Bildverarbeitungsinspektion:Handwerkszeug

Die automatisierte In-Prozess-Inspektion von Teilen und Produkten wird mit Bildverarbeitungstechnologien seit Jahrzehnten in einer Vielzahl unterschiedlicher Anwendungen für nahezu alle Industrie- und Herstellungsverfahren erfolgreich durchgeführt. Auch wenn keine harten Zahlen existieren, ist die Behauptung plausibel, dass Inspektionsaufgaben wahrscheinlich die Anwendungslandschaft der Bildverarbeitung dominieren. Dennoch entstehen weiterhin neue Machine-Vision-Technologien und -Software, die das Wertversprechen und die einfache Implementierung der automatisierten Inspektion weiter verbessern. Der Schlüssel zum Erfolg für Endbenutzer liegt darin, sowohl die ausgereiften als auch die neuen Werkzeuge des Handels zu verstehen und wie diese Tools am besten implementiert werden können.

Inspektionsübersicht

Die Vielfalt der prüfrelevanten Aufgaben in Automatisierungsprozessen macht es schwierig, jeden möglichen Anwendungsfall zu benennen. Im Allgemeinen umfassen einige der wichtigen Kategorien die Baugruppenüberprüfung, das Vorhandensein/Fehlen von Merkmalen, die Fehlererkennung (in vielen Formen) sowie die Produktidentifizierung und -differenzierung. In allen Fällen ist es wichtig, sich daran zu erinnern, dass maschinelles Sehen ein wichtiger Bestandteil der Konzepte von Big Data und Industrie 4.0 sein kann.

Bei der Implementierung von Machine Vision Inspektionen für die industrielle Automatisierung liegt der vielleicht wichtigste Wertbeitrag darin, wie die Ergebnisse der Inspektion verwendet werden können. Mehr als nur Qualitätsprüfung Die durch die maschinelle Bildprüfung gewonnenen Informationen können für die Verbesserung der Effizienz des umfassenderen Prozesses von entscheidender Bedeutung sein und somit dazu beitragen, die Gesamtproduktions- und Automatisierungskosten zu senken.

Imaging — Die Grundlage jeder erfolgreichen Anwendung

Es muss immer wiederholt werden, dass ein qualitativ hochwertiges Bild unabhängig vom Anwendungsfall oder der Analysemethode die kritische Grundlage jedes Bildverarbeitungsprojekts ist. Ein Qualitätsbild ist definiert als ein Bild mit der richtigen Auflösung und dem richtigen Kontrast, um die interessierenden Merkmale (Objekte, Teile, Defekte) im gewünschten Sichtfeld hervorzuheben. Die richtige Designspezifikation umfasst die Abbildungskomponente selbst sowie zugehörige und erforderliche Komponenten, einschließlich Beleuchtung und Optik.

Für viele Inspektionsanwendungen, die ein geeignetes Bildgebungsdesign verwenden, ist 2D-Graustufen weiterhin die am weitesten verbreitete Technologie. Fortschritte bei Geschwindigkeit und Auflösung bei Sensoren und Kameras ermöglichen mehr Anwendungsfälle, die zuvor möglicherweise unerreichbar oder zu komplex waren, um praktikabel zu sein. Mit der Verfügbarkeit von Kameras mit Sensorauflösungen von 12 MPixel bis 50 MPixel und höher wird die Erkennung kleinerer Merkmale in größeren Sichtfeldern einfacher und kostengünstiger. Bald könnte die Bildaufnahme mit 5–10 MPixel als Standard statt als hohe Auflösung angesehen werden.

Smart-Kameras, eine zentrale Bildverarbeitungstechnologie, erfreuen sich weiterhin wachsender Prüfaufgaben und bieten regelmäßig höhere Auflösungen und schnellere Verarbeitung. Darüber hinaus gab es bedeutende Entwicklungen bei Standardkameraarchitekturen, die eingebettete Verarbeitung unter Verwendung von FPGAs und anderen Computerplattformen beinhalten. Diese Komponenten eignen sich gut für Inspektionsanwendungen, die für mehrere doppelte Installationen skaliert werden können, um die damit verbundenen geringeren Kosten für einige dieser Arten von Komponenten zu nutzen.

Über 2D- und Graustufenbilder hinaus

Machine Vision-Komponenten, die 3D-Informationen einer Szene erfassen, sind mit einer Vielzahl von Bildgebungsmethoden und Implementierungstechniken leicht verfügbar. Die 3D-Bilder liefern eine topografische Darstellung der Oberflächengeometrie eines Objekts, während die 2D-Bildgebung ein Bild des Kontrasts (Graustufen oder Farbe) auf der ebenen Oberfläche eines Objekts erfasst. Die 3D-Daten ermöglichen oder verbessern Prüfaufgaben mit Merkmalen oder Defekten mit mehr geometrischer Struktur als Kontrast. Die Verwendung von 3D-Systemen ist erheblich einfacher geworden, und wie bei ihren 2D-Gegenstücken werden Auflösung, Geschwindigkeit und Genauigkeit immer weiter ausgebaut.

