Die Oberflächenprüfung von Kunststoffprodukten spielt eine entscheidende Rolle für die Produktqualität – so auch bei der Reichmann & Sohn GmbH, die auf die Entwicklung und Herstellung von Maschinen für das Schleifen, Trennen und Polieren spezialisiert ist.
Automatisierung kann diesen Prozess erheblich vereinfachen. Eine der größten Herausforderungen dabei: Die tatsächlichen Kratzspuren müssen zuverlässig von ähnlich aussehenden Strukturmerkmalen, die beispielsweise im Hintergrundmuster vorkommen, sowie von optischen Artefakten wie etwa Lichtreflexionen unterschieden werden. Bisherige Lösungen basieren oft auf Methoden der klassischen Computer Vision. Diese setzen auf statische Schwellenwerte und stoßen bei Anomalien oder komplexe Hintergrundstrukturen an ihre Grenzen.
Nun hat das TTZ Günzburg innovativere Ansätze verfolgt und damit eine Basis für neue technologische Standards im Bereich der automatisierten Oberflächenprüfung bei der Firma Reichmann & Sohn GmbH geschaffen.
Kratzer im Visier: Deep-Learning-Modelle identifizieren Anomalien des Materials
Als Basis für eine zuverlässige Unterscheidung zwischen relevanten Kratzern und irrelevanten Strukturelementen dient die speziell vorbereitete Bilddatenbank mit einer sehr hohen Auflösung von bis zu 0,2 Mikrometern. Durch die Kombination von passgenauen und modernen Methoden des Deep Learnings, die es ermöglichen, Kratzer korrekt als flach oder tief zu klassifizieren und sie von Hintergrundmustern und Bildrauschen zu unterscheiden, wird eine neue Form der Automatisierung erreicht. „Nach der korrekten Erkennung, Segmentierung der Kratzer und der Entfernung von Bildgeräuschen liefert das System die entsprechenden Koordinaten für die anschließende weitere Bearbeitung der beschädigten Oberfläche“, erläutert Projektleiter Prof. Dr. Alexander Bartel.
Gleichzeitig wurde sichergestellt, dass sich die Ergebnisse reibungslos in bestehende Produktionsprozesse integrieren lassen. Das entwickelte KI-System trug maßgeblich dazu bei, die Qualität des bestehenden Systems in der Erkennung von Oberflächendefekten deutlich zu steigern. Dies schafft eine wichtige Grundlage für die weitere effiziente Automatisierung industrieller Fertigungsprozesse.
Ansprechpartner
Prof. Dr. Alexander Bartel
Pavel Kostarev
