Qualitätsprüfung in der Fertigung: Traditionelle vs. Deep Learning-Methoden

Die Qualitätsprüfung ist eine entscheidende Aufgabe bei der Herstellung, die sicherstellt, dass Produkte den geforderten Qualitätsstandards entsprechen. Die Qualitätsbewertung mit herkömmlichen Prüfmethoden kann jedoch mit zunehmender Produktkomplexität kostspielig sein.

Hersteller setzen zunehmend auf auf Deep Learning basierende Prüfverfahren wie Objekterkennung und semantische Segmentierung, um die Prüfkosten zu senken. Deep Learning ist ein Teilbereich der Künstlichen Intelligenz (KI), der Computeralgorithmen namens neuronale Netze nutzt, um komplexe Muster in Daten zu erkennen. Diese Techniken helfen dabei, den Prüfablauf zu automatisieren und die Abhängigkeit von menschlichen Prüfern zu verringern, indem sie umfangreiche Datensätze einschließlich Bildern und Videos analysieren.

Aufgrund ihrer Vielseitigkeit und Kosteneffizienz steigert KI-basierte Qualitätssicherung die Rentabilität von Unternehmen erheblich. Berichte deuten darauf hin, dass die Fertigungsindustrie bis 2035 durch KI mehr als 3 Billionen USD gewinnen kann.

In diesem Artikel wird erörtert, wie Deep-Learning-Methoden die Qualitätsprüfung verbessern können und wie Ultralytics YOLO11 die Inspektion in verschiedenen Branchen optimieren kann.

Was ist Qualitätskontrolle in der Fertigung?#

Die Qualitätskontrolle bewertet, ob ein Produkt Fehler, Anomalien oder Inkonsistenzen aufweist, bevor es den Verbraucher erreicht.

Der Prozess kann während der Produktion stattfinden, wenn das Produkt ein Fließband durchläuft, oder nach der Produktion, bevor die Artikel in den Vertrieb gelangen.

Oft umfasst dies visuelle Beurteilungen durch menschliche Experten, um festzustellen, ob das Produkt von den gewünschten Designstandards abweicht oder diese nicht erfüllt.

Da die Qualitätsanforderungen jedoch steigen, stellen Hersteller auf automatisierte Deep-Learning-Ansätze um, um mehr Agilität und Skalierbarkeit in ihren Abläufen zu erreichen.

Was sind Deep-Learning-Ansätze?#

Deep-Learning-Ansätze nutzen künstliche neuronale Netze, die nach den Prinzipien eines menschlichen Gehirns funktionieren. Die Netze bestehen aus miteinander verbundenen Neuronenschichten. Jedes Neuron führt eine mathematische Berechnung durch, um Daten zu analysieren, Muster zu erkennen und eine Vorhersage zu generieren.

Abb. 1: Künstliches neuronales Netz.

Bei der Qualitätsprüfung umfassen Deep-Learning-Modelle Computer-Vision-Frameworks, die automatisch Merkmale aus Produktbildern lernen und extrahieren.

Die Entwicklung von Computer-Vision-Modellen erfordert, dass Experten ein neuronales Netz mit relevanten Datensätzen trainieren und Validierungen an einem neuen Datensatz durchführen, um die Leistung zu überprüfen.

Nach der Validierung können Experten diese Modelle auf Kameras und Sensoren bereitstellen, indem sie verschiedene Bereitstellungstools wie PyTorch, ONNX und OpenVINO verwenden.

Deep-Learning-Ansätze für die Qualitätskontrolle#

Die vision-basierte Qualitätskontrolle verwendet verschiedene Methoden, um Schäden, Risse und fehlende Teile zu erkennen und zu lokalisieren. Die folgende Liste nennt vier moderne Deep-Learning-Ansätze.

Binäre Klassifizierung#

Binäre Klassifizierung bezeichnet die Aufgabe, Bilder in eine von zwei Klassen einzuteilen, wie zum Beispiel die Bestimmung, ob ein Defekt an einem Objekt vorliegt oder nicht.

Basierend auf visuellen Daten gibt ein Klassifizierungsmodell eine binäre Ja/Nein-Entscheidung aus. Sie helfen dabei, fehlende Teile zu erkennen. Ein Klassifizierungsmodell kann zum Beispiel feststellen, ob ein Teil in einem Produkt fehlt oder nicht.

Abb. 2: Binäre Klassifizierung eines Autoteils.

Multi-Klassen-Klassifizierung#

Multi-Klassen-Klassifizierung ist die Aufgabe, Bilder in mehr als zwei Klassen zu kategorisieren. Dabei wird jedes Bild einer von mehreren vordefinierten Kategorien zugeordnet.

Ein Multi-Klassen-Klassifizierungsmodell kann beispielsweise das Bild eines Produkts analysieren und Wahrscheinlichkeiten für mehrere Schadens- oder Rissarten ausgeben, um anzuzeigen, welcher Typ am wahrscheinlichsten vorliegt.

Abb. 3: Mehrklassen-Klassifizierung zur Erkennung von Biegungen und Farbe.

Dies ist in der Fertigung nützlich, wo verschiedene Mängel wie Kratzer, Dellen oder Risse unterschiedliche Handhabungsverfahren erfordern können.

Lokalisierung#

Lokalisierung bezeichnet die Identifizierung des genauen Standorts eines Objekts oder Merkmals innerhalb eines Bildes. Sie verwendet Objekterkennungsmodelle, um Bounding-Boxen oder Koordinaten vorherzusagen, die den spezifischen Beschädigungsbereich markieren.

Dies ist nützlich für Aufgaben wie die Risserkennung in Gebäuden oder Industrieteilen, bei denen der präzise Standort eines Defekts für gezielte Reparaturen erforderlich ist.

Abb. 4: Modell zur Lokalisierung eines Stanzlochs.

In der Infrastrukturinstandhaltung können Lokalisierungsmodelle beispielsweise Bilder einer Betonstruktur analysieren und den genauen Bereich markieren, in dem sich ein Riss befindet.

Multi-Klassen-Lokalisierung#

Die Multi-Klassen-Lokalisierung identifiziert und lokalisiert mehrere Defekte innerhalb eines Bildes und klassifiziert gleichzeitig jeden Defekt in eine von mehreren vordefinierten Kategorien.

Es werden fortschrittlichere Objekterkennungsmodelle verwendet, um den Typ und die Position eines Defekts zu bestimmen und so detailliertere Informationen bereitzustellen.

Abb. 5: Modell zur Lokalisierung mehrerer Defekttypen.

Ein Multi-Klassen-Lokalisierungsmodell kann beispielsweise ein Bild eines beschädigten Artikels analysieren und den Defekttyp, wie etwa einen Kratzer oder Riss, sowie die genauen Koordinaten des Defekts innerhalb des Objekts angeben.

Traditionelle vs. Deep-Learning-Ansätze#

Traditionelle Inspektionsmethoden sind starrer und folgen benutzerdefinierten Regeln und Standards wie Schwellenwerten, vordefinierten Checklisten und Pass/Fail-Kriterien.

Bei regelbasierten Vision-Techniken definieren Experten beispielsweise die ideale Farbe, Form und Größe eines bestimmten Produkts. Das System benachrichtigt die Experten, wenn eine Kamera oder ein anderes bildgebendes Gerät Abweichungen von diesen Standards erkennt.

Deep-Learning-Ansätze bieten eine größere Flexibilität beim Aufbau komplexerer Erkennungssysteme. Diese Ansätze beinhalten das Sammeln und Annotieren umfangreicher Datensätze von Bildern fehlerhafter Objekte. Experten verwenden die annotierten Daten, um Objekterkennungs-Modelle wie Ultralytics YOLO11 zu trainieren. Nach dem Training können sie das Modell in Kameras oder Sensoren einsetzen, um Bilder aufzunehmen und Defekte in Echtzeit zu erkennen.

