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

Die Qualitätsprüfung ist ein wichtiger Schritt in der Fertigung, der sicherstellt, dass Produkte die erforderlichen Qualitätsstandards erfüllen. Herkömmliche Prüfverfahren können jedoch mit zunehmender Produktkomplexität kostspielig werden.

Hersteller setzen zunehmend auf prüfverfahren auf Basis von Deep Learning, etwa Objekterkennung und semantische Segmentierung, um die Prüfkosten zu senken. Deep Learning ist ein Teilgebiet der künstlichen Intelligenz (KI), bei dem Computeralgorithmen namens neuronale Netze komplexe Muster in Daten erkennen. Diese Verfahren helfen dabei, den Prüfablauf zu automatisieren und die Abhängigkeit von menschlichen Prüfern zu verringern, indem umfangreiche Datensätze mit Bildern und Videos analysiert werden.

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

Dieser Artikel behandelt, wie Deep-Learning-Methoden die Qualitätsprüfung verbessern können und wie Ultralytics YOLO11 die Prüfung in verschiedenen Branchen optimieren kann.

Was bedeutet Qualitätsprüfung in der Fertigung?#

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

Die Prüfung kann während der Fertigung stattfinden, wenn das Produkt eine Montagelinie durchläuft, oder nach der Fertigung, bevor die Produkte zur Vertriebsstrecke gelangen.

Häufig führen Fachleute dabei eine Sichtprüfung durch, um festzustellen, ob das Produkt von den gewünschten Konstruktionsstandards abweicht oder diese nicht erfüllt.

Da die Qualitätsanforderungen steigen, setzen Hersteller jedoch zunehmend auf automatisierte Deep-Learning-Verfahren, um ihre Abläufe agiler und besser skalierbar zu gestalten.

Was sind Deep-Learning-Verfahren?#

Deep-Learning-Verfahren nutzen künstliche neuronale Netze, die nach den Prinzipien des 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 erstellen.

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 Fachleute ein neuronales Netz mit relevanten Datensätzen trainieren und die Leistung anhand eines neuen Datensatzes validieren.

Nach der Validierung können Fachleute diese Modelle auf Kameras und Sensoren bereitstellen. Dafür stehen verschiedene Bereitstellungstools zur Verfügung, etwa PyTorch, ONNX und OpenVINO.

Deep-Learning-Verfahren für die Qualitätsprüfung#

Bei der visuellen Qualitätsprüfung kommen verschiedene Methoden zum Einsatz, um Schäden, Risse und fehlende Teile zu erkennen und zu lokalisieren. Im Folgenden werden vier moderne Deep-Learning-Verfahren vorgestellt.

Binäre Klassifizierung#

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

Auf Grundlage visueller Daten gibt ein Klassifizierungsmodell eine binäre Ja/Nein-Entscheidung aus. Solche Modelle helfen dabei, fehlende Teile zu erkennen. Ein Klassifizierungsmodell kann beispielsweise feststellen, ob ein Teil in einem Produkt fehlt.

Abb. 2 Binäre Klassifizierung eines Autoteils.

Mehrklassenklassifizierung#

Bei der Mehrklassenklassifizierung werden Bilder einer von mehr als zwei Klassen zugeordnet. Jedes Bild wird einer von mehreren vordefinierten Kategorien zugewiesen.

Ein Mehrklassen-Klassifizierungsmodell kann beispielsweise das Bild eines Produkts analysieren und Wahrscheinlichkeiten für mehrere Arten von Schäden oder Rissen ausgeben. So zeigt es an, welche Art am wahrscheinlichsten vorliegt.

Abb. 3 Mehrklassenklassifizierung zur Erkennung von Verformungen und Farbfehlern.

Das ist in der Fertigung nützlich, wo verschiedene Defekte wie Kratzer, Dellen oder Risse unterschiedliche Vorgehensweisen erfordern können.

