Autonomes Visionsystem ist in 30 Minuten einsatzbereit

Beim Inspekto S70 handelt es sich um das erste komplett autonome Visionsystem, bei dem Anwender keine Kenntnisse über Bildverarbeitung benötigen.

 Konfigurationsphase, in der das System weitere Muster anfordert (l.), und eine, in der das System darauf hinweist, dass es über alle Produktinformationen verfügt (r.). (Bild: Inspekto)

Konfigurationsphase, in der das System weitere Muster anfordert (l.), und eine, in der das System darauf hinweist, dass es über alle Produktinformationen verfügt (r.). (Bild: Inspekto)

Das Bildverarbeitungssystem verfügt bereits im Auslieferungszustand über alle Komponenten, um sofort mit der Prüfung von Produkten beginnen zu können: von einem einstellbaren Roboterarm und Montage-Adapter (für die Befestigung an der Produktionslinie) bis hin zu einem Industrie-Controller mit zahlreichen Schnittstellen für verschiedene Kommunikationsprotokolle. Des Weiteren ist eine Beleuchtungseinheit und ein Vision Sensor mit einem 10fach-Zoom Bestandteil des Systems. Der Sensor ist mit einem Roboterarm verbunden, der direkt an einem Aluminium-Bosch-Profil befestigt werden kann. Jedes System umfasst mehrere Arme, die in verschiedenen Kombinationen installiert werden können, sowie einen Stabilisierungsarm zum Verhindern von Vibrationen. Zudem ist ein Beschleunigungssensor vorhanden, mit dessen Hilfe sich das System an die jeweiligen Umgebungsbedingungen anpassen kann und so die besten Bildaufnahmen ermöglicht. Der Controller unterstützt die gebräuchlichsten Industrieprotokolle. Inspekto hat zudem eine Programmierschnittstelle erstellt, die alle speicherprogrammierbaren Steuerungen (SPS) integrieren kann, wie z.B. TCP/IP, Profinet und serielle (Profibus und Modbus) für den Fall, dass die SPS TCP und Industrie-I/Os nicht unterstützt. Derzeit arbeitet die Firma bereits an der Entwicklung von weiteren Schnittstellen, die in Kürze eingeführt werden.

 Produktmustererstellung mit standardmäßigen automatischen Einstellungen einer Industriekamera (l.) und Mustererstellung, nachdem Algorithmen des autonomen Visionsystems Inspekto S70 anhand von Konturmarkierungen des Anwenders die Hardware optimiert haben (r.). (Bild: Inspekto)

Produktmustererstellung mit standardmäßigen automatischen Einstellungen einer Industriekamera (l.) und Mustererstellung, nachdem Algorithmen des autonomen Visionsystems Inspekto S70 anhand von Konturmarkierungen des Anwenders die Hardware optimiert haben (r.). (Bild: Inspekto)

Einstellungen per KI

Der gesamte Einrichtungsprozess kann von jedem Mitarbeiter in knapp 30 bis 45 Minuten und ohne externe Unterstützung durchgeführt werden. Der Benutzer schaltet den Controller ein und stellt sicher, dass das Sichtfeld des Sensors den zu untersuchenden Bereich abdeckt. Er richtet dann ein Testmuster im Sichtfeld aus und markiert die Region-of-Interest, in dem das System Fehler erkennen soll. Danach passt die künstliche Intelligenz (KI) des Systems automatisch die Beleuchtung und Kameraparameter an das Produkt und die jeweiligen Umgebungsbedingungen an, um ein Bild zu erhalten, bei dem Fokus, Tiefenschärfe, Belichtung und Dynamikumfang perfekt sind. Bild 1 zeigt eine Produktmustererstellung mit standardmäßigen automatischen Einstellungen einer Industriekamera (l.), sowie die Mustererstellung, nachdem die Algorithmen des Inspekto S70 anhand der Konturmarkierungen des Anwenders die Hardware optimiert haben (r.). Anschließend lokalisiert die Erkennungs- und Ausrichtungs-KI automatisch das Produkt und erkennt dessen 3D-Position im Raum. Dies ermöglicht das Hinzufügen weiterer Produkte als Muster, selbst wenn diese eine andere Position oder Ausrichtung als die vorherigen Produkte aufweisen. Das System erfordert knapp 20 ´gute´ Muster, um die Objekteigenschaften zu erlernen. Abhängig von der Komplexität des Objekts können auch mehr Musterbeispiele erforderlich sein. Die genaue Anzahl der Muster wird während des Erfassungsprozesses eigenständig vom System berechnet, d.h. der Anwender muss keine eigene Entscheidung fällen, wann der Einlernungsprozess beendet ist. Bild 2 zeigt eine Konfigurationsphase, in der das System weitere Muster anfordert (l.), und eine, in der das System darauf hinweist, dass es über alle Produktinformationen verfügt und mit der Inspektion beginnen kann (r.).

Plug&Inspect-Technologie

Während der Inspektion werden die aufgenommenen Bilder mit den Musterreferenzen aus der Einrichtungsphase verglichen. Mehrere KI-Module suchen gemeinsam nach Abweichungen, wie z.B. Oberflächenvariationen. Der Anwender muss keine eigenen Machine Learning Parameter definieren, wie Datenerweiterung, Netzwerktopologien oder Klassifizierungsschwellen. Er muss dem System lediglich gute Muster vorgelegen, d.h. Inspekto S70 muss nicht erst lernen, wie eine Abweichung aussieht. Es warnt automatisch, wenn es etwas erkennt, das nicht bei den guten Mustern vorhanden war. Wenn der Anwender zum Schluss kommt, dass es sich bei der Abweichung um keinen Fehler handelt, wird das System dies in Zukunft nicht mehr als Fehler ansehen. Es erkennt ausschließlich echte Abweichungen und ignoriert Veränderungen aufgrund von Licht und Bewegung. Wird das Produkt als fehlerhaft angesehen, teilt das System dies der SPS mit und das Produkt wird entfernt. Alle Bilder von den untersuchten Produkten werden als zukünftige Referenz archiviert.

Seiten: 1 2Auf einer Seite lesen

Thematik: Technologie
Ausgabe:
INSPEKTO
www.inspekto.com

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige