Qualitätsprüfung in der Fertigung: Traditionelle Verfahren im Vergleich zu Deep Learning

Die Qualitätsprüfung ist eine zentrale Aufgabe in der Fertigung, die sicherstellt, dass Produkte die erforderlichen Qualitätsstandards erfüllen. Die Qualitätsbewertung mit traditionellen Prüfmethoden kann jedoch mit zunehmender Produktkomplexität kostspielig werden.

Hersteller setzen zunehmend auf Deep-Learning-basierte Prüfverfahren wie Objekterkennung und semantische Segmentierung, um die Prüfkosten zu senken. Deep Learning ist ein Teilgebiet der künstlichen Intelligenz (AI), das sogenannte Computeralgorithmen – neuronale Netze – verwendet, um komplexe Muster in Daten zu erkennen. Diese Verfahren helfen dabei, den Prüfablauf zu automatisieren und die Abhängigkeit von menschlichen Prüfern zu verringern, indem umfangreiche Datensätze wie Bilder und Videos analysiert werden.

Dank ihrer Vielseitigkeit und Kosteneffizienz steigert die KI-basierte Qualitätssicherung die Rentabilität von Unternehmen erheblich. Berichten zufolge kann die Fertigungsindustrie bis 2035 durch KI mehr als 3 Billionen US-Dollar gewinnen.

In diesem Artikel wird erläutert, wie Deep-Learning-Methoden die Qualitätsprüfung verbessern können und wie Ultralytics YOLO11 die Prüfung in mehreren Branchen optimieren kann.

Was ist Qualitätsprüfung in der Fertigung?#

Bei der Qualitätsprüfung wird bewertet, ob ein Produkt Mängel, Anomalien oder Unregelmäßigkeiten aufweist, bevor es den Verbraucher erreicht.

Der Prozess kann während der Produktion stattfinden, wenn das Produkt eine Montagelinie durchläuft, oder nach der Produktion, bevor die Artikel zur Verteilerlinie weitergeleitet werden.

Oft führen menschliche Experten dabei Sichtprüfungen durch, um festzustellen, ob das Produkt von den gewünschten Designstandards abweicht oder diese nicht erfüllt.

Mit steigenden Qualitätsanforderungen setzen Hersteller jedoch zunehmend auf automatisierte Deep-Learning-Verfahren, um mehr Agilität und Skalierbarkeit in ihren Abläufen zu erreichen.

Was sind Deep-Learning-Verfahren?#

Deep-Learning-Verfahren verwenden künstliche neuronale Netze, die nach den Prinzipien des menschlichen Gehirns arbeiten. Die Netze bestehen aus miteinander verbundenen Schichten von Neuronen. 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 Merkmale aus Produktbildern automatisch lernen und extrahieren.

Für die Entwicklung von Computer-Vision-Modellen müssen Experten ein neuronales Netz anhand relevanter Datensätze trainieren und Validierungen mit einem neuen Datensatz durchführen, um die Leistung zu überprüfen.

Nach der Validierung können Experten diese Modelle mithilfe verschiedener Bereitstellungswerkzeuge wie PyTorch, ONNX und OpenVINO auf Kameras und Sensoren bereitstellen.

Deep-Learning-Verfahren für die Qualitätsprüfung#

Die bildbasierte Qualitätsprüfung verwendet mehrere Methoden, um Schäden, Risse und fehlende Teile zu erkennen und zu lokalisieren. Die folgende Liste nennt vier moderne Deep-Learning-Verfahren.

Binäre Klassifizierung#

Binäre Klassifizierung bezeichnet die Aufgabe, Bilder einer von zwei Klassen zuzuordnen, etwa um festzustellen, ob ein Objekt einen Defekt aufweist oder nicht.

Auf Grundlage visueller Daten gibt ein Klassifizierungsmodell eine binäre Ja-Nein-Entscheidung aus. Damit lassen sich fehlende Teile erkennen. So kann ein Klassifizierungsmodell feststellen, ob ein Teil in einem Produkt fehlt.

Abb. 2 Binäre Klassifizierung eines Autoteils.

Mehrklassenklassifizierung#

Mehrklassenklassifizierung ist die Aufgabe, Bilder mehr als zwei Klassen zuzuordnen. Dabei wird jedes Bild einer von mehreren vordefinierten Kategorien zugewiesen.

Beispielsweise kann ein Mehrklassenklassifizierungsmodell das Bild eines Produkts analysieren und Wahrscheinlichkeiten für mehrere Arten von Schäden oder Rissen ausgeben, wobei es angibt, welcher davon am wahrscheinlichsten vorhanden ist.

Abb. 3 Mehrklassenklassifizierung zur Erkennung von Verformungen und Farbfehlern.

Das ist in der Fertigung nützlich, da verschiedene Defekte wie Kratzer, Dellen oder Risse unterschiedliche Verfahren zur weiteren Bearbeitung erfordern können.

Lokalisierung#

Lokalisierung bezeichnet die Bestimmung der genauen Position eines Objekts oder Merkmals innerhalb eines Bildes. Dabei werden Objekterkennungsmodelle verwendet, um Begrenzungsrahmen oder Koordinaten vorherzusagen, die den genauen Schadensbereich hervorheben.

Das ist für Aufgaben wie die Risserkennung an Gebäuden oder Industrieteilen nützlich, bei denen der genaue Ort eines Defekts für gezielte Reparaturen erforderlich ist.

Abb. 4 Modell zur Lokalisierung eines Stanzlochs.

Bei der Instandhaltung von Infrastruktur können Lokalisierungsmodelle beispielsweise Bilder eines Betonteils analysieren und den genauen Bereich markieren, in dem sich ein Riss befindet.

Mehrklassenlokalisierung#

Die Mehrklassenlokalisierung erkennt und lokalisiert mehrere Defekte in einem Bild und klassifiziert jeden Defekt zugleich in eine von mehreren vordefinierten Kategorien.

Dabei kommen fortschrittlichere Objekterkennungsmodelle zum Einsatz, um Art und Position eines Defekts zu bestimmen und detailliertere Informationen bereitzustellen.

Abb. 5 Modell zur Lokalisierung mehrerer Defektarten.

Ein Mehrklassenlokalisierungsmodell kann beispielsweise das Bild eines beschädigten Artikels analysieren und die Art des Defekts, etwa einen Kratzer oder Riss, sowie die genauen Koordinaten des Defekts innerhalb des Objekts angeben.

Traditionelle Verfahren im Vergleich zu Deep-Learning-Verfahren#

Traditionelle Prüfmethoden sind starrer und folgen benutzerdefinierten Regeln und Standards wie Schwellenwerten, vordefinierten Checklisten sowie Gut-Schlecht-Kriterien.

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

Deep-Learning-Verfahren bieten mehr Flexibilität beim Aufbau komplexerer Erkennungssysteme. Dazu werden umfangreiche Datensätze mit Bildern fehlerhafter Objekte gesammelt und annotiert. Experten verwenden die annotierten Daten, um Modelle zur Objekterkennung wie Ultralytics YOLO11 zu trainieren. Nach dem Training kann das Modell auf Kameras oder Sensoren bereitgestellt werden, um Bilder aufzunehmen und Defekte in Echtzeit zu erkennen.

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

Computer Vision für die Qualitätsprüfung einsetzen#

Einmaliges Hinschauen genügt (YOLO) ist ein hochmodernes (SOTA) Echtzeit-Objekterkennungsmodell, das für seine hohe Genauigkeit, Anpassungsfähigkeit und Geschwindigkeit bekannt ist. Die neueste Version ist Ultralytics YOLO11, das die vorherigen Versionen bei Merkmalsextraktion, Geschwindigkeit, Genauigkeit und Anpassungsfähigkeit verbessert.

Es verfügt über eine verbesserte Architektur für eine präzisere Merkmalsextraktion und umfasst optimierte Trainingspipelines für eine schnellere Verarbeitung. Das Modell ist recheneffizienter, verfügt über 22 % weniger Parameter und erzielt höhere Genauigkeitswerte als seine Vorgänger.

Dank seiner Vielseitigkeit kann Ultralytics YOLO11 die Abläufe der Qualitätsprüfung in zahlreichen Bereichen verbessern. Durch Aufgaben wie Objekterkennung und Segmentierung lassen sich Anomalien, Schäden, Risse, fehlende Teile und Verpackungsfehler in Produkten erkennen.

Sehen 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 überprüfen, ob ein Produkt alle erforderlichen Teile enthält. Sie erkennen fehlende Komponenten in montierten Produkten und stellen so deren Vollständigkeit sicher.

In der Elektronikfertigung ist es entscheidend, fehlende Komponenten, falsch ausgerichtete Teile oder Lötfehler zu erkennen, damit das Endprodukt zuverlässig ist und die vorgesehene Funktion erfüllt.