Im folgenden Abschnitt schauen wir uns an, wie Ultralytics YOLO11 für die Qualitätsprüfung eingesetzt werden kann.

Einsatz von Computer Vision für die Qualitätskontrolle#

You-Only-Look-Once (YOLO) ist ein hochmodernes (SOTA) Echtzeit-Objekterkennungsmodell, das für seine hohe Genauigkeit, Anpassungsfähigkeit und Geschwindigkeit bekannt ist. Seine neueste Iteration ist Ultralytics YOLO11, welches die vorherigen Versionen hinsichtlich Merkmalsextraktion, Geschwindigkeit, Genauigkeit und Anpassungsfähigkeit verbessert.

Es verfügt über eine bessere Architektur für eine präzisere Merkmalsextraktion und enthält optimierte Trainingsepipeselines für schnellere Verarbeitungsgeschwindigkeiten. Es ist rechnerisch effizienter und weist 22 % weniger Parameter sowie höhere Genauigkeitswerte als seine Vorgänger auf.

Dank seiner Vielseitigkeit kann Ultralytics YOLO11 dazu beitragen, Qualitätsprüfungs-Workflows in zahlreichen Bereichen zu verbessern. Es hilft dabei, Anomalien, Beschädigungen, Risse, fehlende Teile und Verpackungsfehler in Produkten zu erkennen, indem es Aufgaben wie Objekterkennung und Segmentierung ausführt.

Schauen wir uns einige Möglichkeiten an, wie Computer-Vision-Modelle in der Fertigungsindustrie eingesetzt werden können.

Erkennung fehlender Teile und falsch platzierter Komponenten in der Elektronik#

Computer-Vision-Modelle können prüfen, ob ein Produkt alle notwendigen Teile enthält. Sie können fehlende Komponenten in montierten Produkten erkennen, um Vollständigkeit zu gewährleisten.

In der Elektronikfertigung ist die Identifizierung fehlender Komponenten, falsch ausgerichteter Teile oder Lötprobleme entscheidend, um sicherzustellen, dass das Endprodukt zuverlässig ist und die richtige Funktionalität aufweist.

Objekterkennungsmodelle wie YOLO11 können darauf trainiert werden, fehlende oder falsch platzierte Komponenten auf Leiterplatten zu erkennen. Es kann Bilder der Platinen in Echtzeit analysieren und Mängel wie fehlende Widerstände oder Kondensatoren identifizieren. Dies stellt sicher, dass die Montage jeder Einheit vor dem Versand korrekt ist.

Risserkennung in Autoteilen#

Die Risserkennung ist eine weitere Erkennungsaufgabe, die Bilder oder Sensordaten analysiert, um Position, Größe und Schweregrad eines Risses genau zu bestimmen.

Die Automobilindustrie ist ein Beispiel dafür, wo die Erkennung von Rissen in verschiedenen Komponenten wie Getrieben und Bremssystemen erforderlich ist, um sicherzustellen, dass sie den Sicherheitsstandards entsprechen.

Modelle wie Ultralytics YOLO11 können trainiert werden, um Mängel wie Oberflächenkratzer oder Risse in komplexen Automobilkomponenten schnell zu erkennen.

Schadenerkennung bei Textilien#

Computer Vision kann helfen, verschiedene Arten von Schäden auf der Oberfläche eines Produkts wie Kratzer, Dellen und Verformungen mittels Computer-Vision-Aufgaben zu erkennen.

Die Textilindustrie kann erheblich von KI-gestützter Schadenserkennung profitieren, indem sie Objekterkennungs- und Segmentierungsmodelle wie Ultralytics YOLO11 einsetzt. Damit lassen sich während des Produktionsprozesses Mängel wie Risse, Löcher, Flecken oder Unregelmäßigkeiten im Stoff identifizieren.

