Die Bildverarbeitungssoftware HALCON 22.05 von MVTec eröffnet durch die Erkennung von logischen Anomalien in Bildern völlig neue Anwendungsbereiche.

Die MVTec Software GmbH veröffentlicht am 25. Mai 2022 die neue Version 22.05 der Machine-Vision-Standardsoftware HALCON.

16:9

Bildverarbeitungs-Software

Fertigungsautomation

Bildverarbeitung

Künstliche Intelligenz für die Qualitätssicherung

Industrie 4.0

Industrie 4.0 für die Qualitätssicherung

Deep Learning

Datenanalyse

Qualitätssicherung

Software

Bildverarbeitung, Machine Vision

Software für Qualitätssicherung

HALCON 22.05 setzt mit Deep-Learning-basierter Anomalieerkennung neue Maßstäbe

Eine automatisierte Inspektionslösung, die Karosserieschäden objektiv erfasst, analysiert und dokumentiert, liefert aktuelle Informationen über den Zustand eines Fahrzeuges.

Automatisierte und KI-basierte Erkennung von Fahrzeugschäden

Oberflächeninspektion

Messtechnik

Form- / Oberflächenmesstechnik

Machine Learning / Künstliche Intelligenz für die spanende Fertigung

Industrie 4.0 für die spanende Fertigung

Messe Vision

qz-online.de

Oberflächenschäden automatisch detektieren

Kann man mithilfe von KI Lottozahlen vorhersagen, und wo wird Machine Learning bereits heute in der Qualitätssicherung angewendet? Die QZ sprach mit Prof. Reiner Kurzhals und Daniel Philippi

Mit Künstlicher Intelligenz (KI) und Machine Learning zur Predictive Quality

„Menschliche Intelligenz  ist unschlagbar!“

Die Fachmesse Control kann auch in diesem Jahr nicht als Präsenzveranstaltung stattfinden. Nach Rücksprache mit Ausstellern und Beirat sagt der Messeveranstalter P. E. Schall das Branchenhighlight ab, das für den 4. bis 7. Mai 2021 vorbereitet worden war.

Qualitätsplanung

Qualitätsmethoden

Verbände, Institutionen, Messen

Dienstleistungen

Messeveranstalter

Qualität

Kunststoffverarbeitung: Verfahren

Messe Control

Qualitätsnachweise

Control 2021 nicht als Präsenzmesse

Künstliche Intelligenz (KI) bietet Chancen auf neue Geschäftsmodelle und effizientere Prozesse. Akzeptiert wird KI aber nur, wenn Anwendungen qualitativ hochwertig, sicher und zuverlässig sind.

Warum Künstliche Intelligenz standardisiert wird

In den letzten Jahren hat das maschinelle Lernen als Teildisziplin der künstlichen Intelligenz in vielen Bereichen, wie etwa der Produktion oder Medizin, verstärkt an Bedeutung gewonnen. Immer wichtiger wird dabei das sogenannte Deep Learning.

Erklärbarkeit maschineller Lernverfahren

Blick in die Black Box

KI-basierte Systeme versprechen auch für kleine und mittlere Unternehmen (KMU) enorme Potenziale. Die Einsatzfelder reichen von Assistenzsystemen für Routineaufgaben über intelligente Chatbots im Kundenmanagement und KIunterstützte Simulation in der Produktentwicklung bis hin zur automatisierten Lagerhaltung.

Potenziale und konkrete Umsetzungskonzepte

Künstliche Intelligenz

Digitalisierung

Künstliche Intelligenz (KI) im Mittelstand

Erfolgreiche Praxisbeispiele, wie die KI-Einführung im Mittelstand gelingt, welche Potenziale KI für die unterschiedlichen Anwendungsbereiche bringt und wie sich Investitionen für neue Technologien refinanzieren lassen.

