{"id":7803,"date":"2022-10-03T13:13:42","date_gmt":"2022-10-03T13:13:42","guid":{"rendered":"https:\/\/ecrimesagroup.com\/?p=7803"},"modified":"2022-10-04T10:29:14","modified_gmt":"2022-10-04T10:29:14","slug":"bildverarbeitungssystem-deep-learning-inspektion-metallurgische-fehler","status":"publish","type":"post","link":"https:\/\/ecrimesagroup.com\/de\/bildverarbeitungssystem-deep-learning-inspektion-metallurgische-fehler\/","title":{"rendered":"Bildverarbeitungssystem mit Deep Learning f\u00fcr die Inspektion von metallurgischen Fehlern"},"content":{"rendered":"\n

Wir sind dabei, ein neues System f\u00fcr die Inspektion von metallurgischen Defekten zu implementieren, welches einen Schritt weiter geht als das derzeitige System, das wir bereits mit k\u00fcnstlicher Vision haben. Wir sind bestrebt, dass 100 % der von uns gelieferten Teile die vom Kunden festgelegten Qualit\u00e4tsanforderungen erf\u00fcllen. Unser Ziel ist eine fehlerfreie Qualit\u00e4t.<\/h3>\n\n\n\n

Deep Learning, als Teil des maschinellen Lernens, ist keine abstrakte Technologie. Es handelt sich um ein Instrument, welches uns hilft unsere industrielle T\u00e4tigkeit zu verbessern. Mit den richtigen Partnern erweist es sich als ein spannendes und realistisches Projekt. Wir werden eine Standardisierung der Pr\u00fcfkriterien erreichen, und dies wird uns helfen, den Kundenservice zu verbessern und durch eine st\u00e4rkere Automatisierung die Lieferzeiten f\u00fcr Teile zu verk\u00fcrzen.<\/h3>\n\n\n
\n
\"Bildverarbeitungssystem\"
Bildverarbeitungssystem<\/em><\/figcaption><\/figure>\n<\/div>\n\n\n

Machinelle Bildverarbeitung vs. Deep Learning<\/h2>\n\n\n\n

Laut der Automated Imaging Association<\/strong> (AIA) umfasst die maschinelle Bildverarbeitung alle industriellen und nicht-industriellen Anwendungen, bei denen eine Kombination aus Hardware und Software die Ger\u00e4te bei der Ausf\u00fchrung ihrer Funktionen auf der Grundlage von Bilderfassung und -verarbeitung anleitet. <\/p>\n\n\n\n

Deep Learning<\/strong> ist eine Reihe von Algorithmen f\u00fcr maschinelles Lernen, die versuchen, hochgradige Abstraktionen in Daten zu modellieren, indem sie Rechnerarchitekturen verwenden, die mehrfache und iterative nichtlineare Transformationen von Daten in Matrix- oder Tensorform unterst\u00fctzen. <\/p>\n\n\n\n

Wir verf\u00fcgen wir seit langem<\/strong> \u00fcber ein System zur Inspektion von Fehlern in Teilen mit k\u00fcnstlicher Vision auf der Grundlage von Messungen. Durch die Projektion eines mit einer Kamera aufgenommenen Schattens des Teils wurde die Toleranz gemessen und mit einem Muster verglichen. Im Vergleich dazu wurde anhand der Abweichung von diesem Muster festgestellt, ob ein Teil schlecht oder gut war.  <\/p>\n\n\n\n

Derzeit unternehmen wir einen qualitativen Sprung<\/strong> bei der Einbeziehung neuer Industrie 4.0-Technologien, indem wir eine Anlage f\u00fcr k\u00fcnstliche Vision mit Deep Learning implementieren, die Oberfl\u00e4chenfehler mit einem fortschrittlichen Vergleichssystem und kontinuierlichem und autonomem Lernen erkennt. Es besteht aus zwei Kameras<\/strong>, die eine Reihe von Fotos des Teils aufnehmen, und einem Algorithmus, der diese Fotos mit anderen Standardfotos vergleicht, die wir zuvor in die Maschine mit den Fehlern eingegeben haben. <\/p>\n\n\n\n

Mit diesem Fortschritt<\/strong> bewegen wir uns von einem System, welches auf einer mathematischen Operation basiert, d. h. von der Messung und dem Vergleich mit einem Standard, zur Erkennung des Oberfl\u00e4cheneffekts mit einem fortschrittlicheren und komplexeren Kriterium. Die Maschine<\/strong> ist in der Lage zu unterscheiden, ob das Teil in Ordnung verwertbar ist oder nicht und welche Fehler es hat, und durch das Lernen<\/em> kontinuierlich zu verbessern.<\/p>\n\n\n\n

