Die optische Prüfung gehört zu den häufigsten Anwendungen von Computer Vision in der Fertigung. Gleichzeitig scheitern hier Projekte aus Gründen, die wenig mit dem Modell zu tun haben. Schlechte Beleuchtung, nicht repräsentative Daten und unklare Abnahmeziele verursachen mehr Probleme als die Wahl der Netzarchitektur. Dieser Artikel beschreibt die Planungsschritte, die vor Beginn des Trainings abgeschlossen sein sollten.
Die Entscheidung und ihre Kosten festlegen
Am Anfang steht die Entscheidung, die das System treffen soll. Es kann ein Teil annehmen oder aussortieren, einen Fehlertyp klassifizieren, ein Maß messen oder Stückzahlen zählen. Anschließend sollte schriftlich festgehalten werden, was eine falsche Entscheidung kostet. Eine Fehlausleitung bedeutet, dass ein gutes Teil verschrottet oder nachgearbeitet wird. Ein übersehener Fehler kann zum Kunden gelangen, eine Reklamation auslösen oder ein Sicherheitsrisiko schaffen. Diese Kosten unterscheiden sich je nach Produkt und Kunde und bestimmen, wie das System abgestimmt werden soll.
Optik vor Modell
Die Bildqualität setzt jedem Modell eine Obergrenze. Die Kameraauflösung sollte sich aus dem kleinsten Fehler ergeben, der erkannt werden muss, wobei mehrere Pixel auf ihn entfallen sollten. Die Wahl des Objektivs beeinflusst Verzeichnung, Schärfentiefe und Arbeitsabstand. Die Beleuchtung ist oft der wichtigste Faktor, denn erst die passende Geometrie, etwa Dunkelfeld, Hellfeld oder diffuse Domebeleuchtung, macht einen Kratzer oder eine Delle überhaupt sichtbar.
Vorrichtungen und Gehäuse sollten Änderungen des Umgebungslichts und Vibrationen der Teile begrenzen. Bilder sollten vor jeder Modellarbeit auf der echten Linie mit den echten Teilen aufgenommen werden, damit das Team beurteilen kann, ob die Fehler auch für einen Menschen auf denselben Bildern sichtbar sind.
Fehlerklassen, Labeling und Datenerfassung
Fehlerklassen brauchen schriftliche Definitionen mit Beispielbildern und klaren Grenzen zwischen zulässig und unzulässig. Die Labeling-Richtlinien sollten von Mitarbeitenden der Qualitätssicherung geprüft werden, und eine Stichprobe der Bilder sollte von mehr als einer Person gelabelt werden, um die Übereinstimmung zu messen. Abweichungen zwischen den Labelnden deuten häufig darauf hin, dass die Definition nicht klar genug ist.
Die Daten sollten über Schichten, Bediener, Materialchargen, Werkzeugzustände und Jahreszeiten hinweg erfasst werden, da Temperatur, Luftfeuchtigkeit und Tageslicht das Erscheinungsbild der Teile verändern können. Fehler sind von Natur aus selten, daher braucht es einen Plan, wie genügend Beispiele gesammelt werden. Dazu können gezielt erzeugte fehlerhafte Muster gehören.
Ort der Inferenz und Latenzbudget
Die Inferenz kann auf einem Edge-Gerät neben der Kamera oder auf einem Server laufen, der über das Werksnetz angebunden ist. Der Betrieb am Edge bietet eine niedrige und vorhersagbare Latenz und funktioniert auch bei Netzausfall weiter. Ein Server vereinfacht Modellaktualisierungen und erlaubt größere Modelle. Die Entscheidung ergibt sich aus dem Latenzbudget. Es beginnt beim Trigger, umfasst Bildaufnahme, Übertragung, Vorverarbeitung, Inferenz und das Signal an die Linie und muss enden, bevor das Teil die Ausleitstelle erreicht.
Bediener, Schwellenwerte und Linienintegration
Jedes Modell wägt falsch positive gegen falsch negative Ergebnisse ab. Der Betriebsschwellenwert sollte gemeinsam mit den Linienbedienern und den Qualitätsingenieuren anhand der Kostenanalyse aus dem ersten Schritt gewählt werden. Die Bediener wissen auch, welche Abweichungen normal sind. Ihre frühe Einbindung verbessert sowohl die Labels als auch die Akzeptanz des Systems.
Das Bildverarbeitungssystem muss mit der Linie kommunizieren. Eine PLC liefert in der Regel den Trigger und empfängt das Ergebnis, ein MES erhält Datensätze für die Rückverfolgbarkeit. Der Ausleitmechanismus, etwa ein Luftstoß, ein Schieber oder eine Weiche, muss mit der Teileposition synchronisiert sein. Für Kamerafehler, Modellfehler und Kommunikationsverlust sollte ein ausfallsicheres Verhalten festgelegt werden.
Rückmeldung, Drift und Abnahmekriterien
Nach der Inbetriebnahme sollten Bediener falsche Entscheidungen markieren können, und diese Bilder sollten in einen Prüf- und Nachtrainingsprozess zurückfließen. Das Monitoring sollte Ausleitquote, Verteilung der Scores und Bildstatistiken verfolgen, da Änderungen bei Material, Beleuchtung oder Kameraposition Drift verursachen. Modellversionen, Datensätze und Freigaben sollten im Rahmen üblicher MLOps-Praxis dokumentiert werden.
Die Abnahmekriterien sollten vor Trainingsbeginn vereinbart werden. Sie sollten die Kennzahlen festlegen, etwa die Quote übersehener Fehler und die Quote der Fehlausleitungen, außerdem den Testdatensatz, die Testbedingungen und die Person, die abnimmt. Mit diesen Angaben hat das Projekt eine klare Definition von abgeschlossen.