Manz nutzt MVTec-Deep-Learning-Technologie für Inline-Qualitätskontrolle

Kontinuierlicher Trainingsprozess der Deep-Learning-Technologie

Der Trainingsprozess erfordert jedoch eine sehr große Menge an validen Bilddaten. So wird in der Regel eine sechsstellige Anzahl von Beispielbildern benötigt, um akzeptable Fehlererkennungsraten zu erzielen. Ein derart großer Fundus an Trainingsbildern ist aber im Maschinen- und Anlagenbau typischerweise nicht verfügbar. Überdies sind die möglichen Defekte in ihrer Ausprägung meist nicht bekannt. So gibt es viele unterschiedliche Fehlerquellen, die den Schweißvorgang beeinträchtigen können.

Die Konstruktion und Herstellung der Laseranlagen verläuft oft parallel zur Entwicklung des zu fertigenden Batterie-Produkts. Da sich dieser Prozess iterativ gestaltet und in enger Abstimmung mit dem Kunden erfolgt, ergeben sich laufend Änderungen und Anpassungen am Design. Zudem steuert der Auftraggeber oft eine Vielzahl selbstentwickelter Produktvarianten bei. Der hohe Grad an Modifikation wirkt sich auf die Verfügbarkeit entsprechender Bilddaten aus. So kann Manz das Training eines Modells lediglich mit etwa zehn bis maximal 100 Beispielbildern beginnen und den Prozess dann kontinuierlich mit neuen Produktionsdaten verbessern.

Vergleich der Fehlererkennungsraten verschiedener Lösungen

In aufwändigen Testreihen wurden die Fehlererkennungsraten von MVTec Halcon mit denen einer weit verbreiteten, kostenfreien Open-Source-KI-Lösung gegenübergestellt. Gegenstand der Klassifikation war eine der häufigsten Fehlerquellen im Laserschweißprozess, der sogenannte Defokus. Dieser liegt vor, wenn der Brennpunkt des Lasers an seiner dünnsten Stelle durch Schwankungen des Bauteils nicht optimal positioniert ist und dadurch der Energieeintrag beim Schweißen abnimmt. Regulieren lässt sich diese Abweichung durch den richtigen Abstand zwischen Bauteil und Schweißquelle.

Im ersten Test wurden 430 Bilder für das Training verwendet. Die Deep-Learning-Algorithmen in MVTec Halcon haben dabei den Defokus-Fehler zu 100 Prozent richtig klassifiziert. Das bedeutet, in allen Testbildern wurden korrekt positionierte Teile als gut, falsch positionierte Baugruppen als fehlerhaft erkannt. Die zum Vergleich herangezogene Open-Source-Software hingegen hat in rund zehn Prozent der Bilder einwandfreie Teile als defektbehaftet klassifiziert. Dies würde im realen Produktionsszenario dazu führen, dass fehlerfreie Produkte als Ausschuss qualifiziert und aussortiert werden, was unnötig Kosten verursacht. Ein weiterer Nachteil der Open-Source-Lösung: Sie benötigte 2.600 Sekunden für das Training, während das kommerzielle Pendant mit lediglich 200 Sekunden auskam.

In einer weiteren Testreihe wurden Stecker für die Stromzuführung der Batterien in Pkw geprüft. Auch hierbei konnte MVTec Halcon mit einer sehr robusten Fehlererkennungsrate punkten. Anhand von nur 50 Trainingsbildern hat die Software alle fehlerhaften Teile auch als solche erkannt. Nur in etwa zwei Prozent der einwandfreien Bauteile wurde fälschlicherweise eine Anomalie gesehen. Die Open-Source-Software konnte in diesem Test wiederum nicht überzeugen: Sie hat mehr als ein Drittel aller defektbehafteten Teile als fehlerfrei qualifiziert. Dies ist kein brauchbares Ergebnis für eine verlässliche Qualitätssicherung.

