Qualitätsprüfung in der Fertigung: Traditionelle vs. Deep Learning Methoden

Haziqa Sajid

6 Minuten lesen

18. Oktober 2024

Erfahren Sie, wie die neuesten Modelle zur Objekterkennung zur Automatisierung der Qualitätsprüfung in der Fertigung beitragen können.

Die Qualitätsprüfung ist eine wichtige Aufgabe bei der Herstellung, die sicherstellt, dass die Produkte die erforderlichen Qualitätsstandards erfüllen. Die Bewertung der Qualität mit herkömmlichen Prüfmethoden kann jedoch mit zunehmender Produktkomplexität kostspielig werden. 

Die Hersteller setzen auf Deep-Learning-basierte Inspektionstechniken wie Objekterkennung und semantische Segmentierung, um die Inspektionskosten zu senken. Deep Learning ist ein Teilbereich der künstlichen Intelligenz (KI), der Computeralgorithmen, sogenannte neuronale Netze, verwendet, um komplexe Muster in Daten zu erkennen. Diese Techniken helfen bei der Automatisierung des Inspektionsworkflows und verringern die Abhängigkeit von menschlichen Inspektoren durch die Analyse umfangreicher Datensätze, einschließlich Bildern und Videos. 

Aufgrund ihrer Vielseitigkeit und Kosteneffizienz steigert die KI-basierte Qualitätssicherung die Rentabilität von Unternehmen erheblich. Berichten zufolge kann die verarbeitende Industrie bis 2035 mehr als 3 Billionen USD durch KI gewinnen.

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

Was bedeutet Qualitätskontrolle in der Fertigung?

Bei der Qualitätskontrolle wird geprüft, ob ein Produkt Mängel, Anomalien oder Unstimmigkeiten aufweist, bevor es den Verbraucher erreicht. 

Der Prozess kann während der Produktion stattfinden, wenn das Produkt eine Montagelinie durchläuft, oder nach der Produktion, aber bevor die Artikel zur Vertriebslinie gelangen.  

Oftmals führen menschliche Experten visuelle Bewertungen durch, um festzustellen, ob das Produkt von den gewünschten Designstandards abweicht oder diese nicht erfüllt. 

Da jedoch die Qualitätsanforderungen steigen, gehen die Hersteller zu automatisierten Deep-Learning-Ansätzen über, um eine größere Flexibilität und Skalierbarkeit ihrer Abläufe zu erreichen.

Was sind Deep Learning-Ansätze?

Deep Learning-Ansätze verwenden künstliche neuronale Netze, die nach den Prinzipien des menschlichen Gehirns arbeiten. Diese 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 treffen. 

__wf_reserved_inherit
Abb. 1. Künstliches neuronales Netz.

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

Für die Entwicklung von Computer-Vision-Modellen müssen Experten ein neuronales Netz auf relevanten Datensätzen trainieren und Validierungen auf einem neuen Datensatz durchführen, um die Leistung zu überprüfen. 

Nach der Validierung können die Experten diese Modelle mit Hilfe verschiedener Einsatzwerkzeuge wie PyTorch, ONNX und OpenVINO auf Kameras und Sensoren anwenden.

Deep Learning-Ansätze für die Qualitätsprüfung

Bei der bildverarbeitungsbasierten Qualitätsprüfung werden mehrere Methoden eingesetzt, um Schäden, Risse und fehlende Teile zu erkennen und zu lokalisieren. In der folgenden Liste sind vier moderne Deep-Learning-Ansätze aufgeführt.

Binäre Klassifizierung

Die binäre Klassifizierung bezieht sich auf die Aufgabe, Bilder in eine von zwei Klassen zu kategorisieren, z. B. um festzustellen, ob ein Objekt einen Defekt aufweist oder nicht.

Auf der Grundlage visueller Daten gibt ein Klassifizierungsmodell eine binäre Ja/Nein-Entscheidung aus. Sie helfen bei der Erkennung fehlender Artikel. Ein Klassifizierungsmodell kann zum Beispiel erkennen, ob ein Artikel in einem Produkt fehlt oder nicht.

__wf_reserved_inherit
Abbildung 2. Binäre Klassifizierung eines Autoteils.

Mehrklassen-Klassifizierung

Bei der Mehrklassenklassifizierung werden Bilder in mehr als zwei Klassen eingeteilt. Sie ordnet jedes Bild einer von mehreren vordefinierten Kategorien zu.

