Transferprojekte

Bewertung von selbstlernenden optischen Verfahren zur Qualitätskontrolle von Erzeugnissen aus Kunststoff

Inspektion erkennt geringste Mängelerscheinungen

Die Friedrichs & Rath GmbH (F&R) ist Spezialist für Präzisionsteile aus thermoplastischen Kunststoffen und fertigt zu einem hohen Anteil für die Automobilindustrie. Um den hohen Qualitätsansprüchen insbesondere der Kunden der Automobilindustrie bei gleichzeitig hohen Stückzahlen gerecht zu werden, möchte F&R eine lernende präzise automatisierte optische Qualitätskontrolle einführen. Die Inspektion soll dabei auch geringste Mängelerscheinungen sicher erkennen und nach Möglichkeit klassifizieren und einordnen können. Ziel ist eine Inspektionsapplikation, die auf unterschiedliche Kunststoffteilearten mit geringen Aufwand auch durch fachfremde Mitarbeiter angepasst werden kann. 

Im Rahmen dieser ersten Bewertungsstudie lernender Bildverarbeitungsverfahren wurden seitens des Fraunhofer IOSB-INA zunächst die Anforderungen von F&R hinsichtlich Fehlerarten und repräsentativer Prüfmusterarten erfasst. Im Gegensatz zur klassischen parametergetriebenen Bildverarbeitung basieren lernende Verfahren auf Beispielaufnahmen und entsprechenden Klassifikationen (z.B. „OK“, „NOK“).

Es setzt daher auch kein Expertenwissen im Bereich der Bildverarbeitung voraus. Aus diesem Grund wurden für die Bewertung Prüfmuster von sechs unterschiedlichen Kunststoffteilearten zur Verfügung gestellt. Diese wurden im Vorfeld durch F&R entweder als „OK“ oder mit einem Mangel bzw. als „NOK“ klassifiziert. Das Fraunhofer IOSB-INA hat diese Prüfmuster mit einem generischen Kamera- und Belichtungsaufbau zunächst fotografiert. Da jede Kunststoffteileart eine eigene Form besitzt und potentielle Fehler an teileartspezifischen Stellen auftreten, wurde für jede Teileart eine individuelle Fassung mittels additiver Fertigung erstellt. Mit den erstellten Aufnahmen wurden die Ansätze Klassifikation sowie Anomaliedetektion lernender Verfahren erprobt. Klassifikation versucht gelernte Muster wiederzuerkennen. Anomaliedetektion versucht Abweichungen zu einem gelernten Referenzbild zu identifizieren. Für die Bewertung wurden grundsätzlich 70% der Aufnahmen für das Training, 15% der Aufnahmen für die automatisierte Validierung/Überprüfung sowie 15 weitere Prozent für den finalen Test verwendet.

Bei der Klassifikation werden OK- sowie NOK-Aufnahmen für das Training und die Validierung berücksichtigt. Bei der Anomaliedetektion werden dagegen nur OK-Aufnahmen verwendet. Der Test erfolgt bei der Klassifikation ebenfalls mit OK- und NOK-Aufnahmen. Im Falle der Anomaliedetektion wurde mit allen NOK-Aufnahmen sowie mit 15% der OK-Aufnahmen getestet. Die Ergebnisse der Untersuchung sind sehr vielversprechend ausgefallen. So konnten mittels Anomaliedetektion Erkennungsraten von 96-100% und mittels Klassifikation 100% für alle Teilearten festgestellt werden. Diese hohen Erkennungsraten erforderten eine Mindestanzahl von 30 Prüfmustern pro Teileart und eine systematische Klassifikation der Aufnahmen. Auf Grund der guten Ergebnisse plant F&R die Konzeptionierung und Erstellung eines generischen Prüfautomaten, der das bewertete Verfahren inkludiert. Dieser Prüfautomat soll unterschiedliche Kunststoffteile prüfen können und so eine 100%-Prüfung für Produktionslinien ermöglichen, die zuvor nicht wirtschaftlich umsetzbar war.