Anomalieerkennung in der pharmazeutischen Fertigung#

Anomalieerkennung bezeichnet die Aufgabe, Design, Struktur, Aussehen und Größe eines Produkts zu analysieren, um zu beurteilen, ob diese Eigenschaften von den gewünschten Standards abweichen.

In der pharmaceutical manufacturing ist die Anomalieerkennung von entscheidender Bedeutung, um die Qualität und Sicherheit von Pharmaprodukten zu gewährleisten. Hersteller können Ultralytics YOLO11 nutzen, um Unregelmäßigkeiten wie Abweichungen in Tablettenform und -größe, Verfärbungen oder Fremdkörper zu erkennen.

Genauigkeit bei Verpackung und Etikettierung#

Ein weiteres Beispiel für den Einsatz von Computer-Vision-Modellen in der Fertigung ist die Verpackung und Etikettierung in der Industrie. Die Lebensmittel- und Getränkeindustrie muss beispielsweise strenge Standards für Verbrauchersicherheit und Compliance erfüllen.

Modelle wie Ultralytics YOLO11 können dabei helfen, Verpackungsfehler wie falsche Etikettierung, beschädigte Verpackungen oder fehlende Sicherheitssiegel zu erkennen. Zudem lässt sich überprüfen, ob Etiketten mit klaren Barcodes oder Verfallsdaten korrekt platziert sind.

Dies stellt sicher, dass Produkte Branchenvorschriften entsprechen und für den Verbrauchervertrieb bereit sind.

Herausforderungen und zukünftige Richtungen der KI-basierten Qualitätskontrolle#

KI-basierte Qualitätsprüfungs-Frameworks entwickeln sich ständig weiter und stehen vor zahlreichen Herausforderungen. Hier sind einige Einschränkungen und zukünftige Forschungsrichtungen, die für diese Technologien zu berücksichtigen sind.

• Open-World-Learning und Active Vision: Der Aufbau von Objekterkennungsmodellen zur Erkennung neuer Objekte ist aufgrund der begrenzten Verfügbarkeit gelabelter Daten eine Herausforderung. Unüberwachtes Training und Transfer-Learning-Modelle können Experten dabei helfen, Erkennungs-Frameworks schnell an neue Datensätze anzupassen.
• Pixelbasierte Erkennung: Die Bildsegmentierung ermöglicht es Modellen, den Unterschied zwischen dem Hintergrund und dem Hauptobjekt in einem Bild zu verstehen. Die Integration von Objekterkennung und Segmentierung ist ein Forschungsbereich, der ständig weiterentwickelt wird, um eine qualitativ hochwertige Inspektion sicherzustellen.
• Multimodales Lernen: Multimodale Modelle können mehrere Datentypen gleichzeitig integrieren und analysieren. Bei der Objekterkennung kann multimodales Lernen dazu beitragen, die Prüf genauigkeit zu verbessern, indem von verschiedenen Datentypen gelernt wird, wie etwa Thermaldaten zum Verständnis der Tiefe, zweidimensionalen Bildern und kurzen Videosequenzen.

Wichtige Erkenntnisse#

Die Deep-Learning-basierte Qualitätskontrolle erlebt aufgrund der ständigen Entwicklung verschiedener Objekterkennungsmodelle einen exponentiellen Fortschritt. Mit KI-basierter Qualitätskontrolle können Hersteller eine größere Skalierbarkeit und Flexibilität erreichen als mit traditionellen Ansätzen.

Unternehmen können Modelle wie Ultralytics YOLO11 nutzen, um den Prüfprozess zu automatisieren, und dabei von der verbesserten Architektur und den Funktionen zur Merkmalsextraktion profitieren, die zu einer höheren Genauigkeit und schnelleren Geschwindigkeit führen.

Du kannst mehr über YOLO11 und andere Objekterkennungsmodelle erfahren, indem du unser GitHub-Repository besuchst und dich mit unserer lebendigen Community austauschst. Entdecke, wie Ultralytics die Herstellung durch hochmoderne Deep-Learning-Frameworks neu definiert.