Automatisierten Inspektionssystemen zur Prüfung von Oberflächen auf Schadstellen und Defekte gehört die Zukunft im Qualitätsmanagement der Automobilindustrie. Das ermöglicht Automobilherstellern und ihren Zulieferern, die Qualität taktzeitoptimiert zu prüfen, Defekte und Fehler frühzeitig zu erkennen und schlussendlich Lieferketten und Produktionsprozesse besser managen zu können.
Die Automobilindustrie ist aufgrund des hohen Wettbewerbs und des dynamischen Verhaltens der Endkunden eine naheliegende Pionieranwendung, um die notwendigen Teilbereiche flexibel und intelligent auszurüsten. Dabei sollen Fehler in der Produktion aufgespürt werden, aber auch aus ermittelten Daten Rückschlüsse gezogen werden, die die Ursachen der Fehlerentstehung erschließen.
Hier bietet die Deep-Learning-Bildanalyse neue Möglichkeiten der effizienten, fehlerfreien Qualitätskontrolle. „Wo heute zwei Qualitätsmitarbeiter das Äußere eines kompletten Fahrzeugs in Augenschein nehmen, kann eine automatische Sichtprüfung dies in Zukunft fehlerfrei und ganzheitlich übernehmen“, erklärt Olaf Römer, Geschäftsführer der ATEcare Service GmbH Co.KG. Das Unternehmen ist Vertriebspartner des Kitov One, eines der modernsten Sichtprüfungssysteme auf dem Markt. Das vollautomatische, roboterbasierte System kombiniert 2D-, 3D- und Deep-Learning-Technologien, um industrielle Anwendungen zu ermöglichen, die bisher als zu komplex für eine automatisierte Inspektion galten.
Erkannte Oberflächenbeschädigung: Kratzer
Römer: „Dabei geht es nicht um ein weiteres robotergeführtes 3D-Meßsystem, wie es z. B. heute schon in der Automobilindustrie zum Vermessen von Spaltmaßen eingesetzt wird. Der Kitov One ist ein visuelles Oberflächeninspektionssystem, das es so in heutigen Fahrzeugfertigungen noch nicht in dieser flexiblen Form gibt. Es kann alle Parameter erkennen und vermessen, die ich über die Software auswähle und einlerne. D. h., dass ich die Inspektion auf jedes Produkt abstimmen kann. Ob Fahrzeug, Baugruppe oder andere Zulieferteile wie Felgen oder Schweinwerfer, alles kann so vor dem Einbau oder der Kundenübergabe kontrolliert werden. In Verbindung mit künstlicher Intelligenz (KI) ermöglicht diese Technologie ein ganzheitlicheres Bild des Prüflings und garantiert dabei einen möglichst effizienten Inspektionsprozess.“
Mittels KI kann ein solches System trainiert werden, Fehler zu klassifizieren und daraus Entscheidungen abzuleiten. Ein solches Deep-Learning-Verhalten kann zum Beispiel Tausende von Bildern einer Schraube erfassen und weiß nicht nur, wo sie sich befindet, sondern auch, ob sie den Ansprüchen der Qualitätsvorgaben genügt. „Das System weiß nicht nur, wonach es suchen soll, sondern kann auch entscheiden, ob sich das Ergebnis in den vorgegebenen Toleranzen bewegt“, erläutert Römer.
Dadurch, so Römer, lassen sich die erheblichen Kosten der Qualitätskontrolle in der Automobilherstellung und bei den vorgelagerten Zulieferunternehmen, reduzieren. „Vollautomatisierte Systeme, die im Laufe der Zeit lernen und sich verbessern sowie an die Umgebung anpassen, können die Kosten massiv senken und den Durchsatz erhöhen, was einen vielversprechenden Return on Investment für sehr viele Unternehmen darstellt. Denn Mithilfe der voreingestellten Algorithmen berechnet und steuert die Software die effektive Bildaufnahme und -verarbeitung.“. Mit dem System werden beispielsweise bereits Metall- und Kunststoffteile im hochpreisigen Pkw-Segment mittels der automatisierten Sichtprüfung auf Oberflächendefekte untersucht.
Das im Kitov One integrierte 3D-Vision-System erkennt reproduzierbar kritische Defekte, wie beispielsweise Oberflächenbeschädigungen an Metall- und Kunststoffteilen, Unregelmäßigkeiten aufgrund mangelhafter Lackierungen oder galvanischer Prozesse, fehlende Komponenten oder Sticker mit Sicherheitshinweisen, und verbogene Pins an Steckern und Anschlüssen. Damit ist der Brückenschlag von der Pionieranwendung Automotive zur Elektronikfertigung für diese Technologie absehbar.
Dort entwickelt ATEcare gemeinsam mit Kunden die optimale Prüfstrategie, setzt diese in Hard- und Software um und kümmert sich um die effiziente Einbindung der Elektronikfertigung. Die ersten Deep Learning-Anwendungen in diesem Umfeld werden nicht lange auf sich warten lassen.