Objekterkennungsmodelle wie YOLO11 können darauf trainiert werden, fehlende oder falsch platzierte Komponenten auf Leiterplatten zu erkennen. Das Modell kann Leiterplattenbilder in Echtzeit analysieren und Defekte wie fehlende Widerstände oder Kondensatoren identifizieren. So wird sichergestellt, dass jede Einheit vor dem Versand korrekt montiert ist.

Risserkennung an Fahrzeugteilen#

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

Die Automobilindustrie ist ein Beispiel für einen Bereich, in dem Risse an verschiedenen Komponenten wie Getrieben und Bremssystemen erkannt werden müssen, damit diese die Sicherheitsstandards erfüllen.

Modelle wie Ultralytics YOLO11 können darauf trainiert werden, Defekte wie Oberflächenkratzer oder Risse in komplexen Fahrzeugkomponenten schnell zu erkennen.

Schadenserkennung in der Textilindustrie#

Computer Vision kann mithilfe von Computer-Vision-Aufgaben verschiedene Arten von Schäden auf einer Produktoberfläche erkennen, etwa Kratzer, Dellen und Verformungen.

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

Anomalieerkennung in der pharmazeutischen Fertigung#

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

In der pharmazeutischen Fertigung ist die Anomalieerkennung entscheidend, um die Qualität und Sicherheit von Arzneimitteln zu gewährleisten. Hersteller können Ultralytics YOLO11 verwenden, um Unregelmäßigkeiten wie Abweichungen bei Tablettenformen und -größen, Verfärbungen oder Fremdpartikel zu erkennen.

Genauigkeit von Verpackung und Etikettierung#

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

Modelle wie Ultralytics YOLO11 können Verpackungsfehler wie falsche Etikettierungen, beschädigte Verpackungen oder fehlende Sicherheitssiegel erkennen. Außerdem können sie überprüfen, ob Etiketten korrekt angebracht sind und gut lesbare Barcodes oder Verfallsdaten enthalten.

So wird sichergestellt, dass die Produkte den Branchenvorschriften entsprechen und für den Vertrieb an Verbraucher bereit sind.

Herausforderungen und zukünftige Entwicklungen der KI-basierten Qualitätsprüfung#

Frameworks für die KI-basierte Qualitätsprüfung entwickeln sich weiter und stehen vor zahlreichen Herausforderungen. Hier sind einige Einschränkungen und zukünftige Forschungsrichtungen, die du bei diesen Technologien berücksichtigen solltest.

• Lernen in offenen Umgebungen und aktive Bildverarbeitung: Die Entwicklung von Objekterkennungsmodellen zur Erkennung neuer Objekte ist aufgrund der begrenzten Verfügbarkeit annotierter Daten schwierig. Modelle für unüberwachtes Training und Transferlernen können Experten dabei helfen, Erkennungsframeworks schnell an neue Datensätze anzupassen.
• Erkennung auf Pixelebene: Die Bildsegmentierung ermöglicht es Modellen, zwischen dem Hintergrund und dem Hauptobjekt in einem Bild zu unterscheiden. Die Integration von Objekterkennung und Segmentierung ist ein Forschungsbereich, der kontinuierlich weiterentwickelt wird, um eine hochwertige Qualitätsprüfung sicherzustellen.
• Multimodales Lernen: Multimodale Modelle können mehrere Datentypen gleichzeitig integrieren und analysieren. Bei der Objekterkennung kann multimodales Lernen die Prüfgenauigkeit Genauigkeit verbessern, indem es aus unterschiedlichen Datentypen lernt, etwa aus thermischen Daten zum Verständnis der Tiefe, zweidimensionalen Bildern und kurzen Videoaufnahmen.

Wichtige Erkenntnisse#

Die Deep-Learning-basierte Qualitätsprüfung macht aufgrund der kontinuierlichen Entwicklung verschiedener Objekterkennungsmodelle exponentielle Fortschritte. Mit KI-basierter Qualitätsprüfung können Hersteller eine höhere Skalierbarkeit und Flexibilität als mit traditionellen Verfahren erreichen.

Unternehmen können Modelle wie Ultralytics YOLO11 verwenden, um den Prüfprozess zu automatisieren und dabei die verbesserte Architektur und die leistungsfähigen Fähigkeiten zur Merkmalsextraktion zu nutzen, die für höhere Genauigkeit und schnellere Verarbeitung sorgen.

Du kannst mehr über YOLO11 und andere Objekterkennungsmodelle erfahren, indem du unser GitHub-Repository besuchst und dich an unserer aktiven Community beteiligst. Entdecke, wie Ultralytics die Fertigung mit hochmodernen Deep-Learning-Frameworks neu definiert.