Wie In-Sight 2800 die Bildverarbeitung einfach macht

Das In-Sight 2800 vereint die besten Eigenschaften der künstlichen Intelligenz (KI) und traditioneller regelbasierter Werkzeuge in einem vollständig integriertem Vision-System. Dank einer Reihe vortrainierter, KI-basierter Algorithmen lässt sich In-Sight 2800 schnell und einfach in jeder Fabrikumgebung implementieren, um die Fehlererkennung zu automatisieren.

Das System ist für den Einsatz durch Linien- und Automatisierungsingenieure vorgesehen, um anspruchsvolle Probleme der Fabrikautomation zu lösen, ohne dass Kenntnisse in den Bereichen KI oder Bildverarbeitung erforderlich sind. Innerhalb von Minuten kann das In-Sight 2800 für die Fehlererkennung und Klassifizierung in Betrieb genommen werden. Und im Gegensatz zu einigen anderen Bildverarbeitungssystemen kann es eine unbegrenzte Anzahl von Klassen erfassen und so noch anspruchsvollere Kategorisierungs- und Sortierungsaufgaben lösen.

Das In-Sight 2800 ermöglicht es Herstellern aller Größen durch die folgenden Vorteile, die Integration zu rationalisieren, genaue Anwendungsanforderungen zu erfüllen und eine höhere Produktqualität zu erreichen:

• Hohe Benutzerfreundlichkeit
• Multi-Class-Funktionalität
• Zielbereichsübergreifende Fähigkeit 

1. Hohe Benutzerfreundlichkeit für alle Qualifikationsstufen und beschleunigte Inbetriebnahme

Bildverarbeitung und KI gelten als äußerst leistungsfähig, jedoch entsprechend schwierig in der effektiven Implementierung. Fortschritte in der Technologie der Fabrikautomation, wie das In-Sight 2800, haben jedoch zu einer Reihe von Tools geführt, die jetzt einfacher zu bedienen sind als je zuvor.

Das In-Sight 2800 ist so konzipiert, dass es einfach einzurichten ist und keine umfassende Programmierung erfordert. Das Trainieren des Systems zur Lösung eines Problems ist vergleichbar mit Schulung eines aufmerksamen neuen Mitarbeiters an der Linie. Der Ingenieur zeigt Beispiele mit Unterscheidungen, die getroffen werden müssen, und eingebettetes Edge Learning ist in der Lage, schnell die gleichen Unterscheidungen zu machen.

Edge Learning ist eine Untergruppe von KI, bei der die Verarbeitung mithilfe eines Satzes von vortrainierten Algorithmen direkt im Gerät oder „at the edge“ (an der Peripherie) erfolgt. Die Technologie ist einfach einzurichten und erfordert im Vergleich zu herkömmlicheren Deep-Learning-basierten Lösungen weniger Zeit und Bilder zum Training. Bei herkömmlichen Lösungen kann die Automatisierung vieler Klassifizierungsanwendungen Tage oder Wochen dauern und erfordert Hunderte von Bildern sowie stundenlange Analysen durch erfahrene Bildverarbeitungs- und KI-Experten. Im Gegensatz dazu erfordert die Inbetriebnahme der Edge-Learning-Tools auf dem In-Sight 2800 lediglich wenige Minuten, eine Handvoll Trainingsbilder und die Aufmerksamkeit eines Ingenieurs, der das zu lösende Problem versteht, jedoch nicht unbedingt über spezifische Kenntnisse in den Bereichen Bildverarbeitung oder KI verfügen muss.

2. Multi-Class-Funktionalität für ein breites Aufgabenspektrum

Eine Schlüsselkompetenz des Edge Learning ist seine Fähigkeit, Teile schnell und zuverlässig in Kategorien einzuteilen, nachdem es anhand von gekennzeichneten Bildern dieser Teile in den festgelegten Kategorien trainiert wurde. Eine häufige Anwendung für diese Funktion ist die Klassifizierung von zulässigen und nicht zulässigen Teilen als OK/NOK.

Die Benutzer trainieren das Klassifizierungstool des Edge Learning, indem sie Bilder von zulässigen und nicht zulässigen Teilen bereitstellen. Es ist nicht notwendig, zu markieren oder zu definieren, was ein Teil unzulässig macht. Stattdessen wägt das Tool selbst ab, welche Variationen in einem Teil für die Bestimmung „zulässig/nicht zulässig“ von Bedeutung sind, während es Abweichungen ignoriert, die keinen Einfluss auf die Klassifizierung haben. Die Edge Learning Tools, die in das In-Sight 2800 eingebettet sind, können auch Klassifizierungen verarbeiten, die viel komplexer sind als eine binäre OK/NOK-Entscheidung.

