Automatisierung der Defect Recognition

Die Qualitätskontrolle in Fertigungslinien ist noch immer ein manueller Prozess. Lässt sich dieser Prozess mithilfe von Bildern und Videos automatisieren?

1

Das Falsche kennen, um das Richtige zu erkennen?

Die Qualitätskontrolle in Fertigungslinien ist noch immer ein manueller Prozess, der umfangreiche Ressourcen in Hinblick auf Kosten und andere Faktoren erfordert und zudem fehleranfällig ist. Lässt sich dieser Prozess mithilfe von Bildern und Videos automatisieren? Selbstverständlich. Allerdings ist für die Erstellung eines Modells für automatisiertes Lernen normalerweise eine große Anzahl von Bildern für das Training des Modells erforderlich. Dies mag kein Problem darstellen, wenn beispielsweise in einer Fabrik täglich Millionen von Artikeln produziert werden und man mithilfe eines Fotoapparats sehr viele Aufnahmen des Produkts erstellen kann. Die Schwierigkeit besteht vielmehr darin, dass entsprechende Algorithmen gewöhnlich Aufnahmen von defekten Produkten sowie auch von nicht defekten Produkten benötigen. Die einwandfreien Produkte ähneln sich untereinander, wogegen der Großteil der defekten Produkte einzigartig ist, weshalb sich ihre Beschaffenheit nicht vorhersagen lässt. Daher ist es extrem schwierig, Aufnahmen zu gewinnen, die alle diese Defekte darstellen. Das von uns entwickelte System ermöglicht dagegen die Erkennung von Anomalien, ohne dass für das Training Aufnahmen von defekten Produkten verwendet werden müssen. Auf diese Weise kann ein Qualitätssicherungssystem eingerichtet werden, das lernt, wie die Produkte aussehen müssen und wie Abweichungen von der Norm erkannt werden können. Mit anderen Worten: Es muss wissen, was richtig ist, statt jede mögliche falsche Form zu kennen.

2

Die Lösung, von der Sie immer geträumt haben

Die erstellte Lösung besteht aus zwei Teilen. Der erste ist das Training des Modells für automatisiertes Lernen unter ausschließlicher Verwendung korrekter Produktbeispiele. Um dieses Ziel zu erreichen, wurde ein Deep Learning-Algorithmus namens Autoencoder verwendet. Der zweite Teil ist die Erstellung von Aufnahmen von einer in Hochgeschwindigkeit laufenden Fertigungslinie und deren Aufbereitung für den Algorithmus für automatisiertes Lernen. Um die Funktionsweise der Lösung zu veranschaulichen, die bereits erfolgreich in der industriellen Anwendung umgesetzt und erprobt wurde, stellen wir uns eine Fertigungslinie für sehr kleine Bonbons, wie zum Beispiel Pfefferminzdrops, vor, in der Defekte erkannt werden sollen.

3

Die Magie des Autoencoders

Den Kern der Lösung bildet ein als Autoencoder bezeichnetes neuronales Netz, das mit einer großen Anzahl von Bildern trainiert wurde. Die Besonderheit dieser Methode besteht darin, dass für das Training des neuronales Netzes ausschließlich Aufnahmen einwandfreier Produkte verwendet werden, ohne jegliche Fehlerklasse. Mit diesem Ansatz kann das erstellte Modell schließlich jede Art von Abweichung vom normalen Produktaussehen erkennen, und zwar sowohl bereits aufgetretene als auch neue Defekte. Ein Autoencoder, wie hier in Abbildung 1 schematisch dargestellt, ist eine besondere Variante eines künstlichen neuronalen Netzes, das in der Lage ist, durch Unsupervised Learning Codierungen zu erstellen: Der Autoencoder erhält einen Datenwert ohne Angabe von dessen Bedeutung und lernt dann selbstständig, welche Eigenschaften für den Datenwert typisch sind und welche nicht. Ein Autoencoder besteht aus einem Encoder und einem Decoder. Der Encoder erhält die Eingangsdaten und verwandelt diese in eine interne Darstellung. Der Decoder akzeptiert diese interne Darstellung und erstellt die Ausgangsdaten. Der Layer mit der internen Darstellung ist gewöhnlich kleiner als der Ein- und Ausgabe-Layer und wird als Bottleneck Layer bezeichnet.

Die Autoencoder sind darauf trainiert, Ausgabedaten zu generieren, die den Eingabedaten möglichst ähnlich sind. Das Ganze erinnert an einen Vorgang des Kopierens und Einfügens, allerdings mit einem kleinen Geheimnis dazwischen. Das Geheimnis der Autoencoder liegt in den Layern mit der internen Darstellung. Diese Layer bilden einen Engpass (Bottleneck) für die in den Trainingsdaten enthaltenen Informationen. Da die Bottleneck Layer in der Regel viel kleiner sind als die Eingabe-Layer, ist der Autoencoder-Code gezwungen, nur die grundlegenden Dateneigenschaften zu erfassen. Diese Eigenschaft kann zur Erkennung von Anomalien eingesetzt werden: Sobald eine Anomalie auftritt, kann diese vom automatischen Encoder nicht in effizienter Weise nachgebildet werden, weil sich während des Trainingsprozesses in dem neuronalen Netz keine Struktur gebildet hat, die diese Anomalie darstellen könnte. Wenn nun also die Ausgabedaten des Autoencoders mit seinen Eingabedaten verglichen werden, ergibt dies eine erhebliche Differenz und man kann davon ausgehen, dass eine Anomalie vorliegt. Der Autoencoder führt eine automatische „Zuweisung“ der Defekte durch, sodass deren jeweilige Positionen auf die Art des Defekts hindeuten. Diese Abweichungen können nähere Informationen zur Art des Defekts liefern (beispielsweise „zerbrochen“ oder „eingedellt“).

4

Wie kommt man vom Algorithmus zur konkreten Defekterkennung?

Der zweite Teil der Lösung betrifft die Art und Weise, wie der Autoencoder-Algorithmus in die Fertigungslinie für Pfefferminzdrops integriert wird. Die angewandte Lösung beruht auf der Erfassung von Aufnahmen, die während des Herstellungsprozesses von den Bonbons gemacht werden. Da die erfassten Aufnahmen jeweils mehr als ein Bonbon zeigen können, müssen sie unterteilt werden, um eine Ansicht des einzelnen Produkts zu liefern. Mit den Bildern vom einzelnen Produkt kann dann das automatische Lernen des Autoencoders erfolgen.

5

Zukünftige Entwicklungen

Wie in unserem Beispiel gezeigt, ermöglicht das entwickelte System eine zuverlässige Erkennung von Defekten in der Fertigungslinie für Pfefferminzdrops, wobei auch die Position und Art der Abweichung bestimmt wird. Die Lösung lässt sich ganz einfach auf andere Arten von Problemstellungen übertragen und ermöglicht eine zuverlässige automatische Erkennung von Anomalien. Der große Vorteil dieses Verfahrens ist, dass keine Beispiele für defekte Objekte für das Training benötigt werden und dass Abweichungen von der Norm stets erkannt werden können. Neben der Anwendung in der Qualitätskontrolle durch Sichtprüfung kann die Lösung auch für die prädiktive Wartung eingesetzt werden. Die Sensordaten können insbesondere zur ersten Erkennung von Abweichungen im Produktionsprozess dienen. Allerdings können manche Oberflächendefekte besonders schwierig zu erkennen sein. Für diese Fälle könnte man versuchen, mit verschiedenen Arten von Beleuchtung und Kameras Aufnahmen in bestimmten Wellenlängen zu gewinnen.