Wie bereits erwähnt, verwenden viele Inspektionsanwendungen für maschinelles Sehen Kameras, die ein Graustufenbild eines Objekts liefern (auch monochromatisch genannt, da es sich um ein farbloses oder im Wesentlichen einfarbiges Bild handelt ). Einige Anwendungen können jedoch von Farbbildern profitieren oder müssen sich darauf verlassen, um die für die Analyse erforderlichen Informationen bereitzustellen. Standardkameras sind für Machine Vision verfügbar, die ein RGB-Bild (rot, grün, blau) erfassen. Bei richtiger Integration können diese Komponenten die Zuverlässigkeit der Merkmalsanalyse verbessern, wenn die Farbe Teil der definierenden Merkmale des Objekts oder Fehlers ist. Während die meisten Farbkameras auf dem Markt ein Filtersystem auf dem Sensor (Bayer-Filter) verwenden, sind auch fortschrittliche Kamerakomponenten erhältlich, die das eingehende Bild zur besseren Auflösung und Farbdifferenzierung optisch in drei Vollformatkanäle (normalerweise RGB) aufteilen.

Bildgebung jenseits des Sichtbaren

Obwohl es nicht neu ist, aber in den letzten Jahren immer weiter verbreitet wurde, kann eine noch leistungsfähigere Farbbildgebungstechnik namens hyperspektrale Bildgebung und ihre nahe verwandte multispektrale Bildgebung diskretere und granularere Farben liefern Analyse. Diese Kameras sammeln mehrere – manchmal Hunderte – von Bildern einer einzelnen Szene, jedes mit einer anderen schmalen Bandbreite an Spektralinformationen aus der Szene. Diese Art von Komponenten kann mit einer speziellen Klassifizierungssoftware eine spektrale Inspektion von Materialien durchführen oder sogar die chemische Zusammensetzung erkennen. Viele Branchen wie die Lebensmittel-, Pharma- und Recyclingindustrie profitieren von dieser Art der Inspektionsmöglichkeit.

Wir erweitern die Farbbildgebung weiter und finden Komponenten, die Bilder mit unsichtbarer Beleuchtung und sogar thermischer Energie erzeugen können. Allgemein kann dies als Infrarot (IR)-Bildgebung bezeichnet werden. Anwendungen, die nahes Infrarot (NIR), kurzwelliges Infrarot (SWIR) und langwelliges IR (Wärmebildgebung) abbilden, bieten Ansichten von Objekten, die bei sichtbaren Wellenlängen nicht gesehen werden. Diese Fähigkeit kann in vielen Inspektionsanwendungen von großem Vorteil genutzt werden, von der Erkennung von Verderb in Lebensmitteln über das Durchblicken von undurchsichtigen Kunststoffbehältern bis hin zur Bestätigung von Füllständen.

Einfachere Inspektionsimplementierung

Die Algorithmen und Softwaretools, die bei Inspektionsaufgaben für maschinelles Sehen verwendet werden, sind ziemlich ausgereift und zuverlässig. Insgesamt sind beim Arbeiten mit einem zuverlässigen Bild viele Inspektionsaufgaben einfach zu realisieren. Es sind neue Technologien entstanden, die das Potenzial haben, die bestehenden Bildverarbeitungstools zu erweitern, um weitere Fähigkeiten und unterschiedliche Verarbeitungsansätze bereitzustellen.

Die am meisten verbreitete dieser Technologien ist Deep Learning. Deep Learning für Machine Vision ist gezielt und gut geeignet für Inspektionsanwendungen und wird erfolgreich auf eine wachsende Zahl von Inspektionsanwendungen in der industriellen Machine Vision angewendet. Das Design, die Konfiguration und die Integration von Anwendungen mithilfe von Deep Learning erfordert jedoch einen völlig anderen Implementierungsansatz als bei herkömmlichen Machine Vision-Projekten.

Sogenannte traditionelle Techniken der maschinellen Vision-Implementierung beinhalten die Erstellung einer Reihe von Regeln für ein Zielobjekt, die mithilfe von Algorithmen ausgeführt werden, die spezifische Informationen über das Objekt oder die Szene zurückgeben. Deep Learning wird mit vielen repräsentativen Bildern trainiert, die Beispiele für gute und defekte Teile oder Objekte enthalten. Es ist jedoch nicht das Allheilmittel für alle Inspektionsanwendungen. Die Notwendigkeit, viele Bilder zu sammeln, bevor der erreichte Erfolg vorhergesagt werden kann, kann für einige Anwendungen mühsam sein, und die laufende Wartung des Systems und seiner Klassifizierungen ist möglicherweise für einen bestimmten Anwendungsfall nicht geeignet.

Die Zukunft der maschinellen Bildprüfung

Angesichts der steigenden Nachfrage nach Qualität, intelligenter Fertigung und Datenerfassung nimmt die Implementierung von Bildverarbeitungstechnologie für Inspektionsanwendungen weiter zu. Die Fähigkeiten fortschrittlicher Komponenten und Software für die Inspektion werden sicherlich zusätzliche Anwendungsfälle fördern und in Zukunft zusätzlichen Wert bieten.