So funktioniert die KI-Klassifizierung

Die Klassifizierung von Teilen und Komponenten ist bei einer komplexen Montageüberprüfung nützlich, wenn mehrere Artikel für den Einsatz entlang der Produktionslinie geordnet und sortiert werden müssen. Die Klassifizierung ist auch für die In-Line-Prozesskontrolle und eine kontinuierliche Prozessverbesserung wichtig, da sie entscheidende Daten liefert, um Fehler zu erkennen, bevor sie zu hartnäckigen Problemen werden.

Trotz der enormen Fortschritte in der Bildverarbeitung war zum Erkennen von Objekten oder Bauteilen in unterschiedlicher Form, Größe und Position bislang die Flexibilität des menschlichen Auges erforderlich. Sogar die leistungsstärksten computergestützten Prüfsysteme werden leicht durch belebte, stark gemusterte Hintergründe und Bildqualitätsprobleme wie Spiegelblendung verwirrt.

Diese Bedingungen erschweren Bildverarbeitungsalgorithmen die zuverlässige und präzise Lokalisierung eines Objekts oder eines Zielbereichs. Es kann für ein automatisiertes System zeitaufwändig und schwierig, wenn nicht unmöglich sein, irrelevante Merkmale zu ignorieren, um den Zielbereich erfolgreich zu identifizieren.

In diesen Szenarien, sofern eine Anwendung eine automatisierte Präzision erfordert, um komplexe Merkmale und Objekte zu finden, kann es nützlich sein, auf Deep-Learning-basierte KI-Tools umzustellen, die von Bildbeispielen lernen, anstatt programmiert werden zu müssen. Der Einsatz solcher selbstlernenden Algorithmen erschließt neue Möglichkeiten, Teile zu lokalisieren und nach Farbe, Textur, Material, Verpackung oder Fehlertyp in Klassen einzuteilen.

Betrachten wir, wie KI-gestützte Klassifizierungstools verschiedenen Branchen helfen können.

Deep-Learning-Klassifizierung für die Automobilindustrie

In vielen Anwendungen in der Automobilindustrie wird die Identifikation mittels Barcode-Lesen und OCR-Technologie (optische Zeichenerkennung) zum Dekodieren von Barcodes und Seriennummern durchgeführt. In Umgebungen, die das Lesen von Code oder alphanumerische Texte nicht unterstützen, müssen sich Hersteller jedoch auf die visuelle Identifikation stützen. Das kann bei einer Identifikation in unvorhersehbaren Positionen oder mit visuellen Variationen und Abweichungen problematisch sein, wird aber noch komplizierter, wenn Teile nach diesen Markierungen gezählt und sortiert oder klassifiziert werden müssen.

Angenommen, ein Automobilhersteller erhält von einem Fahrzeugteilehersteller eine Lieferung Zündkerzen. Diese Zündkerzen unterscheiden sich in ihrer Farbe und Markierung, da sie für verschiedene Fahrzeugmodelle konzipiert sind. Wenn sie auf Tabletts in unterschiedlichen Farben zur Vormontage in der Produktionslinie ankommen, müssen automatisierte Prüfsysteme sie erkennen, zählen und klassifizieren, um die Daten an die robotergesteuerte Montagephase weiterzugeben. Dazu muss das automatisierte System zwischen den Zündkerzen in verschiedenen Farben unterscheiden, was den Robotern wichtige Montageinformationen liefert. Es muss aber auch die Hintergrundfarben der Tabletts ignorieren, die eine Ablenkung darstellen.

Eine schwierige Klassifizierungsaufgabe wie diese erfordert ein KI-gestütztes Tool, welches das normale Aussehen der Zündkerzen anhand ihrer Form und Abmessungen verallgemeinern kann und sie anschließend nach ihrer Farbe klassifiziert, ohne durch einzelne Markierungen abgelenkt zu sein. Dazu nutzt ein Deep-Learning-basiertes Bildanalyse-Tool wie Cognex Deep Learning gekennzeichnete Trainingsbilder, um das Aussehen einer Zündkerze zu verallgemeinern, damit es die Zusammenstellung auf dem Tablett zählen kann. Dann kann es sie nach Farbe sortieren und diese Daten zur Montage an den Roboter senden.