Künstliche Intelligenz (KI) im Mittelstand: Praxisbeispiele

webbasierte CAQ Lösung mit offener Architektur

Quality Software & Consulting GmbH & Co KG 

https://www.qsc-systems.com

8D-Report

APQP / PPAP

Audit / Auditierung

Audit-Software, Auditmanagement

Aufbau CAQ-System

Beratung und Consulting

Aufbau QM-System

Auswerte- und Analysesoftware

Benchmarking

Big Data für die Qualitätssicherung

CAQ (Computer Aided Quality Assurance)

Dokumentationsmanagement

Qualitätsmanagement

Dokumentenmanagement, CAQ

Erstbemusterung, Erstmusterprüfbericht

FMEA-Systeme

Fehlermöglichkeits- und -einflussanalyse

Fehlermanagement

Integriertes Management-System

IoT-Plattformen für die Qualitätssicherung

Kennzahlen, Q-Leitstand, Q-Monitor

Kontinuierlicher Verbesserungsprozess

Lieferantenbeurteilung

Machine Learning für die Qualitätssicherung

Management-Beratung

Management-Informationssysteme

Maßnahmenmanagement

Messdatenerfassung, Software

Modulare Q-Informationssysteme

Produktentwicklung(sprozess)

Prüfmittelverwaltung

Prüfmittelüberwachung

Prüfplanung

Prüfpunkte / Bauteilstempel

QDX / Datenaustauschformat

QM im Gesundheits- / Sozialwesen

QM in IT-Projekten

Qualitätskostenrechnung

Reklamations-, Beschwerdemanagement

Reporting-Tools

Requirement / Anforderungsmanagement

Rückverfolgbarkeit, Traceability

SPC, Statistische Prozesssteuerung

Six Sigma

Software Qualitätsmanagement

Statistische Methoden

Vorbereitung zur Zertifizierung

Wareneingangs- / -ausgangsprüfung

Workflow- / Prozessmanagement

Durch „lernfähige“ Maschinen und die Nutzung von Künstlicher Intelligenz (KI) sind produzierenden Unternehmen ganz neue Möglichkeiten gegeben. So treibt das Birkenfelder Unternehmen MCD Elektronik in einem Entwicklungsprojekt die KI-gestützte Messdaten-Analyse voran.

Bild 1. Künstliche Intelligenz: Schneller und exakter als ein menschlicher Awender © MCD Elektronik GmbH

Intelligente Analysen  durch Cluster und Algorithmen

Künstliche Intelligenz (KI) wird den Arbeitsalltag vieler Beschäftigten verändern – in der Fabrik genauso wie im Büro. Die neue Arbeitsteilung zwischen Mensch und Technik erfordert neue Kompetenzen. Zentrale Herausforderung für eine erfolgreiche Einführung von KI-Systemen in Unternehmen ist deshalb die Weiterbildung der Beschäftigten.

Welche Kompetenzen in der Arbeitswelt wichtig werden

Karriere

Fit für Künstliche Intelligenz (KI)

Die MVTec Software GmbH, internationaler Software-Anbieter für die industrielle Bildverarbeitung, bringt am 17. November 2021 die neue Version 21.11 der Machine-Vision-Standardsoftware HALCON auf den Markt.

Version 21.11 der Machine-Vision-Software HALCON

MVTec erweitert Deep-Learning-Spektrum

Das Fraunhofer IAIS hat in der veröffentlichten Studie Management System Support for Trustworthy Artificial Intelligence den Standard-Entwurf für KI-Managementsysteme der International Organization for Standardization (ISO) und die bisherigen Richtlinien miteinander verglichen.

20:7

KI-Managementsysteme fördern Vertrauen in KI

Die Carl-Zeiss-Stiftung fördert einen Forschungsverbund der Universität Freiburg im Rahmen ihres Programms „Wissenschaftliche Durchbrüche in Künstlicher Intelligenz“.

Durch Methoden des maschinellen Lernens sollen ReScaLe-Roboter Aufgaben von Menschen erlernen, indem sie ihnen vorgeführt werden.

