Auf einer Fläche von mehreren Quadratmetern schnell einen Fehler zu finden, der nur ­wenige Mikrometer groß ist, ist eine Herkules-Aufgabe. Ein norddeutsches Unternehmen hat sich dieser Aufgabe gestellt und nur mit Standardkompenenten ein Inspektionssystem entwickelt, das die Fehler schnell auf dieser großen Fläche findet. Wie man bei der Entwicklung des Systems vorgegangen ist, welche Technik eingesetzt wird, um die Fehler schon beim Scannen zu finden und wie man die Daten validiert erfahren Sie hier.

Wie kann man eine Oberfläche von mehreren Quadratmetern manuell inspizieren, wenn diese verschiedene Fehler mit einer Größe von wenigen Mikrometern aufweist? Für solche Aufgaben wird ein automatisches Inspektionssystem benötigt, das große Objekte mit hoher Auflösung in angemessener Zeit analysieren kann. Der erste Schritt, um solch ein System günstig zu entwickeln, besteht meist darin, mechanische und optische Standardkomponenten für den Aufbau zu verwenden. Ungenauigkeiten, die durch diese Komponenten entstehen, können während des Scannens durch Software algorithmisch behoben werden - z.B. kann eine Bildregistrierung Positionierungenauigkeiten kompensieren.
Die Basis des Scanners bildet eine handelsübliche Megapixel-Kamera, ein makroskopisches Zoom-Objektiv und eine LED-Beleuchtung im Blitzbetrieb (siehe Abb. 1). Falls dreidimensionale Strukturen untersucht werden sollen, können auch komplexere Beleuchtungsvarianten eingesetzt werden wie z.B. photometrisches Stereo. Bei einer Bildrate von 20 Bildern pro Sekunde und einer Auflösung von 4 Mikrometern pro Pixel benötigt ein solches System etwa eine Stunde pro Quadratmeter (siehe Tab. 1 für eine ausführliche Betrachtung). Es würde allerdings Tage dauern, diese Fläche manuell nur mit Hilfe eines Mikroskops zu inspizieren, um eine aussagekräftige Entscheidung über die Qualität treffen zu können.

Dichte schätzen
Die schwierigste Aufgabe ist weniger die Erstellung eines großen hochaufgelösten Bildes, sondern vielmehr, Defekte zu detektieren und sie während des Scannens auszuwerten. Um nach dem Scannen die gesamte Fläche hinsichtlich der Fehlerdichte zu analysieren und eventuell Bereiche zu detektieren, die sehr wenige oder gar keine Fehler aufweisen, werden komplexe Algorithmen zur Dichteschätzung eingesetzt. Die Defekte können in zwei Gruppen eingeteilt werden: (a) mehr oder weniger gut spezifizierte Defekte, die für jeden Fehlertyp in ausreichender Zahl vorliegen und (b) Defekte, die eine beliebige (eventuell auch noch nicht spezifizierte) Abweichung von der gewöhnlichen Oberfläche darstellen. In beiden Fällen werden moderne Verfahren angewendet, die vom Maschinellen Lernen übernommen sind. Zur Detektion von beliebigen Abweichungen gegenüber einer regulären Oberflächentextur, wurden beispielsweise neue Ein-Klassen-Klassifikationsverfahren entwickelt [1].

Schlechte Produkte vermeiden
Methodisch äußerst anspruchsvoll, aber extrem wichtig bei dieser Art von Inspektionssystemen ist die Validierung. Dazu wird ein spezielles Verfahren verwendet, um die Bilder des Scanners mit denen eines komplexeren Aufnahmegerätes zu vergleichen, z.B. eines Raster-Elektronen-Mikroskops (siehe Abb. 3). In vielen Fällen werden mit solch einem Inspektionssystem Oberflächen analysiert, die in geringen Stückzahlen produziert werden, deren Produktion jedoch höchst ­kostenintensiv ist. Diese Oberflächen werden an mehreren Stellen im Produktionsprozess mit Hilfe umfangreicher Fehlerstatistiken untersucht, um einzelne Regionen oder das gesamte Werkstück rechtzeitig vor der Weiterverarbeitung ausschließen zu können. Über die Unterscheidung zwischen fehlerhaften und fehlerfreien Objekten hinaus, kann diese Analyse helfen, den Produktionsprozess an sich zu verbessern und schlechte Produkte ganz zu vermeiden. Die Einfachheit sowie die Geschwindigkeit des Scannens, die umfangreiche Fehleranalyse zusammen mit der Fehlerauswertung sowie der differenzierte Validierungsprozess helfen, den Produktionsprozess besser zu verstehen und zu optimieren.

Fazit
Insgesamt können mithilfe moderner Verfahren aus den Bereichen Maschinelles Lernen und Mustererkennung komplexe Fehlertypen und Abweichungen von spezifizierten Qualitätsstandards automatisch detektiert werden - auch im Falle von großflächigen Objekten mit sehr kleinen Defekten. Zusätzlich bilden die umfangreichen statistischen Fehlerauswertungen die Grundlage, den Produktionsprozess zu optimieren. Ein intelligentes Software-Design und Standardkomponenten ermöglichen somit ein hochwertiges Inspektionssystem mit geringen Kosten.

Literatur
[1] Fabian Timm, Sascha Klement, Thomas Martinetz, and Erhardt Barth. Welding inspection using novel specularity features and a one-class svm. In Proceedings of the Int. Conference on Imaging Theory and Applications, volume 1, pages 146-153, Lisboa, Portugal, 2009. INSTICC.