Deep-Learning-Klassifizierung für die Elektronikindustrie

Für Hersteller von elektronischer Hardware, die mit extrem engen Toleranzen arbeiten, müssen alle Oberflächenfehler auf ihren Komponenten sorgfältig erkannt und früh im Produktionsprozess katalogisiert werden. Die Metalloberflächen dieser Bauteile erzeugen eine Spiegelblendung, die ein Prüfsystem verwirren kann, indem sie das Erscheinungsbild des Bauteils für die Kamera scheinbar verändert.

Häufige Defekte an Bauteilen, wie Stöße, Kratzer oder Flecken, die bei der Montage auftreten, sind in frühen Produktionsphasen aufgrund der rauen, texturierten und reflektierenden Oberflächen oft schwer zu erkennen. Außerdem sind solche Defekte nur unter bestimmten Beleuchtungsbedingungen sichtbar, die sich oft während lokaler Kontraständerungen durch ungleichmäßige Beleuchtung offenbaren.

Gleichzeitig müssen normale Variationen und natürliche, aber unbedeutende Abweichungen auf der Materialoberfläche vom Prüfsystem toleriert werden. Durch Einsatz eines Deep-Learning-basierten Tools können Elektronikhersteller typische Fehler in jeder Ausrichtung mit standardmäßiger Beleuchtung erkennen, Spiegelblendung sowie unbedeutende Abweichungen tolerieren und dann Fehler nach ihren gemeinsamen Attributen sortieren und klassifizieren.

Eine gängige Anwendung umfasst die Klassifizierung von Oberflächenfehlern zur Qualitätskontrolle. KI-Tools können jeden Fehlertyp entsprechend der gemeinsamen Eigenschaften als eigene Klasse oder als Typ einstufen. Ein Modell kann zum Beispiel „Stöße“ von „Flecken“, „Druckstellen“ und „Kratzern“ trennen, je nachdem, wie diese sich allgemein auf Metalloberflächen präsentieren. Da sich sogar jeder Stoß leicht von einem anderen unterscheidet, brauchen Hersteller Deep Learning, um die gemeinsamen Eigenschaften der Stöße zur richtigen Erkennung zu konzeptionieren und zu verallgemeinern.

Das Deep-Learning-basierte Prüfsystem bezieht dazu kontextbezogene Informationen über die Metalloberflächen der Bauteile mit ein, damit es ein zuverlässiges Modell der Form, Abmessungen und Textur von Oberflächendefekten bilden kann. Fehler wie Stöße und Kratzer werden somit als Abweichungen – oder fehlerhafte bzw. „schlechte“ Bilder – gekennzeichnet, da sie als strukturierte Bereiche erscheinen, die von der normalen Oberflächentextur abweichen. Von hier ausgehend werden alle „schlechten“ Bilder mit gemeinsamen Eigenschaften nach ihren gemeinsamen Aspekten, wie Stößen, Flecken, Druckstellen und Kratzern, sortiert.

Falls bestimmte Fehlertypen keine funktionellen Schäden verursachen und vom Hersteller als zulässig eingestuft werden, kann das System entscheiden, diese Klasse zu tolerieren und sie zur nächsten Produktionsphase zuzulassen.

Deep-Learning-Klassifizierung für die Verpackungsindustrie

Eine auf dem Erscheinungsbild basierende Verpackungsidentifizierung ohne den Einsatz von Barcodes ist schwierig. In diesen Fällen müssen Prüfsysteme nicht nur die normalen und erwarteten Abweichungen im Aussehen des Produkts oder der Charge wahrnehmen, sondern auch die Art und Weise, wie Verpackungen ihr Erscheinungsbild aufgrund lokaler Kontraständerungen durch ungleichmäßige Beleuchtung verändern.

Bei Sammelverpackungen von Lebensmitteln und Getränken und Konsumgütern, wo dieselben Packungen in ihren Behältern unterschiedlich verarbeitet sein können, muss das Prüfsystem sofort erkennen, dass die kleinsten Unterschiede in der Verpackung – die unter bestimmten Lichtbedingungen schwer zu entdecken sein können – zu zwei verschiedenen Paketklassen führen.

