High-Speed-Sortierung mit KI und FPGA-Framegrabbern

Eine herausfordernde Anwendung bei der Kunststoffverarbeitung ist die Erkennung von Stippen (punktförmige Materialveränderung) bis zu einer Größe von 50µm. Derzeitige Technologien bieten meist nicht die Kombination aus hoher Bandbreite und geringer Latenz, die Voraussetzung für den benötigten Durchsatz und die gewünschte Sortierqualität sind.
Bild: MSTVision GmbH

Eine passende Lösung hierfür ist die von MSTVision 2018 vorgestellte Technologieplattform, die auf programmierbaren FPGA-Framegrabbern von Basler basiert und mit Komponenten von MSTVision ergänzt wird. Dabei übernimmt der Framegrabber die Bilderfassung einer Zeilenkamera, eine einfache Bildauswertung und die zeitlich hochgenau verzögerte Ansteuerung von Aktuatoren. Bei der voll ausgenutzten Bandbreite der CameraLink-Schnittstelle von 800MByte/s können äußerst kurze Responsezeiten von 1ms erreicht werden. Im Zusammenspiel mit den von MSTVision bereitgestellten Elektronikkomponenten sind je Framegrabber bis zu 1.024 Aktuatoren/Schnellschaltventile steuerbar (inVision 5/18 ‚Materialsortierung mit FPGA-Framegrabber und Trigger Boards‘). In den vergangenen drei Jahren hat keine Kundenanfrage diese Technologieplattform an ihre (Geschwindigkeits-)Grenzen gebracht. Dies änderte sich durch das Projekt mit der Firma Sense2Sort. Um den ambitionierten Vorgaben des Endkunden möglichst nahe zu kommen, musste bei allen Komponenten das technisch machbare Limit ausgereizt werden. Die erfolgreiche Portierung der Technologie von CameraLink auf CoaXPress und damit den Framegrabber microEnable 5 ironman VQ8-CXP6D ermöglichte noch einmal deutlich höhere Datenraten. So konnte eine Zeilenkamera mit 16k Auflösung und einer maximalen Zeilenfrequenz von 140kHz eingesetzt werden.

Theoretisch eine Million Objekte pro Sekunde

In einer ersten experimentellen Phase wurden unterschiedliche Beleuchtungsanordnungen und Auflösungen zunächst mit Matrixkameras evaluiert. Eine Kombination aus Dunkel- und Hellfeldbeleuchtung zeigte vielversprechende Ergebnisse. In einer anschließenden zweiten Phase wurde dann gezeigt, dass dieser Ansatz auch in eine Zeilenkameraanordnung überführt werden konnte. Nach Freigabe durch den Endkunden wurde daraufhin ein Prototyp ausgelegt und aufgebaut. Um die hohen Zeilenraten zu ermöglichen, war für das Dunkelfeld der Einsatz von zwei wassergekühlten Linienleuchten von MTD mit 3,5MLux je Leuchte notwendig. Ein Ausschnitt des Prototyps ist in Bild 2 zu sehen. Zur Analyse des Materialflusses und zur Optimierung der Ansprechzeiten der Aktorik war der Prototyp mit einer zusätzlichen High-Speed-Kamera ausgestattet. Die praktischen Versuche zeigten, dass auch bei der erhöhten Datenrate die gewohnten Responsezeiten realisiert werden konnten und so theoretisch eine Million Objekte pro Sekunde sortiert werden könnten. Leider traten bereits bei geringeren Geschwindigkeiten Probleme im Materialstrom auf, durch die eine ausreichende Sortierqualität nicht mehr sichergestellt werden konnte. Aktuell werden daher weitere Optimierungen des Materialtransports diskutiert. Parallel arbeitet MSTVision daran, leistungsstärkere und flexiblere Algorithmen im Framegrabber einsetzen zu können. Aktuell sind nur einfache klassische Methoden (Schwellwerte, Morphologie, …) verfügbar. Der extreme Geschwindigkeitsvorteil kann daher nur für Anwendungen ausgeschöpft werden, deren Problemstellungen mit den vorhandenen Algorithmen zu bewältigen sind.

Bild: MSTVision GmbH

Hybride Bildverarbeitung auf FPGAs

Um auch komplexere Aufgaben lösen zu können, wurde zusammen mit dem Institut für Industrielle Informationstechnik des Karlsruher Instituts für Technologie (KIT) und Basler eine Kooperation im Projekt ‚Hybride Bildverarbeitung auf FPGAs‘ begonnen. Ziel des vom BMWi geförderten ZIM-Projektes ist es, klassische Bildverarbeitungsmethoden so mit Machine Learning Methoden (CNNs) zu kombinieren, dass deren Vorteile auch bei kurzen Latenzzeiten (2,4GByte/s) genutzt werden können. Im ersten Schritt werden dazu Schnittstellen erarbeitet, um vorhandene AI-Lösungen auf GPUs oder CPUs mit der Geschwindigkeit der MSTVision Sorting Technologie zu kombinieren. Ziel des zweiten Schritts ist es, den Ressourcenbedarf der CNNs so zu verringern, dass die Anwendung wieder vollständig im Framegrabber der aktuellen Generation oder spätestens der nächsten Generation umgesetzt werden kann. Diese Methoden sollen dann auch für die Oberflächeninspektion verfügbar gemacht werden und mit den zeilenkamerabasierten Computational Imaging Methoden (Bilderfassung mit zeitlichem Multiplexing, SWIR, Photometric Stereo…) kombinierbar sein, die MSTVision als Funktion für die Basler Framegrabber anbietet.

Das könnte Sie auch Interessieren

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

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.