Ein Mehrklassen-Klassifizierungsmodell kann beispielsweise das Bild eines Produkts analysieren und Wahrscheinlichkeiten für mehrere Schadens- oder Rissarten zurückgeben und angeben, welche davon am wahrscheinlichsten vorhanden ist. 

__wf_reserved_inherit
Abb. 3. Mehrklassen-Klassifizierung zur Erkennung von Krümmung und Farbe.

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

Lokalisierung

Die Lokalisierung bezieht sich auf die Identifizierung der spezifischen Position eines Objekts oder Merkmals in einem Bild. Mit Hilfe von Objekterkennungsmodellen werden Bounding Boxes oder Koordinaten vorhergesagt, die den spezifischen Bereich des Schadens hervorheben. 

Dies ist nützlich für Aufgaben wie die Risserkennung in Gebäuden oder Industrieteilen, wo die genaue Lokalisierung eines Defekts für eine gezielte Reparatur erforderlich ist. 

__wf_reserved_inherit
Abb. 4. Modell zur Lokalisierung eines Stanzlochs.

Bei der Instandhaltung von Infrastrukturen können Lokalisierungsmodelle zum Beispiel Bilder einer Betonstruktur analysieren und den genauen Bereich markieren, in dem sich ein Riss befindet.

Lokalisierung in mehreren Klassen

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

Es verwendet fortschrittlichere Modelle zur Objekterkennung, um die Art und den Ort eines Defekts zu bestimmen und detailliertere Informationen zu liefern.

__wf_reserved_inherit
Abb. 5. Modell zur Lokalisierung mehrerer Fehlertypen.

Ein Mehrklassen-Lokalisierungsmodell kann beispielsweise ein Bild eines beschädigten Gegenstands analysieren und die Art des Defekts, wie etwa einen Kratzer oder Riss, sowie die genauen Koordinaten des Defekts innerhalb des Objekts angeben. 

Traditionelle vs. Deep Learning-Ansätze 

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

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

Deep-Learning-Ansätze bieten mehr Flexibilität für den Aufbau komplexerer Erkennungssysteme. Bei diesen Ansätzen werden umfangreiche Datensätze mit Bildern von defekten Objekten gesammelt und kommentiert. Experten verwenden die beschrifteten Daten, um Modelle zur Objekterkennung wie Ultralytics YOLO11 zu trainieren. Nach dem Training können sie das Modell in Kameras oder Sensoren einsetzen, um Bilder zu erfassen und Defekte in Echtzeit zu erkennen.

Im folgenden Abschnitt sehen wir uns an, wie 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. Die neueste Version ist Ultralytics YOLO11, die die vorherigen Versionen in Bezug auf Merkmalsextraktion, Geschwindigkeit, Genauigkeit und Anpassungsfähigkeit verbessert. 

Sie verfügt über eine bessere Architektur für eine präzisere Merkmalsextraktion und umfasst optimierte Trainingspipelines für schnellere Verarbeitungsgeschwindigkeiten. Sie ist rechnerisch effizienter, benötigt 22 % weniger Parameter und erzielt eine höhere Genauigkeit als ihre Vorgänger.

Dank seiner Vielseitigkeit kann YOLO11 die Arbeitsabläufe bei der Qualitätsprüfung in verschiedenen Bereichen verbessern. Es kann helfen, Anomalien, Schäden, Risse, fehlende Teile und Verpackungsfehler in Produkten zu erkennen, indem es Aufgaben wie Objekterkennung und Segmentierung durchführt.

Werfen wir einen Blick auf einige Möglichkeiten, wie Computer-Vision-Modelle in der Fertigungsindustrie eingesetzt werden können. 

Erkennung von fehlenden Teilen und verlegten Teilen in der Elektronik

Computer-Vision-Modelle können überprüfen, ob ein Produkt alle erforderlichen Teile enthält. Sie können fehlende Komponenten in zusammengesetzten Produkten erkennen, um deren Vollständigkeit zu gewährleisten.

In der Elektronikfertigung ist das Erkennen von fehlenden Komponenten, falsch ausgerichteten Teilen oder Lötproblemen von entscheidender Bedeutung, 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 Platinen in Echtzeit analysieren und Fehler wie fehlende Widerstände oder Kondensatoren erkennen. So wird sichergestellt, dass jedes Gerät vor dem Versand korrekt zusammengebaut wird.

