Applikationsbeispiele

Neuronales Inspektionssystem...


...von in-situ prüft Goretex Filtermembrane.

Ein innovativer Umgang mit Fluorpolymeren und ganz speziell mit Polytetrafluorethylen (PTFE) bildet seit über 40 Jahren die Geschäftsgrundlage von W. L. Gore & Associates. Funktionsbekleidungen für Sport und Outdoor-Aktivitäten, wie sie von Endverbrauchern mit dem Namen Gore verbunden werden, sind dabei nur ein Bereich. Die Anwendungen der ungewöhnlich vielseitigen Materialien auf Basis von PTFE reichen vielmehr von medizinischen Implantaten, Packungsgarnen und Fasern über Membrantechnologien für die Filtration bis hin zur Hochgeschwindigkeits-Datenübertragung (www.gore.com).
Auch in diesen Segmenten kommen Verbraucher mit Produkten von Gore in Verbindung. Meist sogar, ohne dies zu wissen. Um die Qualität der Produkte auf dem bestmöglichen Level zu halten, setzt Gore jetzt auf ein neuartiges Bildverarbeitungssystem auf der Basis neuronaler Netze aus dem Hause in-situ.

Die Anwendung
Bei der Produktion der Membransysteme legt Gore besonderen Wert auf höchste Qualität.  Um diesen hohen Qualitätsanspruch genüge zu leisten, hat man sich bei Gore entschieden, eine 100-Prozent-Prüfung der Bauteile einzuführen.

Die technische Umsetzung in der gebotenen Geschwindigkeit und Genauigkeit ist nur mit den Mitteln der industriellen Bildverarbeitung möglich. Dabei geht Gore zweigleisig vor. So werden die Funktionen und vor allem die Barriereeigenschaften des polymeren Membran-Werkstoffs selbst bereits in der Produktion ausgiebig geprüft. Eine weitere Qualitätskontrolle findet nach dem Umspritzen statt, um die Membran etwaige Beschädigungen sowie einen korrekten Sitz hin zu überprüfen.
Bei der Weiterentwicklung einer Anlage mit diesen Aufgabenstellungen arbeitete der werkseigene Sondermaschinenbau von Gore eng mit in-situ, einem Systemhause für industrielle Bildverarbeitung, zusammen. Dabei ließen sich die Projektpartner von der Überlegung leiten, dass nur die bestmögliche Kombination geeigneter Bildverarbeitungs-Komponenten wie Kameras, Beleuchtungseinrichtungen, Rechnersystemen und Auswertesoftware zum optimalen Inspektionssystem führt, das die jeweilige Aufgabenstellung schnell und sicher löst.


Abbildung: Prüfautomat (links) und Filtermembrane (rechts)

Das Messverfahren
Zu den Kernstücken der von in-situ und dem Sondermaschinenbau von Gore realisierten Anlage zählt das Software-Tool „Manto“, das auf Basis von Forschungsergebnissen der künstlichen Intelligenz in der Lage ist, bislang nicht realisierbare Aufgaben in der optischen Objektklassifizierung zu lösen. Nach Aussagen der Abteilung Gore-Sondermaschinenbau bestechen darüber hinaus die hohe Geschwindigkeit des Systems, seine hohe Stabilität und die Tatsache, dass die Prüfanlage nicht „nachlernen“ muss, weshalb sich Parameteränderungen sowie der Bedarf an technischen Support in Grenzen hält.

Die Aufgabe des Anwenders reduziert sich vielmehr auf die Bereitstellung von ausreichend vielen Lernbeispielen in Form von Bildern, mit denen die Anlage die Unterscheidung von Gut- und Schlechtteilen trainieren kann.  Dabei sucht „Manto“  während des Anlernens automatisch die charakteristischen Unterscheidungsmerkmale der Objekte und nutzt bei Bedarf neben Textur und Geometrie auch das Merkmal Farbe als Unterscheidungskriterium.

Das Resultat eines Lernvorgangs ist ein Klassifikator, der die Grenzbereiche der Klassen kennt, und bei einer nachfolgenden Prüfung entscheiden kann, mit welcher Wahrscheinlichkeit ein Prüfbild einer bestimmten Klasse zugehörig ist. Man spricht bei der Klassengruppierung von Clustern im Merkmalsraum, der auch mehrdimensional sein kann.

Abbildung:
Links: Von zu vier verschiedenen Klassen gehörenden
Objekten wurden zwei Merkmale M1 und M2 extrahiert
und in einen zweidimensionalen Merkmalsraum eingetragen.

Rechts: Die Objekte sind deutlich in vier Cluster unterteilt,
die gut linear separierbar sind.

Durchdachte Integration
Die Integration der Anlage wurde in enger Zusammenarbeit mit dem hausinternen Maschinenbau von W.L. Gore realisiert. In enger Abstimmung wurde ein Mehrkamerasystem realisiert, das in der Lage ist, bis zu 10 Filterteile pro Sekunden von zwei Seiten zu inspizieren. Ein Rundtisch befördert die Teile nacheinander zu den beiden Kamerastationen. Die Ergebnisse werden in der Software für jedes Filterteil zusammengefasst, und NIO-Teile klassenspezifisch ausgeschleust. Statistische Funktionen der Software erlauben es, im nachhinein die Fehlerverteilung zu analysieren, und aufgrund der getrennten Ausschleusung nachzuprüfen.

Ein weiterer Highlight des Systems:
Durch ein zusätzliches Softwaremodul ist der Endkunde selbst in der Lage, den Klassifikator auf Basis neuer Fehlerbilder zu erweitern, oder neue Fehlerklassen zu erstellen.

Abbildung: Statistikfunktion zur Analyse der Fehlerverteilung und Häufigkeiten

Kundennutzen
Wenn Millionen von Teilen pro Jahr produziert werden, ist eine manuelle Kontrolle kaum mehr möglich, oder finanziell nicht mehr tragbar. Durch eine einmalige Investition wurde mit dieser Anlage eine effiziente und sich schnell amortisierende Lösung geschaffen, die eine 100%-Kontrolle der Produkte überhaupt erst ermöglicht. Gore hat seine Qualitätssicherung durch das Bildverarbeitungssystem von in-situ einen weiteren Schritt vorangebracht, was nicht zuletzt auch einen großen Marktvorteil für das Unternehmen bedeutet.

Fazit
Wie diese Anwendung zeigt, können neuronale Bildverarbeitungssysteme aus dem Hause in-situ für organische Bildverarbeitungsthematiken sinnvoll eingesetzt werden. Gerade dort, wo ein Messen aufgrund der Fehlerdarstellung nicht möglich ist, oder der Fehler sich nur anhand von Beispielbildern erklären – nicht aber durch Messgrößen beschreiben lässt, könnte die Verwendung eines neuronalen Systems die Lösung sein. Voraussetzung ist, dass für das Lernen ausreichend Fehlermuster zur Verfügung stehen.