Anomalieerkennung anhand defektfreier Bilder

Zum Einsatz kam bei diesem Test die sogenannte Anomalieerkennung, die seit dem Release 19.11 in MVTec Halcon verfügbar ist. Der besondere Nutzen dieser Technologie: Sie kommt mit einer geringen Menge an Bilddaten aus. Zudem werden für das Training ausschließlich Bilder benötigt, die defektfreie Objekte zeigen, sogenannte „Gut-Bilder“. Dadurch können Maschinenbau-Unternehmen wie Manz viel Zeit und entsprechend Kosten einsparen. Denn die Alternative, die Erzeugung von Fehler-Bildern, ist sehr aufwändig, kostenintensiv und nimmt oft mehrere Wochen in Anspruch.

Überdies sind zu Produktionsbeginn einer bestimmten Baureihe noch längst nicht alle Fehler bekannt, die während des Fertigungszyklus einer Maschine auftreten können. Daher lässt sich die gesamte Bandbreite an Anomalien nicht vollständig beschreiben, um die Anforderung mit anderen Methoden effizient zu lösen. Klassische, regelbasierte Verfahren beispielsweise sind wesentlich aufwändiger und liefern weniger präzise Ergebnisse.

Fazit

Mit MVTec Halcon kann Manz im Rahmen der automatisierten Fehlerinspektion beim Laserschweißen sehr gute Ergebnisse erzielen. Mit einer vergleichsweise geringen Anzahl von Trainingsbildern lässt sich ein akzeptables Ergebnis bei der Deep-Learning-basierten Defekterkennung erreichen. Dabei besteht der besondere Vorteil dieser Machine-Vision-Standardsoftware darin, dass sie vortrainierte neuronale Netze enthält, was bei der Fehlererkennung im Produktionsumfeld schneller zum Ziel führt und eine kürzere Time-to-Market ermöglicht. MVTec kennt die Problemstellungen seiner Kunden sowie die relevanten Industrieszenarien und kann dadurch seine Deep-Learning-Netze spezifisch vortrainieren. Dank präziserer Ergebnisse lohnt sich die Investition in eine kommerzielle Lösung.

Somit ist es Manz durch den Einsatz der Deep-Learning-basierten Machine-Vision-Standardsoftware möglich, zukünftig eine 100-Prozent-Qualitätskontrolle der lasergestützten Produktionsprozesse im modularen Lasersystem BLS 500 zur Verfügung zu stellen. Durch die verlässliche Erkennung von Fehlern lässt sich die Qualität der Batterie-Fertigung langfristig auf einem hohen Niveau halten. Und auch die Kunden von Manz können ihre Produktion optimieren: Sie profitieren von weniger Ausschuss, geringeren Kosten, schnelleren Prozessen sowie einer höheren Qualität und Sicherheit. (ik)

Weitere Informationen zur Standardsoftware Halcon von MVTec

Manz AG Steigäckerstraße 5 72768 Reutlingen Tel.: 07121 9000-0 E-Mail: info@manz.com Website: www.manz.com

Hightech-Maschinen aus Baden-Württemberg

Die Geschäftsaktivitäten der Manz AG umfassen die Segmente Solar, Electronics, Energy Storage, Contract Manufacturing und Service. Mit langjähriger Expertise in Automation, Laserbearbeitung, Bildverarbeitung und Messtechnik, Nasschemie sowie Rolle-zu-Rolle-Prozessen bietet das Unternehmen Herstellern und deren Zulieferern innovative Produktionslösungen in der Photovoltaik, Elektronik und Lithium-Ionen-Batterietechnik. Zum Leistungsportfolio zählen sowohl kundenspezifische Entwicklungen als auch standardisierte Einzelmaschinen und Module, die zu kompletten, individuellen Systemen verkettet werden können. Die seit 2006 börsennotierte Firmengruppe entwickelt und produziert in Deutschland, der Slowakei, Ungarn, Italien, China und Taiwan. Darüber hinaus unterhält das Unternehmen Vertriebs- und Service-Niederlassungen in den USA und Indien. Mit dem Claim „passion for efficiency – Effizienz durch Leidenschaft“ gibt Manz seinen Kunden das Leistungsversprechen, Produktionsanlagen mit hoher Effizienz und Innovation anzubieten. Das Unternehmen trägt zudem mit seiner umfassenden Expertise in der Entwicklung neuer Produktionstechnologien und der dafür notwendigen Maschinen dazu bei, die Fertigungskosten der Endprodukte zu senken.

MVTec präsentiert Trends der Machine Vision