6-2019

Bildverarbeitung

Bildverarbeitung Homogeneity Inspector: Machine Learning Tool für Detektion von Fehlern in Oberflächen • adaptive Mechanismen realisieren, die Anlagen flexibel und schnell wandelbar machen Bild 1: Der Nutzer hat einfache grafische Werkzeuge zur Verfügung Die Machine oder Deep Learning Methode ist eine richtige Revolution auf dem Markt für Bildverarbeitung. Sie ist eine neue Methode, welche viele Herausforderungen bewältigt, die an Systeme des Bildverstehens gestellt werden, die mit klassischer Bildverarbeitung nicht oder nur sehr schwer gelöst werden konnten. Es bestehen jedoch Aufgaben, bei denen die klassischen Methoden im Vorteil sind. Tabelle 1 zeigt eine kleine Entscheidungshilfe wann welches Verfahren besser geeignet ist. Vorteile von Maschinellem Lernen Die Vorteile von Machine Learning liegen auf der Hand. Mit Machine Learning lassen sich datengestützt: • unbekannte Zusammenhänge lernen • Prozesse modellieren Maschinelles Lernen in der Produktion Moderne Produktionsanlagen sind inzwischen höchst komplex. Prozesse sind miteinander vernetzt, Maschinen, Schnittstellen und Bauteile kommunizieren miteinander. Solche Industrieanlagen sind prädestiniert für die Optimierung durch Methoden des Maschinellen Lernens (ML). Denn sie ermöglichen es, anhand großer Datenmengen Vorhersagen zu treffen. Herausforderungen des Maschinellen Lernens Es gibt jedoch einige Herausforderungen zu meistern. Dabei wären zuerst einmal die hohen Anforderungen an die Rechenleistung der verwendeten CPU zu nennen. Nicht jede Recheneinheit hat genügend Power um sich für die ML-Anwendung zu eignen. Einige Deep-Learning-Ansätze erfordern eine hochgezüchtete Hardware. Die zweite Herausforderung ist der Trainingsaufwand und die dafür benötigten Datensätze. Die meisten Machine-Learning-Ansätze EVT Eye Vision Technology www.evt-web.com Bild 2: Der Homogeneity Inspector teilt die zu erwartenden Bilder in einzelne kleine Segmente ein 8 PC & Industrie 6/2019

Bildverarbeitung Machine Learning / Deep Learning Typische Anwendungen Oberflächeninspektion (Brüche, Kratzer) Nahrungsmittel-, Pflanzen-, Holzinspektion Kunststoffe, Spritzgussformen Inspektion von Textilien Bildgebung in der Medizin Typische Merkmale Flexible Objekte Variable Orientierung Der Kunde liefert eine beschränkte Spezifikation, sie enthält aber richtige und unrichtige Elemente Tabelle 1: Verfahrensmöglichkeiten fordern für das Gewinnen eines Klassifikators eine mehr oder minder große Menge an manuell klassifizierten Trainingsdaten. Normalerweise gibt es im industriellen Umfeld sehr viele Gut-Beispiele, aber nur wenige Fehler muster. Das bedeutet, dass nur sehr wenige Datensätze von fehlerhaften Teilen vorhanden sind und eingelernt werden können. Manche Fehler treten sehr selten auf haben aber eine hohe Relevanz und müssen so unbedingt erkannt werden. Eine Lösung ist daher der so genannte Ein-Klassen-Klassenifikator. Man trainiert in diesem Fall nur Gut-Teile, welche immer ausreichend vorhanden sind. Alles, was diesen Mustern nicht entspricht, ist fehlerhaft. Bild 3: Einteilung der Fehler in Kratzer oder Riefen Der Homogeneity Inspector Der EVT Homogeneity Inspector schließt die komplexe Funktionalität zu einem im Gebrauch unkomplizierten EyeVision Befehl zusammen, wobei der Nutzer einfache grafische Werkzeuge zur Verfügung hat, und nur wenige Parameter angefordert werden. Dadurch ist der Trainingsprozess einfach. Der Homogeneity Inspector teilt die zu erwartenden Bilder in einzelne kleine Segmente ein und durch die vorher definierte Fehlermöglichkeit findet er in jedem der Segmente entweder ein Gutteil oder einen Fehler. Daraufhin gibt er die Größe in mm² der einzelnen Fehler und die Gesamtfläche der Summe der Fehler im Bild aus. Klassische Bildverarbeitungsmethoden Typische Anwendungen Maßprüfung Ablesen von Codes Objekterkennung Robotersteuerung Druckinspektion Typische Merkmale Starre Objekte Festgelegte Orientierung Der Kunde liefert eine formalisierte Spezifikation mit Toleranzbereichen Metallbearbeitung und Automotive: Metallene Oberflächen Eine Anwendung ist das Finden von Oberflächenfehlern, eine weitere, wie im Bild zu sehen, die Einteilung der Fehler in „Kratzer“ oder „Riefen“. Dabei müssen auch bei metallenen Oberflächen zwei Eigenschaften unterschieden und algorithmisch behandelt werden: 1. typische Struktur und Beschaffenheit der Oberfläche 2. tgroßflächiges Aussehen, wie Farbe oder strukturelle Homogenität Der Homogeneity Inspector schafft es z. B. bei der Metallbearbeitung, in der Automotive Industrie oder in allen Bereichen der Metallverarbeitung Oberflächenfehler zu detektieren und einzuteilen. Denn bereits geringe Abweichungen im Autolack oder anderen metallischen Ober flächen führen zur Beeinträchtigung des visuellen Gesamteindrucks. Oft ist es ein Grund für Reklamationen oder Kundenunzufriedenheit. Ähnliche Fehlererkennungsmethode bei Metall lässt sich auch für Schweißnähte, oder Korrosionserkennung anwenden. Ein Anwendungsmöglichkeit wäre z. B. die automatische Erkennung von Kratzern auf Mietautos. Faserplatten oder andere strukturierte Oberflächen Bei der Oberflächeninspektion von Mineralfaserplatten oder anderen strukturierten Oberflächen geht es darum, Fehler in verschiedenen Musterungen zu finden. Auch hier wird aufgrund der selten auftretenden Fehler und daher geringen Schlechtteile, ein Ein-Klassen-Klassifikator auf die „guten“ Produkte angewendet. Wenn ein neues Design oder Muster angelernt werden muss, dann benutzt man eine möglichst große Anzahl an Stichproben (ca. 20 – 200 Stück) der aktuellen Produktion dieses Designs als einen repräsentativen Durchschnitt. Auch hier gilt es wieder zwei Eigenschaften zu unterscheiden und algorithmisch zu behandeln: 1. Erste Eigenschaft: Nadelung oder Textur in ihrer typischen Form und Struktur Die Nadelung einer Faserplatte ist kontrastreich sowie sehr gut zu segmentieren. Die Nadelstiche sollten im Gutfall geometrisch ähnlich und im Schlechtfall geometrisch auffällig. Es werden Features wie z. B.: Fläche, Rundheit, Achsenverhältnis, mittlerer Grauwert, usw. berechnet 2. Zweite Eigenschaft: großflächige Aussehen, wie z. B. der Farbauftrag, die strukturelle Homogenität, die Existenz oder das Fehlen der Struktur, ihre Verteilung usw. Zu den Oberflächen- und Designfehlern, die mit dem Homogeneity Inspector in der Produktion gefunden werden, gehören z. B. Verfärbungen, Farbkleckse und Abweichungen im Muster wie beispielsweise Löcher, Risse, usw. ◄ PC & Industrie 6/2019 9