Mit der Zunahme der kundenindividuellen Massenproduktion haben Hersteller oft viele Variationen der einzelnen Teile auf Lager. Beispielsweise können Felgen für Luxusautos in Dutzenden von SKUs mit leichten Unterschieden in Felgendesign, -farbe und -finish angeboten werden. Ein menschlicher Prüfer kann eine ganze Minute brauchen, um einige von ihnen zu unterscheiden. Der Zeitaufwand für diese Tätigkeit rechtfertigt sich durch die möglichen Folgen, die sich ergeben, wenn man darauf verzichtet: Es wird eine andere Felge als die bestellte eingebaut, was zu einem unzufriedenen Kunden und zu einem Verlust künftiger Aufträge führen kann.

Nachdem sie mit nur wenigen Beispielen jedes Premiumfelgendesigns trainiert wurden, kann Edge Learning zuverlässig die richtige Felge auswählen oder sicherstellen, dass das angegebene Modell am Fahrzeug montiert ist. Die Möglichkeit, mehrere Klassifizierungen zu definieren, bietet die Möglichkeit, eine größere Anzahl von Problemen der Fertigungsautomation zu lösen.

3. Zielbereichsübergreifende Funktionalität (ROI) konzentriert sich auf wesentliche Funktionen

Um eine Prüfanwendung zu verfeinern, kann ein Linieningenieur sein Wissen über die wesentlichen variablen Bereiche des Teils nutzen, um bestimmte Fokusbereiche, sogenannte Zielbereiche (ROI), zu definieren. Die Konfiguration von Anwendungen auf dem In-Sight 2800 ist mithilfe von bekannten Click-and-Drag-Tools über eine intuitive Benutzeroberfläche ganz einfach. Mit einem Ziehen wird ein Feld definiert, ein weiteres verschiebt es. Für das Feld können unveränderliche Merkmale des Teils festgelegt werden.

Die Definition von ROIs ist ein Standardbestandteil der industriellen Bildverarbeitung, aber ihre Anwendung erfordert oft einige Fachkenntnisse. Das In-Sight 2800 ist auch für Personen ohne spezielle Erfahrung mit Bildverarbeitungstools leicht anwendbar. Und dank der Leistung der Bildverarbeitungstools kann eine beliebige Anzahl solcher ROIs definiert werden, und jeder dieser ROIs kann eine beliebige Anzahl von Klassen identifizieren.

Dies erleichtert die Bestückungsüberprüfung komplexer Bestückungen mit vielen verschiedenen Konfigurationen und variablen Teilen, wie z. B. Leiterplatten (PCBs). Solche Probleme erforderten bisher einen immensen Arbeitsaufwand. Zum einen in Bezug auf die Entscheidung, welche Merkmale geprüft werden sollten, damit bestätigt werden kann, dass das richtige Teil eingebaut wurde, zum anderen in Bezug auf anschließende Programmierung des Bildverarbeitungssytems für die Prüfung dieser Merkmale. Die Edge Learning Tools des In-Sight 2800 treffen diese Entscheidungen selbstständig, was bedeutet, dass sich der Ingenieur auf Aktivitäten mit höherem Nutzwert, etwa die Optimierung der Abläufe, konzentrieren kann.

Benutzerfreundliche KI mit beispielloser Flexibilität

Die Bildverarbeitungswerkzeuge von Cognex wurden auf Grundlage jahrelanger Erfahrung in der Fabrikautomation entwickelt und sind speziell auf die Anforderungen des Linienbetriebs ausgerichtet. Der Vorteil dieser ausgereiften Technologie wird umso deutlicher, je subtiler die Fehler und entsprechend schwieriger sie zu erkennen sind.

So kann beispielsweise eine Verschließmaschine den Drehverschluss beim Verschließen einer Flasche falsch aufsetzen, beschädigen oder nicht vollständig schließen. Viele Systeme können große, sichtbare Fehler leicht erkennen. Der Vorteil gegenüber anderen Systemen wird deutlich, wenn Verschließfehler fast nicht wahrnehmbar ist. Andere Systeme können einen solchen Fehler zulassen, was zu Leckagen oder Verunreinigungen führen kann. Das In-Sight 2800 mit seiner Kombination aus Edge Learning und speziellen Bildverarbeitungstools klassifiziert diese fast unsichtbaren optischen Fehler als nicht zulässig.

Das In-Sight 2800 Bildverarbeitungssystem ist einfach zu bedienen, kann mit einer Handvoll Bilder trainiert werden und ist in der Lage, mehrere Klassen und mehrere Zielbereichen zu erkennen und verändert so die Fertigungsautomation.