Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«
Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«

Sichtprüfung von Produktvarianten mit 3D-Sensorik und ML-Verfahren

AI Explorer

Ausgangssituation

In der Produktion wird größter Wert auf die Qualität zugelieferter Bauteile und daraus gefertigter Produkte gelegt. Derzeit durchlaufen alle Teile zunächst eine manuelle, stichprobenhafte Sichtprüfung beim Wareneingang sowie eine vollständige Prüfung bei jedem Verarbeitungsschritt. Im Projekt soll das Potenzial ergründet werden, das mit automatischer Qualitätssicherung mittels Bildverarbeitung in Verbindung mit KI-Verfahren zur Erkennung von Partikel- und Lufteinschlüssen sowie Verunreinigungen an Kunststoff-Spritzgussbauteilen einhergeht. 

 

Lösungsidee

Die manuelle Sichtprüfung zur Qualitätssicherung wird beim Wareneingang, bei der Weiterverarbeitung sowie im Anschluss daran durch ein KI-basiertes, voll automatisches Sichtprüfsystem abgelöst. Dafür soll unter Verwendung spezifisch für die Fragestellung ausgewählter 2D- und 3D-Sensorik in Kombination mit state-of-the-art-Methoden zur Bildverarbeitung und Objekterkennung ein Prüfkonzept entwickelt werden, welches sich nahtlos in die bestehende Produktion einfügt und eine einfache Bedienung für alle Mitarbeitenden ermöglicht.

© Fraunhofer IPA

Nutzen

Das perspektivisch angestrebte KI-basierte Prüfsystem bietet eine automatische Sichtprüfung auf konstant hohem Niveau sowie eine chargenübergreifende Vergleichbarkeit, die die frühzeitige Identifikation von Problemen in der Produktion ermöglicht. Gleichzeitig werden Mitarbeiter*innen entlastet und stehen für anspruchsvollere Aufgaben bereit.

 

Umsetzung der KI-Applikation 

Es konnte ein Proof of Concept für die Erkennung relevanter Defekte an Spritzgussteilen erbracht werden. Dafür wurde zunächst eine auf die produktionsspezifischen Anforderungen der Ovesco Endoscopy AG zugeschnittene Bildverarbeitungs-Pipeline konzipiert und erforderliche Hardware (Kameras, Objektive, Netzwerktechnik) installiert. Der mit dem Setup erzeugte Bilddatensatz wurde annotiert, durch Data Augmentation erweitert und schließlich ein Neuronales Netz zur Defekterkennung erfolgreich trainiert.