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

Die Qualitätskontrolle ist eine entscheidende Aufgabe während der Fertigung, die sicherstellt, dass Produkte die erforderlichen Qualitätsstandards erfüllen. Die Qualitätsbewertung mit traditionellen Inspektionsmethoden kann jedoch mit zunehmender Produktkomplexität kostspielig werden.

Hersteller gehen dazu über, auf Deep Learning basierende Inspektionstechniken wie Objekterkennung und semantische Segmentierung zu nutzen, um Inspektionskosten zu senken. Deep Learning ist ein Teilbereich der künstlichen Intelligenz (KI), bei dem Computeralgorithmen, sogenannte neuronale Netze, eingesetzt werden, um komplexe Muster in Daten zu identifizieren. Diese Techniken helfen dabei, den Inspektionsablauf zu automatisieren und die Abhängigkeit von menschlichen Prüfern zu verringern, indem sie umfangreiche Datensätze, einschließlich Bilder 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 besprechen wir, wie Deep-Learning-Methoden die Qualitätskontrolle verbessern können und wie Ultralytics YOLO11 die Inspektion in verschiedenen Branchen optimieren kann.

Link to this sectionWas 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.

Link to this sectionWas sind Deep-Learning-Ansätze?#

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

Abb. 1. Künstliches neuronales Netz.

Bei der Qualitätskontrolle 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 mit verschiedenen Deployment-Tools wie PyTorch, ONNX und OpenVINO bereitstellen.

Link to this sectionDeep-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.

Link to this sectionBinäre Klassifizierung#

Binäre Klassifizierung bezieht sich auf die Aufgabe, Bilder in eine von zwei Klassen zu kategorisieren, z. B. um festzustellen, ob ein Defekt in einem Objekt vorhanden ist 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.

Link to this sectionMulti-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. Multi-Klassen-Klassifizierung zur Erkennung von Verbiegungen und Farbe.

Dies ist in der Fertigung nützlich, wo verschiedene Defekte wie Kratzer, Dellen oder Risse unterschiedliche Handlungsverfahren erfordern könnten.

Link to this sectionLokalisierung#

Lokalisierung bezieht sich auf die Identifizierung der spezifischen Position eines Objekts oder Merkmals innerhalb eines Bildes. Dabei werden Objekterkennungsmodelle verwendet, um Bounding Boxes oder Koordinaten vorherzusagen, die den spezifischen Schadensbereich hervorheben.

Dies ist nützlich für Aufgaben wie die Risserkennung in Gebäuden oder Industrieteilen, bei denen die genaue Position 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.

Link to this sectionMulti-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.

Link to this sectionTraditionelle 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 größere Flexibilität beim Aufbau komplexerer Erkennungssysteme. Diese Ansätze beinhalten das Sammeln und Annotieren umfangreicher Datensätze von Bildern defekter Objekte. Experten nutzen die annotierten Daten, um Objekterkennungs- Modelle wie Ultralytics YOLO11 zu trainieren. Sobald das Modell trainiert ist, können sie es in Kameras oder Sensoren einsetzen, um Bilder aufzunehmen und Defekte in Echtzeit zu identifizieren.

Im nächsten Abschnitt werfen wir einen Blick darauf, wie YOLO11 für die Qualitätskontrolle eingesetzt werden kann.

Link to this sectionEinsatz 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. Die neueste Iteration ist Ultralytics YOLO11, das frühere Versionen hinsichtlich Merkmalsextraktion, Geschwindigkeit, Genauigkeit und Anpassungsfähigkeit verbessert.

Es bietet eine verbesserte Architektur für eine präzisere Merkmalsextraktion und beinhaltet optimierte Trainings-Pipelines für schnellere Verarbeitungsgeschwindigkeiten. Es ist recheneffizienter, mit 22 % weniger Parametern und höheren Genauigkeitswerten als seine Vorgänger.

Aufgrund seiner Vielseitigkeit kann YOLO11 dazu beitragen, Qualitätskontroll-Workflows in mehreren Bereichen zu verbessern. Es kann helfen, Anomalien, Schäden, Risse, fehlende Teile und Verpackungsfehler in Produkten durch Aufgaben wie Objekterkennung und Segmentierung zu erkennen.

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

Link to this sectionErkennung 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 trainiert werden, um fehlende oder falsch platzierte Komponenten auf Leiterplatten zu erkennen. Es kann Bilder der Leiterplatten in Echtzeit analysieren und Defekte wie fehlende Widerstände oder Kondensatoren identifizieren. Dies stellt sicher, dass die Montage jeder Einheit vor dem Versand korrekt ist.

Link to this sectionRisserkennung 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, in dem die Erkennung von Rissen in mehreren Komponenten wie Getrieben und Bremssystemen notwendig ist, um sicherzustellen, dass sie Sicherheitsstandards erfüllen.

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

Link to this sectionSchadenerkennung 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-basierter Schadenerkennung profitieren, indem sie Objekterkennungs- und Segmentierungsmodelle wie YOLO11 einsetzt. Es können Defekte wie Risse, Löcher, Flecken oder Stoffinkonsistenzen während des Produktionsprozesses identifiziert werden.

Link to this sectionAnomalieerkennung 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 pharmazeutischen Fertigung ist die Anomalieerkennung entscheidend, um die Qualität und Sicherheit von Arzneimitteln zu gewährleisten. Hersteller können YOLO11 verwenden, um Unregelmäßigkeiten wie Inkonsistenzen in Tablettenformen, Größen, Verfärbungen oder Fremdkörper zu erkennen.

Link to this sectionGenauigkeit 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 YOLO11 können helfen, Verpackungsfehler wie falsche Etikettierung, beschädigte Verpackungen oder fehlende Sicherheitssiegel zu erkennen. Es kann auch verifizieren, dass Etiketten korrekt platziert sind und klare Barcodes oder Ablaufdaten aufweisen.

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

Link to this sectionHerausforderungen und zukünftige Richtungen der KI-basierten Qualitätskontrolle#

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

• Open-World-Learning und aktives Sehen: Das Erstellen von Objekterkennungsmodellen zur Erkennung neuer Objekte ist aufgrund der begrenzten Verfügbarkeit von annotierten Daten herausfordernd. Unüberwachtes Training und Transfer-Learning-Modelle können Experten helfen, Erkennungs-Frameworks schnell an neue Datensätze anzupassen.
• Pixelbasierte Erkennung: 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 zu gewährleisten.
• Multimodales Lernen: Multimodale Modelle können mehrere Datentypen gleichzeitig integrieren und analysieren. Bei der Objekterkennung kann multimodales Lernen dazu beitragen, die Genauigkeit der Inspektion zu verbessern, indem sie aus verschiedenen Datentypen lernen, wie etwa Wärmedaten zum Verständnis von Tiefe, 2D-Bildern und kurzem Videomaterial.

Link to this sectionWichtige 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 YOLO11 nutzen, um den Inspektionsprozess zu automatisieren und von dessen verbesserter Architektur und den Möglichkeiten zur Merkmalsextraktion zu profitieren, was zu besserer Genauigkeit und höherer Geschwindigkeit führt.

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