Die Automatisierung in der Industrie erfordert zunehmend Vernetzung und Digitalisierung. Leicht zugängliche Bildverarbeitungs-Software ­ermöglicht Unternehmen aller Größenordnungen die Nutzung ohne ­Programmierkenntnisse.

Die Automatisierung in der Industrie schreitet unaufhaltsam voran. Entlang der gesamten Wertschöpfungskette ist ein Höchstmaß an Vernetzung und Digitalisierung gefragt. Unabdingbar hierfür sind Investitionen in die richtigen Technologien. Enormes Potenzial bietet die industrielle Bildverarbeitung (Machine Vision). Oftmals fehlen aber Personalkapazitäten und Programmierkenntnisse der Mitarbeiter, um Machine Vision effizient einzusetzen. Das muss aber nicht sein: Mit Easy-to-use-Bildverarbeitungs-Software, wie Merlic von MVTec, kann jedes Unternehmen einfach und schnell die Vorteile industrieller Bildverarbeitung nutzen – ganz ohne Programmierkenntnisse.

Was kann Machine Vision?

Es gibt eine Vielzahl an Anwendungen für die industrielle Bildverarbeitung. So können Objekte verschiedener Art und Form anhand äußerer Merkmale exakt identifiziert werden. Mittels OCR-Technologien werden Objekte nicht nur anhand von Form und Beschaffenheit, sondern auch anhand aufgedruckter Zahlen- und Buchstabenkombinationen erkannt. Werkstücke lassen sich nicht nur präzise positionieren und ausrichten, Machine Vision unterstützt Roboter auch dabei, Gegenstände exakt zu greifen, zu bearbeiten und abzulegen, ohne dass ein Mitarbeiter den Roboter bedienen muss. Dies trägt dazu bei, die gesamten Handling-Prozesse zu automatisieren und effizienter sowie sicherer zu gestalten.
Ob in der klassischen Fertigung, der Automobilproduktion, dem Maschinen- und Anlagenbau, der Elektronikfertigung, der Batterieproduktion oder auch in der Nahrungsmittel- und Getränkeindustrie – die industrielle Bildverarbeitung kann branchenübergreifend eingesetzt werden. Dabei arbeitet sie nicht nur sehr schnell, sondern auch sehr präzise. Die Verarbeitung großer Mengen an digitalen Bilddaten erfolgt in wenigen Millisekunden und liefert sehr genaue, zuverlässige und robuste Ergebnisse. So können Unternehmen durch moderne Bildverarbeitung enorm Kosten einsparen – sei es in der Montage, der Qualitätssicherung oder auch in der Logistik.

Professionelle Bildverarbeitungs-Software für Einsteiger

Die Integration professioneller Bildverarbeitungsanwendungen ist allerdings meist sehr aufwendig. Nicht so die All-in-one-Lösung von Merlic, die sich mittels aller gängigen Indus­triestandards und der Kompatibilität mit einer großen Bandbreite an Hardware problemlos in Anlagen integrieren lässt. Sie enthält alle notwendigen Funktionen wie Bildeinzug, Bildverarbeitung und Visualisierung, also die Darstellung der Ergebnisse in einem Frontend.
Besonders wichtig, insbesondere für Machine-Vision-Einsteiger ohne Programmierkenntnisse, ist der Easy-to-use-Aspekt. Die zum Erstellen der Machine-Vision-Applikation benötigten Werkzeuge lassen sich komfortabel per Drag & Drop in der grafischen Konfigurationsoberfläche auswählen. So lassen sich komplette Bildverarbeitungs­anwendungen schnell entwickeln und betreiben, ohne eine einzige Codezeile zu schreiben. Auch die Integration in bestehende Steuerungskonzepte ist jederzeit möglich.

Der zunehmenden Bedeutung von künstlicher Intelligenz (KI) im industriellen Kontext trägt Merlic mit integrierten Deep-Learning-Technologien Rechnung. Mithilfe von selbstlernenden Algorithmen können herausragende Ergebnisse bei der Objekt- und Fehlererkennung erreicht werden. Stehen die für das Training notwendigen Mengen an hochwertigen Bilddaten und entsprechend leistungsfähige Hardware nicht zur Verfügung, oder hat man es mit sehr hohen Produktionsgeschwindigkeiten zu tun, sind klassische, regelbasierte ­Verfahren die bessere Alternative. Auch dafür bietet Merlic viele industrieerprobte Verarbeitungswerkzeuge.

Easy-to-use-Software in der Praxis

Zwei Beispiele aus verschiedenen Branchen zeigen, welche Vorteile der Einsatz von Machine Vision in der Industrie bietet.

Lebensmittelindustrie: In der Lebensmittelindustrie liegen Produkte wie Kartoffeln oder Schokoriegel meist unsortiert auf dem Förderband, wenn sie zum Roboter-Packbereich befördert werden. Um dem Roboter das präzise Greifen in der chaotischen Szenerie zu ermöglichen, erfasst Merlic die Produkte mithilfe einer Kamera und übermittelt präzise Positionsdaten an den Roboter. Sobald die Lebensmittel in den Arbeits­bereich des Roboters gelangen, beginnt dieser, basierend auf den Daten der Bildverarbeitungs-Software, mit dem Handling der Produkte nach dem First-in/First-out-Prinzip. Die Maschine greift das am weitesten vorne liegende Produkt und deponiert es auf dem vorgesehenen Ablageort. Dabei werden die Koordinatensysteme der Software und des Roboters aufeinander abgestimmt, damit die Vision-Koordinaten exakt dem eingelernten Arbeitsbereich des Roboters entsprechen. Damit der Roboter auch unter erschwerten Bedingungen die Objekte präzise, robust und schnell findet, kommt die in Matching-Technologie von Merlic zum Einsatz. Dies ermöglicht dem Roboter, flexibel auf sich ändernde Variablen zu reagieren, etwa dann, wenn Konturen rotiert, skaliert, per­spektivisch verzerrt, teilweise überdeckt oder außerhalb des Bildes liegen.

Metallverarbeitung: Insbesondere bei der Inspektion komplexer Teile, wie beispielsweise Metallfedern, liefern Deep-Learning-basierte Technologien wie Global Context Anomaly Detection sehr gute Ergebnisse. Dabei nimmt eine Kamera für jedes Bauteil ein Bild von oben auf. Diese dienen als Grundlage für die Inspektion. Die Deep-Learning-Technologie verfügt dazu über zwei neuronale Netze. Das sogenannte lokale Netz prüft, ob kleinflächige Defekte wie Kratzer, Risse oder Verschmutzungen vorliegen. Das sogenannte globale Netz geht einen Schritt weiter und prüft auf logische Fehler, wie verbogene oder fehlende Klammern. Aus der Interferenz der beiden Netze ermittelt Global Context Anomaly Detection einen Anomaly Score. Dieser Wert wird anschließend mit dem im Vorfeld festgelegten Anomaly-Schwellenwert verglichen. Liegt der Score darüber, handelt es sich um ein fehlerhaftes Bauteil, das ausgesondert wird.

Der Inspektionsprozess mit Deep-Learning-Technologie bietet einen großen Vorteil gegenüber dem Einsatz einer regelbasierten Methode: Bei einem regelbasierten Ansatz müssen alle möglichen Arten von Defekten anhand von Schlecht-Bildern einzeln extrahiert und im Anschluss definiert werden. Für das Training der Deep-Learning-Methoden von Merlic hingegen werden nur Gut-Bilder benötigt.

Autor
Ulf Schulmeyer, Product Manager Merlic bei MVTec