Software / Betriebssysteme / KI

Elektronik

Kfz-Elektronik

Machine Learning

Ingenieurwissenschaften

Carl-Zeiss-Stiftung fördert Forschungsprojekt zu lernenden Assistenzrobotern

Im Forschungsprojekt GeMeKI entwickelt das Fraunhofer IPT gemeinsam mit elf Partnern KI-gestützte Assistenzsysteme für das Fügen, Trennen und Umformen.

Prozessoptimierung durch KI-gestützte Datenanalyse anhand eines Fräsverfahrens

Forschung + Entwicklung

Digitale Transformation

Wirtschaft

Innovationen und neue Technologie

Digitaltechnik

Wechselseitiges Feedback zwischen  Mensch und Maschine

Integrierte KI-Technologien mit Anomalien-Detektion heben die Erkennungsraten von Fehlern auf eine höhere Leistungsstufe.

In den Industrie 4.0 durchgängigen automatisierten Wertschöpfungsketten sind Vision-Systeme zentrale Bestandteile. Integrierte KI-Technologien mit Anomalien-Detektion heben die Erkennungsraten von Fehlern auf eine höhere Leistungsstufe. Mit fast absoluter Sicherheit können dadurch defekte Teile sehr früh erkannt und entfernt werden.

Die Anwendungstechnologie künstlicher Intelligenz mit Neuronalen Netzen durchdringen heute die ganze Bandbreite der Bildverarbeitung in der Industrie und vielen anderen Bereichen. Sie hat zu einem enormen Innovationsschub in der ganzen Bandbreite der Automation geführt. Entlang der gesamten Wertschöpfungskette in der Fertigung müssen die unterschiedlichsten Produkte hundertprozentig kontrolliert, identifiziert, klassifiziert, dokumentiert, und fehlerhafte Teile aussortiert werden. Das ist zu integrieren in die reibungslose Durchgängigkeit der Automatisierung im Rahmen von Industrie 4.0 und stellt zusätzliche Herausforderungen an die Qualitätssicherung.

Die Funktionen von Deep-Learning-Algorithmen sind inzwischen entscheidende Beiträge, um die Erkennungsraten von Merkmalen in der Bildverarbeitung deutlich zu steigern und robuster zu gestalten. Weitere Vorteile liegen in der beschleunigten Entwicklung komplexer Vision-Systemlösungen und deren Integration in den Automatisierungsprozess.

In der klassischen regelbasierten Bildverarbeitung werden die Bilddaten der zu prüfenden Objekte permanent von Ist- zu Sollzustand verglichen. Es werden Bedingungen definiert die einen Defekt detektieren und das fehlerhafte Objekt als NIO aussortiert. Das sogenannte Deep Learning basiert auf der Architektur künstlicher Neuronaler Netzwerke (CNN). Die aufgenommenen Bilddaten werden umfassend ausgewertet, mit einem digitalen Etikett (Labeling) über die Eigenschaften versehen, und in einem Deep-Learning-basierten Trainingsprozess wird selbstständig ein neuer Fehlertyp erlernt.

Problematisch erwies sich in der Vergangenheit oft die fehlende Zahl von „Schlecht-Bildern“. So waren für dieses Deep Learning viele hunderte bis tausende Trainingsbilder erforderlich. Inzwischen reduziert sich das durch neue leistungsfähigere KI-Funktionen in der Vision-Software sowie intelligenter LED-Beleuchtungstechnik auf beispielsweise 50 bis 200 Trainingsbilder pro Fehlertyp. Anspruchsvolle Anwendungen in hoher Bildauflösung und schnellen Taktraten, in Synergie mit Deep-Learning-Technologie, erfordern sehr hohe Rechnerleistung mit dementsprechender CPU, GPU und andere Beschleuniger. Bei komplexen Aufgaben und Einsatz von mehreren hochauflösenden Kameras erweisen sich Industrie-Hochleistung-PCs als vorteilhaft, weil sie neben der hohen Vision-Performance auch die Industrie-4.0-Kommunikation übernehmen.