Zum Beispiel können zwei gleiche Viererpackungen Toilettenpapier, die mit demselben Barcode gekennzeichnet sind, in ihren Behältern unterschiedlich gestapelt sein; manche Viererpackungen können einzeln liegen, während andere mit weiteren Packungen für den Versand verpackt sind. Damit ein bildverarbeitungsbasiertes Prüfsystem diese kleinen Unterschiede erfasst, wäre eine Programmierung mit umfangreichen Auswahlkriterien sowie sorgfältig abgestimmten und optimierten Erkennungsalgorithmen erforderlich.

Die Deep-Learning-basierte Bildanalyse beruht stattdessen auf einem menschenähnlichen Ansatz, um zwischen zwei verschiedenen Paketklassen zu unterscheiden. Das System kann anhand gekennzeichneter Bilder beider Paketklassen wahrnehmen, dass sie sich durch die zusätzliche Verpackung unterscheiden und sie entsprechend sortieren.

Deep-Learning-Klassifizierung für die Life-Science-Industrie

Krebszellen haben verschiedene, unvorhersehbare Formen. Tatsächlich weisen die verschiedenen Größen und Formen einer einzelnen Krebszellenart mehr Unterschiede als gemeinsame Merkmale auf. Für einen Pathologen ist es fast unmöglich zu sagen, was eine Brustkrebszelle „ausmacht“. Das alte Sprichwort, dass „man sie erkennen wird, wenn man sie sieht“ erweist sich in der Zellpathologie leider als wahr.

Deep-Learning-basierte Fehlererkennungs-Tools bewältigen diese Herausforderung durch Erlernen der unzähligen verschiedenen Formen einer Krebszelle und können all jene Zellen genau markieren, die anomal erscheinen, während sie die natürlichen, normalen Variationen einer gesunden Zelle berücksichtigen. Bei der Bewertung des Differenzierungsgrads einer Zelle kann ein Deep-Learning-basiertes Tool jedoch alle anomalen Bilder nach bestimmten Morphologien klassifizieren. Die Bildverarbeitung kann diese Aufgabe aufgrund inhärenter Programmierbeschränkungen nicht bewältigen.

Prostatakrebszellen werden zum Beispiel anhand von ihrem „Gleason-Muster“ oder Grad der Drüsenstruktur auf einer Skala von 1–5 bewertet, wobei „1“ für einheitlich und „5“ für unregelmäßig und klar erkennbar stehen. Ein Deep-Learning-basiertes Tool kann die Automatisierung der Prüfung unterstützen, indem es anhand des Differenzierungsgrads der Drüsenstruktur ein Modell einbezieht, wie Zellgewebe der Stufen 1–5 aussieht. Auf Basis dieses Erscheinungsbildes kann ein Klassifizierungstool alle Proben entsprechend sortieren. Ein Tool wie Cognex Deep Learning ist dazu selbst dann in der Lage, wenn die Szene mehrfache Stellen umfasst, da es sich auf mehrere Zielbereiche in einem einzelnen Bild konzentriert.

Bei der Klassifizierung können die „Klassen“ nach Fehlertyp, Größe, Form, Farbe und verschiedenen Morphologien variieren, die für jede Branche einmalig sind. Deep-Learning-basierte Bildanalyse-Software für die Industrie kann nicht nur automatisierte Prüfungen der Hersteller verbessern, sondern auch das schaffen, was zuvor unmöglich war: ohne Programmierung klassifizieren, sortieren und bewerten. Dies ermöglicht schließlich eine Automatisierung von Prüfungen, die eine Unterscheidung zwischen visuell ähnlichen, aber unterschiedlichen Produkten umfassen, während sie große Abweichungen innerhalb derselben Klasse tolerieren sowie zwischen tolerierbaren Abweichungen und echten Fehlern unterscheiden.

KI-basierte Lösungen wie Cognex Deep Learning erweitern die Leistungsstärke von traditioneller industrieller Bildverarbeitung nicht nur auf das Prüfen, sondern auch auf das Sortieren und Klassifizieren von Teilen nach ihren optischen Eigenschaften. Dies trägt zu einer schnelleren Montage und zum Erkennen von Produktionsfehlern bei, bevor sie die Qualität und den Durchsatz beeinträchtigen.