Lokalisierung#

Bei der Lokalisierung wird die genaue Position eines Objekts oder Merkmals innerhalb eines Bildes bestimmt. Dazu werden Objekterkennungsmodelle eingesetzt, die Begrenzungsrahmen oder Koordinaten vorhersagen, welche den beschädigten Bereich markieren.

Das ist beispielsweise für die Risserkennung an Gebäuden oder Industrieteilen nützlich, bei der die genaue Position eines Defekts für gezielte Reparaturen bekannt sein muss.

Abb. 4 Modell zur Lokalisierung eines Stanzlochs.

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

Mehrklassenlokalisierung#

Die Mehrklassenlokalisierung erkennt und lokalisiert mehrere Defekte in einem Bild und ordnet gleichzeitig jeden Defekt einer von mehreren vordefinierten Kategorien zu.

Dazu werden fortschrittlichere Objekterkennungsmodelle eingesetzt, die Art und Position eines Defekts bestimmen und so detailliertere Informationen liefern.

Abb. 5 Modell zur Lokalisierung mehrerer Defekttypen.

Ein Mehrklassen-Lokalisierungsmodell kann beispielsweise das Bild eines beschädigten Gegenstands analysieren und sowohl die Art des Defekts – etwa einen Kratzer oder Riss – als auch dessen genaue Koordinaten innerhalb des Objekts angeben.

Herkömmliche Verfahren im Vergleich zu Deep Learning#

Herkömmliche Prüfverfahren sind starrer und folgen von Anwendern festgelegten Regeln und Standards, etwa Schwellenwerten, vordefinierten Checklisten und Kriterien für Bestehen oder Nichtbestehen.

Bei regelbasierten Bildverarbeitungsverfahren legen Fachleute beispielsweise die ideale Farbe, Form und Größe eines bestimmten Produkts fest. Erkennt eine Kamera oder ein anderes Bilderfassungsgerät Abweichungen von diesen Standards, benachrichtigt das System die Fachleute.

Deep-Learning-Verfahren bieten mehr Flexibilität bei der Entwicklung komplexerer Erkennungssysteme. Dazu werden umfangreiche Bilddatensätze mit fehlerhaften Objekten gesammelt und annotiert. Fachleute verwenden die annotierten Daten, um Objekterkennungsmodelle wie Ultralytics YOLO11 zu trainieren. Nach dem Training können sie das Modell auf Kameras oder Sensoren bereitstellen, um Bilder aufzunehmen und Defekte in Echtzeit zu erkennen.

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

Computer Vision für die Qualitätsprüfung einsetzen#

You-Only-Look-Once (YOLO) ist ein hochmodernes Objekterkennungsmodell für Echtzeitanwendungen, das für seine hohe Genauigkeit, Anpassungsfähigkeit und Geschwindigkeit bekannt ist. Die neueste Version ist Ultralytics YOLO11. Sie verbessert die Vorgängerversionen bei der Merkmalsextraktion, Geschwindigkeit, Genauigkeit und Anpassungsfähigkeit.

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

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

Sehen wir uns einige Möglichkeiten an, Computer-Vision-Modelle in der Fertigungsindustrie einzusetzen.

Fehlende Teile und falsch platzierte Komponenten in der Elektronik erkennen#

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 wie vorgesehen funktioniert.

Objekterkennungsmodelle wie YOLO11 können darauf trainiert werden, fehlende oder falsch platzierte Komponenten auf Leiterplatten zu erkennen. Sie können Leiterplattenbilder in Echtzeit analysieren und Defekte wie fehlende Widerstände oder Kondensatoren erkennen. So wird sichergestellt, dass jedes Gerät vor dem Versand korrekt montiert wurde.

Risse in Fahrzeugteilen erkennen#

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

Die Automobilindustrie ist ein Beispiel für eine Branche, in der Risse an verschiedenen Komponenten wie Getrieben und Bremssystemen erkannt werden müssen, damit diese den Sicherheitsstandards entsprechen.

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

Schäden an Textilien erkennen#

Computer Vision kann mithilfe von Bildverarbeitungsaufgaben verschiedene Arten von Schäden an Produktoberflächen erkennen, etwa Kratzer, Dellen und Verformungen.

