Schnelle und zuverlässige Oberflächen­inspektion von Metall- und Kunststoff­bauteilen und -produkten

In Zeiten, in denen Qualität zunehmend wichtiger wird, werden von Produzenten einwandfreie Waren erwartet. Ein lückenloses Qualitätsmanagement auf Herstellerseite ist essentiell und muss durch automatische Prüfsysteme effizient gestaltet werden.
 
Oberflächenprüfung

 

Lösung

  • Erstellung einer Anwendung mit einer einfachen und intuitiven Handhabung für den Endanwender, die Oberflächen von Metall- und Kunststoffbauteilen sowie diversen anderen Materialien scannt und Fehler darauf zuverlässig erkennt.
  • Ein adaptiv lernfähiges Modell und Zuführung unmissverständlicher Trainingsdaten, anhand derer die Ausschusskriterien erlernt werden und sich das Modell ständig weiterentwickelt.
  • Umfangreiche Datensammlung und -analyse, damit eine Rückverfolgung möglich ist und Maßnahmen ergriffen werden können (es werden z.B. fehleranfällige Stellen gefunden und beseitigt).
  • Implementierbare Echtzeit-Überwachung in bestehende Systeme, die von jedem Endgerät abrufbar ist und Datensammlung in der Cloud.

 

Mehr zum Showcase

 

Hintergrund

Besonders die Oberfläche – von beispielsweise Metall- und Kunststoffbauteilen und -produkten in verschiedenen industriellen Bereichen – muss sowohl ästhetisch als auch funktionell einwandfrei sein. Nur so kann das Bauteil und letztendlich auch das Fertigerzeugnis als qualitativ hochwertig eingestuft werden. Fehler in der Oberfläche können zu teuren Reklamationen, Sicherheitsmängeln, Funktionseinbußen und sogar zu Funktionsausfällen führen – und das auch in späteren Stufen der Produktionskette. Eine zuverlässige und effiziente Materialprüfung ist unbedingt notwendig, um konstante Qualität zu gewährleisten und somit auch eine Schädigung der Unternehmensreputation zu verhindern.
 

Probleme herkömmlicher Oberflächenprüfungssysteme

In einigen Produktionsstätten wird dieser Qualitätssicherungsschritt von geschulten Mitarbeitern durchgeführt. Die menschliche visuelle Qualitätssicherung ist jedoch fehleranfällig, teuer und oft zu langsam für den Produktionsfluss und kann wegen Schwankungen in Konzentration und persönlicher Verfassung keine zuverlässigen, konstanten und objektiven Ergebnisse liefern.

Auf der anderen Seite stehen regelbasierte Computer Vision Systeme, die wegen der Vielzahl der Oberflächenstrukturen und der Vielfalt der Fehlermuster nicht effizient skalieren können.

Sehr geringe Taktzeiten stellen auch für automatisierte optische Systeme zur Oberflächenprüfung eine Herausforderung dar. Eine geeignete Auswertungssoftware ist hier entscheidend, um effizient verwertbare Ergebnisse zu erhalten.
 
AI.SEE - Oberflächenprüfung
 

Ziele

  • Defekte an der Oberfläche, wie Dellen, Kratzer oder Risse, zuverlässig erkennen.
  • Ermöglichung einer In-line Prüfung, Beschleunigung der Prüfzeiten und Steigerung der Qualität.
  • Unmissverständlichkeit sicherstellen und Vermeidung von Sicherheitslücken.
  • Reduzierung von Ausschuss, weniger Ausfallzeiten und konsequente Aussortierung.
  • Protokollierte Kontrolle und effizientere Abläufe.
  • Weniger Ausfallzeiten, weil Anomalien früher erkannt werden.
  • Echtzeitüberwachung zur schnellen Reaktion um Ausfälle und Fehlproduktionen zu vermeiden.
  • Anbindung an bestehende Strukturen ermöglichen.

 

Lösungsbeschreibung

AI.SEE™ stellt eine Lösung dar, die aktuelle Systeme auf Grundlage von traditionellen, regelbasierten Computer-Vision-Methoden weit übertrifft. Es ermöglicht eine genaue, schnelle und kosteneffektive Qualitätssicherung für metallische und auf diversen anderen Materialien basierende Oberflächen unter Verwendung von Computer Vision in Kombination mit Machine Learning Algorithmen.

Die angewandten adaptiv lernfähigen Machine-Learning-Modelle konnten ihre durchschnittliche Präzision im Verlauf des Projekts um bis zu 250% verbessern, was die Effektivität des AI.SEE™-Systems für die optische Qualitätssicherung von metallischen Komponenten weit steigerte.

Darüber hinaus werden die erkannten Schäden und Mängel zur Weiterverarbeitung an die zuständige Abteilung weitergeleitet, um Transparenz im Entscheidungsprozess des Systems zu ermöglichen.

Prozess


 

Mehr zum Showcase erfahren

Sie sind:* MaschinenbauerMaschinenbetreiberAnderes
 

*Mit der Nutzung dieses Formulars erklären Sie sich mit der Speicherung und Verarbeitung Ihrer Daten durch diese Website einverstanden.

 

Nutzen

  • System zur Erkennung von Oberflächendefekten durch künstliche Intelligenz.

 

Daten

  • Bilderkennung
  • Positionsverifikation
  • Datenabgleich
  • Initial 140 Bilder
  • Bildgröße 3456×5184
  • Klassen: 2

 

Technologien

  • AISEE
  • Azure Blob Storage
  • TensorFlow
  • Keras
  • Basler
  • ONNX
  • NVIDIA Cuda

Diese Webseite verwendet Cookies

Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren, Funktionen für soziale Medien anbieten zu können und Zugriffe auf unsere Website zu analysieren.

Cookie-Einstellungen

Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren, Funktionen für soziale Medien anbieten zu können und die Zugriffe auf unsere Website zu analysieren.

FunctionalOur website uses functional cookies. These cookies are necessary to let our website work.

AnalyticalOur website uses analytical cookies to make it possible to analyze our website and optimize for the purpose of a.o. the usability.

Social mediaOur website places social media cookies to show you 3rd party content like YouTube and FaceBook. These cookies may track your personal data.

AdvertisingOur website places advertising cookies to show you 3rd party advertisements based on your interests. These cookies may track your personal data.

OtherOur website places 3rd party cookies from other 3rd party services which aren't Analytical, Social media or Advertising.