Für den Anwender von KI-Vision-Lösungen – mit einfacher grafischer parametrischer Programmierung am Touchscreen-Monitor – bietet die Anomalie-Detektion-Technologie in mächtiger Visionsoftware umfangreiche Möglichkeiten mit vielen Vorteilen. Eingesetzt werden starke KI-Algorithmen, die standardisiert sind und weltweiten Support bieten.

Ein Bauteil im absolut fehlerfreien Zustand – ein so genanntes „Gut-Bild“ – ist beispielsweise ein absolut fehlerfreier kleiner Glasbehälter der Pharmaindustrie. Zeit- und kostensparend lassen sich inzwischen „Gut-Bilder“ schnell und einfach erzeugen. Für passable KI-Erkennungsergebnisse sind dann nur noch 20 – 100 Bilder für das Training erforderlich. Dabei müssen Fehler nicht unbedingt im Vorfeld bekannt sein. Anomalie-Detektion entdeckt und lokalisiert im Training Mängel – Risse, Kerben, Fremdkörper und Verschmutzungen auf einer Oberfläche. Durch Segmentierung können diese detektierten Mängel anschließend pixelgenau vermessen und lokalisiert werden.

In der realen industriellen Welt gibt es oft wechselnde Umgebungsbedingungen und Störungen von Tageslicht, Beleuchtung, Spiegelungen und andere Aspekte. KI-Systeme können auf wechselnde Umgebungsbedingungen selbstlernend reagieren, und eine Toleranz gegenüber derartigen Störungen aufbauen. Umweltabkapselungen von Vision-Systemen können dadurch vereinfacht werden, oder erübrigen sich im Automatisierungsprozess.

Die vollautomatisierten Vision-Komplettlösungen auf Basis zusammen agierender QBIC-Module überdecken einen großen Anwendungsbereich in vielen Branchen. Ausgestattet mit Hochleistungs-IPCs eignen sie sich für: Pick-and-place-Anwendungen, Registrier- und Klassifizieraufgaben, ID- Codes, Inspektionen in 2D und 3D, Vermessungsaufgaben sowie vielfache Kombinationen dieser Aufgaben.

Das modulare Baukastensystem erzielt dem Vision-Anwender viele Vorteile. Die einzelnen QBIC Anlagen-Module mit jeweils breitem Spektrum an Fähigkeiten – komplett in Steuerung, Datenauswertung und Kommunikation – werden direkt per Plug & Work zu einem autonomen Gesamtsystem verbunden. Diese Vision-Komplettlösungen sind die konsequente Strategie einer Plattform mit Synergie und Skalierbarkeit von logischen Zusammenhängen in der vernetzten Qualitätssicherung.

Die standardisierten Vision-Komponenten in Hard- und Software ermöglichen bereits in der Machbarkeitsstudie innerhalb kurzer Zeit den Aufbau einer Vision-Systemlösung, welche die geforderten Aufgaben in ihrer Komplexität bereits weitgehend abdeckt. Der Umfang an präzisen zu erfolgenden Fehler-Detektionen und Abweichungen wird in einer Machbarkeitsstudie für die bestückte Platinen-Qualitätskontrolle deutlich.