Die Textilindustrie kann erheblich von der KI-gestützten Schadenserkennung profitieren, indem sie Objekterkennungs- und Segmentierungsmodelle wie Ultralytics YOLO11 einsetzt. Diese können während der Fertigung Defekte wie Risse, Löcher, Flecken oder Unregelmäßigkeiten im Gewebe erkennen.

Anomalieerkennung in der pharmazeutischen Fertigung#

Bei der Anomalieerkennung werden Design, Struktur, Erscheinungsbild und Größe eines Produkts analysiert, um festzustellen, 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 einsetzen, um Unregelmäßigkeiten wie Abweichungen bei Tablettenform und -größe, Verfärbungen oder Fremdpartikel zu erkennen.

Genauigkeit von Verpackung und Kennzeichnung#

Ein weiteres Beispiel für den Einsatz von Computer-Vision-Modellen in der Fertigung ist die Verpackung und Kennzeichnung von Produkten. So muss beispielsweise die Lebensmittel- und Getränkeindustrie strenge Standards zum Schutz der Verbraucher und zur Einhaltung von Vorschriften erfüllen.

Modelle wie Ultralytics YOLO11 können Verpackungsfehler erkennen, etwa falsche Etiketten, beschädigte Verpackungen oder fehlende Sicherheitssiegel. Sie können außerdem prüfen, ob Etiketten korrekt angebracht sind und gut lesbare Barcodes oder Verfallsdaten aufweisen.

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

Herausforderungen und Zukunftsperspektiven der KI-gestützten Qualitätsprüfung#

Frameworks für die KI-gestützte Qualitätsprüfung entwickeln sich noch weiter und stehen vor zahlreichen Herausforderungen. Hier sind einige Einschränkungen und künftige Forschungsrichtungen, die bei diesen Technologien zu berücksichtigen sind.

• Lernen in offenen Welten und aktives Sehen: Die Entwicklung von Objekterkennungsmodellen zur Erkennung neuer Objekte ist schwierig, da nur wenige annotierte Daten verfügbar sind. Modelle für überwachungsfreies Training und Transferlernen können Fachleuten dabei helfen, Erkennungsframeworks schnell an neue Datensätze anzupassen.
• Erkennung auf Pixelebene: Durch Bildsegmentierung können Modelle den Hintergrund vom Hauptobjekt in einem Bild unterscheiden. Die Integration von Objekterkennung und Segmentierung ist ein fortlaufend weiterentwickeltes Forschungsgebiet, das eine hohe Prüfqualität sicherstellen soll.
• Multimodales Lernen: Multimodale Modelle können mehrere Datentypen gleichzeitig integrieren und analysieren. Bei der Objekterkennung kann multimodales Lernen die Prüf genauigkeit verbessern, indem unterschiedliche Datentypen berücksichtigt werden, etwa Wärmebilddaten zur Erfassung der Tiefe, zweidimensionale Bilder und kurze Videoaufnahmen.

Die wichtigsten Erkenntnisse#

Die Qualitätsprüfung auf Basis von Deep Learning entwickelt sich rasant weiter, da laufend neue Objekterkennungsmodelle entstehen. Mit KI-gestützter Qualitätsprüfung können Hersteller eine höhere Skalierbarkeit und Flexibilität als mit herkömmlichen Verfahren erreichen.

Unternehmen können Modelle wie Ultralytics YOLO11 einsetzen, um den Prüfprozess zu automatisieren. Die verbesserte Architektur und die leistungsfähige Merkmalsextraktion ermöglichen eine höhere Genauigkeit und schnellere Verarbeitung.

Mehr über YOLO11 und weitere Objekterkennungsmodelle erfährst du in unserem GitHub-Repository und im Austausch mit unserer aktiven Community. Entdecke, wie Ultralytics die Fertigung mit hochmodernen Deep-Learning-Frameworks neu gestaltet.