun sowohl Änderungen einer eintrainierten Konstruktion, als auch die Erweiterung der KI-Erkennung auf zusätzliche, neue Produktvarianten möglich. Und das nur innerhalb weniger Stunden Selbsttraining.

Automatisierte Qualitätsprüfung wird mobil

An Prüfstationen, bei denen die Kamera-Arrays fest verbaut sind - beispielsweise über einem Transportband, auf dem die Bauteile unter dem Array vorbeifahren – erzielt das »MARQUIS«-System hinsichtlich Erkennung und Klassifizierung von Prüfmerkmalen eine Zuverlässigkeit von rund 95 Prozent. Jedoch lässt sich das System auch für einen mobilen Einsatz verwenden, beispielsweise in Kombination mit einem Tablet. »Im Vergleich zu einem stationären Aufbau sind die Anforderungen an das System dabei erheblich komplexer«, betont Graf. Denn der Blickwinkel, mit dem die Kamera das Objekt erfasst, ist nicht mehr fest vorgegeben. Vielmehr verändert er sich mit jeder Bewegung des Tablets kontinuierlich. Für den Mobileinsatz haben die Forscher*innen ihre Software deshalb nochmals erweitert: Sie ist nun in der Lage, ihre Rechenroutinen laufend nachzusteuern und das aus den CAD-Daten generierte Erkennungsmodell mit dem realen Kamerabild in Übereinstimmung zu bringen. 

Mobil wird »MARQUIS« beispielsweise genutzt, um einen Ad-hoc-Qualitätscheck im Fertigungsverlauf durchzuführen. Oder um die Qualität von Bauteilen beim Wareneingang zu überprüfen. Das System kontrolliert und dokumentiert dann die Vollständigkeit der verbauten Komponenten oder vermisst Lage und Geometrien von Bohrungen oder Ausschnitten. Zusätzlich unterstützt das System die Prüfingenieur*innen bei der Erstellung von Prüfberichten zum Beispiel mit Ansichten, die im Live-Kamerabild erkannte Objekte und ihre Klassifizierung als farblich codierte Überlagerungen einblenden. 

(ted)

Keine Kommentare vorhanden

Das Kommentarfeld darf nicht leer sein
Bitte einen Namen angeben
Bitte valide E-Mail-Adresse angeben
Sicherheits-Check:
Sechs + = 10
Bitte Zahl eintragen!
image description
Experte
Alle anzeigen
Holger Graf
  • Fraunhofer-Institut für Graphische Datenverarbeitung IGD
Weitere Artikel
Alle anzeigen
»Die Verantwortung muss beim Menschen bleiben.« 
CoBot
Meine Empfehlung
Stellenangebote
Alle anzeigen