Auf den PCB Leiterplatten müssen sehr viele Komponenten verwechslungssicher exakt am definierten Platz positioniert sein und ihre Funktion sicher gewährleisten. Eine mit Hochleistungs-IPC und weitere Hardware sowie mächtige BV-Software bilden die Basis der regelbasierten Bildverarbeitung für die hohe Zuverlässigkeit der jeweiligen Prüfaspekte. Unter vielen weiteren Anforderungen geht es unter anderem um die Detektion von falschen, fehlenden, falsch positionierten, defekten oder teildefekten Komponenten, Coating-Material (vorhanden/teilweise vorhanden) oder Fremdkörpern. Eingesetzt wird eine 60 MP Farbkamera mit maximaler Auflösung von 0,026 mm/Pixel und eine 20 MP SW-Kamera. Die intelligente LED-Dombeleuchtung ermöglicht unterschiedliche Lichtszenarien. In die kompakte QUBIC-Komplettlösung wird bereits auch eine Erweiterung für 3D-Prüfungen eingeplant. Für Prüfobjekte die sich nur schwierig regelbasiert definieren und detektieren lassen erfolgt die Erweiterung der Prüflösungen mit KI durch Vision-Algorithmen der Anomalie Detektion. Deep-Learning ermöglicht beispielsweise das Lesen von unscharfer Klarschrift, die der regelbasierten Bildverarbeitung entkommen.

Cretec Cybernetics GmbH  

https://www.cretec-cybernetics.com

<ul><li>Prozessorientierung und Agilität geben Audits neuen Schwung</li><li>Qualität 4.0 – ein Reifegradmodell für KMU</li><li>THEMENSPECIAL: Bildverarbeitung und Künstliche Intelligenz</li></ul>

Ausgabenartikel

Zeitschrift für Qualitätsmanagement und Qualitätssicherung | Karriere✓ Methoden✓ 
QM-Systeme✓ Standards✓ Software✓ Messen und Prüfen✓ Meinung✓ DGQ✓ 
➤ Jetzt aktuelle Fachartikel lesen!

QZ - Qualität und Zuverlässigkeit | Ausgabe 02/2022

Bild 1. Vom Teileförderer fallen die Bauteile auf den Rütteltisch in der Station QBIC FlexiBowl. Hier werden sie zuverlässig vereinzelt, per Bildverarbeitung exakt lokalisiert, vom Roboter präzise erfasst und den weiteren 2D und 3D-Visionsystemen dargeboten.

Bild 2. Die Anomalie-Detektion-Technologie In der BV-Software Halcon erkennt selbstlernend einen Fehler am Flaschenhals.

Cretec - Hauptartikel

<b>Dipl.-Ing. (FH) Kamillo Weiß</b> ist freier Fachjournalist in Leinfelden-Echterdingen.

Die CRETEC GmbH und die Cretec Cybernetics GmbH in Büdingen (Hessen) entwickeln, fertigen und vertreiben leistungsstarke Module und Komplettlösungen industrieller Bildverarbeitung, Code-Lesesysteme, intelligente LED-Beleuchtungen, Cobot/Robot-Vision und integrierte Algorithmen der KI (Künstliche Intelligenz).

Tel. 06042 565 25 95-10 | <a href="mailto:mail@cretec.gmbh">mail@cretec.gmbh</a> | <a href="http://www.cretec.gmbh" target="_blank">www.cretec.gmbh</a>

Lernen Sie, wie Sie die Kepner-Tregoe-Prozesse zur Problemanalyse effizient in Ihrer 8D-Bearbeitung einsetzen können, um Ihre 8D-Performance und Kundenbewertung zu optimieren.

Vom VDA empfohlen: KT Problemanalyse für exzellente 8D-Reports

Systemstandards ISO/VDA

Recht allgemein / sonst.

Normen / Standards

Kepner-Tregoe 8D Root Cause Analysis Workshop

Der Technologietag des Fraunhofer-Geschäftsbereichs Vision bietet einen Überblick über das Spektrum praxisrelevanter Technologien der Bildverarbeitung und optischen Messtechnik.

Optische Mess- und Prüftechnik

14. Fraunhofer Vision Technologietag

Das Seminar mit Praktikum »Inspektion und Charakterisierung von Oberflächen mit Bildverarbeitung« des Fraunhofer-Geschäftsbereichs Vision bietet einen umfassenden Einblick in die automatische Oberflächenprüfung, stellt unterschiedliche Prüf- und Analysemethoden vor und bietet die Möglichkeit, Prüfaufgaben mit Experten zu besprechen.