Machbarkeitsstudie für das Auffinden von Metallfedern in Gitterboxen

Das Projekt

Die Metallfedern werden in Gitterboxen geleert, um darin in einem Ofen gehärtet zu werden. Bleiben beim Ausleeren Federn in den Gitterboxen hängen, durchlaufen diese den Härtungsvorgang nochmals. Dies führt in weiterer Folge zu Qualitätsverlusten und Mehrkosten, die verhindert werden sollen.

Ziel dieser Machbarkeitsstudie war es zu prüfen, ob mithilfe industrieller Bildverarbeitung die geforderten Prüfmerkmale zuverlässig erkannt werden können. In den durchgeführten Tests wurden die Metallfedern, unabhängig von der Position in der Gitterbox, zu 100 % erkannt.

Besondere Anforderungen

Es sind drei verschiedene Gitterbox-Typen im Einsatz: engmaschig, mittelmaschig und großmaschig. Das System muss daher in der Lage sein, eine zuverlässige Fehlererkennung bei variablen Hintergründen zu gewährleisten.

Ergebnis der Machbarkeitsstudie:

• Die technische Durchführbarkeit wurde bewiesen.
• Das dafür nötige Prüfequipment wurde ermittelt.
• Die gewonnenen Erkenntnisse führten zum optimalen Prüfkonzept und Anlagenpreis.
• Somit wurde eine belastbare Basis für eine zuverlässige ROI Betrachtung und Investitionsentscheidung geschaffen.

Deep Learning

Mit Hilfe klassischer industrieller Bildverarbeitung ist das Erkennen aller Metallfedern kaum möglich. Das liegt daran, dass die Federn in gewissen Positionen durch das Gitter nur sehr schwer vom Hintergrund zu unterscheiden sind. Um dieses Problem zu lösen, wird Deep Learning verwendet.

Deep Learning ist eine Methode des maschinellen Lernens und einfach ausgedrückt eine künstliche Intelligenz. Das System wird anhand bereitgestellter Bilder trainiert und ist ideal für das Auffinden von Anomalien auf komplexen Oberflächen geeignet.

Keine Fehler erkannt

Auf dieser Abbildung ist eine leere Gitterbox zu sehen, in der keine Metallfedern erkannt wurden. Somit wird diese Box als IO klassifiziert.

Fehler am Boden

Das System hat festsitzende Metallfedern am Boden der Gitterbox erkannt.

Fehler in den Ecken

Das System hat steckengebliebene Metallfedern in den Ecken der Gitterbox erkannt.

Fehler auf der Seitenwand

Das System hat hängengebliebene Metallfedern an den Seitenwänden der Gitterbox erkannt.

Erkennung gebogener Außenwände

Die Verformung der Außenwände ist in diesem Anwendungsfall grundsätzlich kein Ausschlussgrund, führt jedoch zu Problemen bei der Erkennung von Metallfedern, die sich genau unter einer Wölbung befinden. Durch Deep Learning können diese Verformungen automatisiert erkannt und die betroffenen Gitterboxen ausgeschlossen werden.