Qualitätsprüfung

Unternehmen, die in Deutschland produzieren und ihre Produkte auf dem Weltmarkt verkaufen, stehen im Wettbewerb mit Niedriglohnländern. Um auf dem Weltmarkt bestehen zu können, ist eine kontinuierliche Kontrolle der Produktqualität notwendig. Um die funktionalen und ästhetischen Eigenschaften eines Produktes sicherzustellen, ist die manuelle Sichtprüfung durch Experten oder geschultes Personal eine weit verbreitete Methode.

Diese Art der Qualitätssicherung hat jedoch folgende Nachteile:

1. Häufig werden nur Stichproben und keine 100%-Kontrollen durchgeführt.
2. Die Prüfung ist subjektiv: Je nach Mitarbeiter und Tageszeit kann das gleiche Fehlerbild zu unterschiedlichen Prüfergebnissen führen.
3. Fällt ein Prüfer aus, weil er das Unternehmen verlässt, längerfristig erkrankt oder die Arbeitskraft an anderer Stelle dringender benötigt wird, gibt es selten adäquaten Ersatz.
4. Prüfaufgaben sind in der Regel anstrengend, langwierig und erfordern ein hohes Maß an Konzentration. Mitarbeiter für diese Aufgaben zu gewinnen, stellt auf dem deutschen Arbeitsmarkt eine große Herausforderung dar.

Eine (teil-)automatisierte Lösung kann den manuellen Prozess unterstützen und langfristig ersetzen. Im Bereich der industriellen Bildverarbeitung gibt es bereits viele Lösungen für die zuverlässige Erkennung von einfachen Defektmustern.

Bei komplexen und sehr unterschiedlichen Defektmustern stoßen diese klassischen Verfahren jedoch an ihre Grenzen. Mit dem Aufkommen von KI-Verfahren besteht seit einigen Jahren die Möglichkeit, auch diese Anwendungsfälle der optischen Inspektion zu automatisieren. Je nach Problemstellung im Unternehmen kommen unterschiedliche Verfahren für die automatische optische Inspektion (AOI) infrage.

Grundsätzlich kann zwischen überwachten Lernverfahren und Anomaliedetektion unterschieden werden. Bei überwachten Lernverfahren müssen alle Fehler im Voraus bekannt sein. Für jeden möglichen Fehler müssen Beispielprodukte gesammelt und bildlich erfasst werden. Diese Bilder werden dann annotiert. Je nach gewünschtem Prüfergebnis kann dieser Aufwand unterschiedlich hoch sein.

1. Klassifikation: Für eine reine IO/NIO Entscheidung reicht es aus, das Bild einer Klasse (gut oder schlecht) zuzuordnen.
2. Detektion: Sollen die maximalen geometrischen Ausprägungen (Länge und Breite) gemessen werden, muss der Defekt durch ein Rechteck (sog. Bounding Box) markiert werden.
3. Segmentierung: Wenn eine exakte Defektvermessung (z. B. Fläche) gewünscht wird, muss der Defekt pixelweise im Bild markiert werden.