Erkennung von Rissen in Automobilteilen

Die Risserkennung ist eine weitere Aufgabe, bei der Bilder oder Sensordaten analysiert werden, um die Lage, Größe und Schwere eines Risses zu bestimmen.

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

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

Schadenserkennung in Textilien

Mithilfe von Computer-Vision-Aufgaben können verschiedene Arten von Schäden auf der Oberfläche eines Produkts, wie Kratzer, Dellen und Verformungen, erkannt werden.

Die Textilindustrie kann von der KI-gestützten Schadenserkennung durch den Einsatz von Objekterkennungs- und Segmentierungsmodellen wie YOLO11 erheblich profitieren. Es kann Defekte wie Risse, Löcher, Flecken oder Stoffunregelmäßigkeiten während des Produktionsprozesses erkennen. 

Erkennung von Anomalien in der pharmazeutischen Produktion

Bei der Erkennung von Anomalien werden Design, Struktur, Aussehen und Größe eines Produkts analysiert, um festzustellen, ob diese Eigenschaften von den gewünschten Normen abweichen.

In der pharmazeutischen Produktion ist die Erkennung von Anomalien von entscheidender Bedeutung, um die Qualität und Sicherheit von Arzneimitteln zu gewährleisten. Hersteller können YOLO11 verwenden, um Unregelmäßigkeiten wie Unstimmigkeiten in der Tablettenform, -größe, -verfärbung oder Fremdkörper zu erkennen.

Verpackungsgenauigkeit und Etikettierung

Ein weiteres Beispiel für den Einsatz von Bildverarbeitungsmodellen in der Fertigung ist die Verpackungs- und Etikettierungsindustrie. So muss die Lebensmittel- und Getränkeindustrie strenge Normen für die Sicherheit der Verbraucher und die Einhaltung von Vorschriften erfüllen.

Modelle wie YOLO11 können helfen, Verpackungsfehler wie falsche Etikettierung, beschädigte Verpackungen oder fehlende Sicherheitssiegel zu erkennen. Es kann auch überprüfen, ob die Etiketten richtig platziert sind und eindeutige Barcodes oder Verfallsdaten enthalten. 

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

Herausforderungen und zukünftige Richtungen der KI-gestützten Qualitätsprüfung

KI-basierte Qualitätsprüfungssysteme befinden sich noch in der Entwicklung und stehen vor zahlreichen Herausforderungen. Hier sind einige Einschränkungen und zukünftige Forschungsrichtungen, die bei diesen Technologien zu berücksichtigen sind.

  • Lernen in der offenen Welt und aktives Sehen: Die Entwicklung von Objekterkennungsmodellen zur Erkennung neuer Objekte ist aufgrund der begrenzten Verfügbarkeit von markierten Daten eine Herausforderung. Unüberwachtes Training und Transfer-Lernmodelle können Experten helfen, Erkennungssysteme schnell an neue Datensätze anzupassen.
  • Erkennung auf Pixelebene: Die Bildsegmentierung ermöglicht es den 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 Inspektionsgenauigkeit zu verbessern, indem aus verschiedenen Datentypen gelernt wird, z. B. aus thermischen Daten zum Verständnis der Tiefe, aus zweidimensionalen Bildern und aus kurzen Videoaufnahmen.

Die wichtigsten Erkenntnisse 

Die Deep-Learning-basierte Qualitätsprüfung erfährt durch die ständige Entwicklung verschiedener Modelle zur Objekterkennung exponentielle Fortschritte. Mit KI-basierter Qualitätsprüfung können Hersteller eine größere Skalierbarkeit und Flexibilität erreichen als mit herkömmlichen Ansätzen.

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

Sie können mehr über YOLO11 und andere Objekterkennungsmodelle erfahren, indem Sie unser GitHub Repository besuchen und sich mit unserer lebhaften Community austauschen. Entdecken Sie, wie Ultralytics die Fertigung durch hochmoderne Deep-Learning-Frameworks neu definiert.

Lassen Sie uns gemeinsam die Zukunft
der KI gestalten!

Beginnen Sie Ihre Reise in die Zukunft des maschinellen Lernens

Kostenloser Start
Link in die Zwischenablage kopiert