Projektphasen<\/h2>\n\n\n\n

Das Projekt besteht aus drei Phasen:<\/strong><\/p>\n\n\n\n

  1. Inbetriebnahme<\/strong>
    Die Inbetriebnahme oder Schulung der Maschine erfolgt mit einem Fehlerkatalog. In unserem Fall haben wir mit 300 Fotos begonnen.<\/li>
  2. Training<\/strong>
    Die Maschine muss trainiert werden. Die Teile werden dem System \u00fcbergeben und es f\u00fchrt die Pr\u00fcfung selbst durch. Sobald es einen Fehler findet, der nicht im Katalog enthalten ist, werden diese neuen Fotos in die Datenbank aufgenommen, so dass das System kontinuierlich lernt<\/em>.<\/li>
  3. Kontinuierliches Lernen<\/strong>
    Wenn die Maschine ein Teil findet, wei\u00df diese nicht genau, ob es gut oder fehlerhaft ist. In der Maschinensoftware selbst kann der Bediener dies entscheiden oder festlegen.
    Und wenn die Maschine bereits in Betrieb ist, wenn etwas auftaucht, wenn ein Teil oder eine neue oder zweifelhafte Situation auftaucht, wird der Bediener oder der Qualit\u00e4tstechniker definieren, ob das Teil in Ordnung ist oder nicht (ob es wiederherstellbar ist oder nicht) und die Maschine nimmt es in ihr System auf.<\/li><\/ol>\n\n\n\n

    Deep Learning und menschliches Eingreifen: Die Bedeutung von Menschen und Partnern<\/h2>\n\n\n\n

    Der menschliche Faktor<\/strong> ist bei diesem Projekt von zentraler Bedeutung. Die Schulung wird von technischen Mitarbeitern der Qualit\u00e4tsabteilung von Ecrimesa durchgef\u00fchrt. Ausgehend von einer Datenbank mit 200 Bildern analysieren die Techniker die von der Maschine verarbeiteten Bilder \u00fcber einen Zeitraum von einem Monat. Sollten Fehler gefunden werden, die das System nicht erkannt hat, wird dieser Mangel in den Katalog aufgenommen.  <\/p>\n\n\n\n

    Dieses Projekt wurde von Guillermo Alonso <\/strong>und Emilio \u00c1lvarez, Qualit\u00e4tsmanager <\/strong>bei Ecrimesa,<\/strong> zusammen <\/strong>mit BSP Systems <\/strong>und Siali<\/strong> geleitet.  <\/strong><\/p>\n\n\n\n

    BSP Systems<\/strong> ist ein f\u00fchrender Anbieter von Industrieautomation und hat Kunden in ganz Spanien und in L\u00e4ndern wie Deutschland, Ungarn, Rum\u00e4nien, Russland, China und Mexiko. Siali<\/strong> ist ein Start-up-Unternehmen, welches eine Software f\u00fcr k\u00fcnstliche Vision und ein Lernsystem entwickelt hat und mit dem CaixaBank Emprendedor XXI Award ausgezeichnet wurde.<\/p>\n\n\n\n

    Wie k\u00f6nnen wir die Einhaltung der metallurgischen Qualit\u00e4t verbessern?<\/strong><\/h2>\n\n\n\n

    Die Implementierung neuer Technologien<\/strong> in Ecrimesa ist immer auf eine sp\u00fcrbare Verbesserung f\u00fcr unsere Kunden ausgerichtet. Das k\u00fcnstliche<\/strong> Bildverarbeitungssystem<\/strong> mit Deep Learning<\/strong> f\u00fcr die Inspektion von metallurgischen Teilen bedeutet: keine Fehler.<\/p>\n\n\n\n

    Einheitliche Qualit\u00e4t<\/strong><\/h2>\n\n\n\n

    Mit diesem neuen System<\/strong> stellen wir sicher, dass die Pr\u00fcfkriterien immer die gleichen bleiben und der Qualit\u00e4tsstandard ausnahmslos eingehalten wird. Au\u00dferdem werden die Schl\u00fcsselindikatoren nicht von der Entscheidung eines Qualit\u00e4tsbeauftragten abh\u00e4ngen, sondern automatisiert sein, so dass wir garantieren k\u00f6nnen, dass 100% der Teile den vom Kunden festgelegten Qualit\u00e4tsanforderungen entsprechen. <\/p>\n\n\n\n

    Verk\u00fcrzte Inspektionszykluszeit<\/strong><\/h2>\n\n\n\n

    Wir gehen von den derzeitigen 16 Stunden<\/strong> pro Zyklus auf eine Person alle 40 Minuten \u00fcber, welche 5 Minuten ben\u00f6tigt um die Maschine mit neuen Teilen zu best\u00fccken. Dies wird eine erhebliche Produktivit\u00e4tsverbesserung<\/strong> bedeuten.<\/p>\n\n\n\n

    Verbesserte Kundenbetreuung<\/strong><\/h2>\n\n\n\n

    Durch die Standardisierung <\/strong>der Pr\u00fcfkriterien wird sichergestellt, dass alle gelieferten Teile den Qualit\u00e4tsanforderungen des Kunden entsprechen. Die Automatisierung verk\u00fcrzt die Durchlaufzeiten.<\/p>\n\n\n\n

    \n