Juan Ibarra für Mouser Electronics
Das Selektieren von Obst und Gemüse in Sortier- und Verpackungsanlagen ist ein unglaublich komplexer Vorgang. Es gilt Größen, Farben, Mängel und vieles mehr zu berücksichtigen – und zwar für jedes einzelne Gut. Und noch dazu in größtmöglicher Eile, um die Qualität der Produkte bis zur Entgegennahme durch den Kunden sicherzustellen. In der Vergangenheit wurden all diese Vorgänge von Hand durchgeführt, und zwar von unzähligen Menschen, die die Waren manuell sortierten und verpackten. Mittlerweile wurde dieser Prozess in kleinen wie in großen Lagern durch Machine Vision rationalisiert. Durch den Einsatz hochwertiger optischer Beleuchtungsplattformen, Bilderfassungshardware und fein abgestimmter Software sind Industriemaschinen in der Lage, hochqualitative Bilder zu erzeugen, die für die angemessene Fehlererkennung notwendig sind. Auf diese Weise steigert Machine Vision die Effizienz, Qualität und Verlässlichkeit um ein Vielfaches.
Feinheiten der Fehlerkennung
Verschiedene Händler und Kunden stellen unterschiedliche Anforderungen an die Fehlererkennung. Darüber hinaus verfügen insbesondere Lebensmittel ausgehend von ihrem jeweiligen Zustand zum Zeitpunkt der Erfassung über unterschiedliche Haltbarkeitsfristen. Und als wäre all das noch nicht kompliziert genug, ist die Kategorisierung von Mängeln durch menschliche Augen eine eher subjektive Angelegenheit. Zudem muss das Ganze sehr rasch über die Bühne gehen, insbesondere dann, wenn Verpackungsanlagen im Spiel sind. Anders als in der Medizin wird zwar keine umfassende Präzision gefordert, doch muss der Prozess schnell und verlässlich ablaufen. Wir sprechen hier von 15 Äpfeln, die jedes Förderband pro Sekunde handhaben muss. Multiplizieren Sie das mit sechs oder mehr Bändern und weiteren Maschinen sowie Tonnen an Produkten, die Stunde für Stunde und Tag für Tag verarbeitet werden.
Auch die Bedingungen in der Industrie stellen eine große Herausforderung für die Fehlererkennung dar. Verpackungsanlagen sind aufgrund von Staub und Temperaturschwankungen eine sehr raue Umgebung für Sensoren. Die Maschinen müssen bei Temperaturen von über 40 °C arbeiten, und sie müssen in der Lage sein zu funktionieren, wenn Partikel in der Luft sind.
Wie Machine Vision die Fehlererfassung verbessert
Heute bildet Machine Vision eine der wesentlichen Technologien, die bei der Fehlererkennung die optische Inspektion durch menschliche Augen ablöst. Diese Systeme empfangen und verarbeiten Bilder echter Gegenstände mithilfe optischer Geräte und Sensoren völlig automatisch. Wo die menschliche Wahrnehmung auf den sichtbaren Bereich des elektromagnetischen Spektrums beschränkt ist, deckt Machine-Vision-Technologie das gesamte Spektrum zwischen Gammastrahlen und Radiowellen ab. Unterstützt durch Bildverarbeitungsalgorithmen ist Machine Vision lückenlos dazu in der Lage, Fehler mit einer Genauigkeit und Geschwindigkeit sowie in einem Ausmaß zu erfassen, die mit herkömmlichen Methoden schlichtweg unmöglich sind.
Die Fähigkeiten von Machine Vision, die Effizienz der Fehlererkennung zu verbessern, die Echtzeit-Leistung zu steigern und manuelle Prozesse zu verringern, machen sie zu einer unabdingbaren Technologie für großangelegte Industrieverfahren. Dementsprechend wurde Machine Vision zur wichtigsten Technologie intelligenter Fertigung. Heutzutage wird die Software-Diagnose durch Messzellen für alles Mögliche eingesetzt: elektrische Spannungen, Kameras, Signale, Impulse, fehlende Solenoide und mehr. All das lässt sich auf die Fähigkeit zurückführen, zahlreiche Selbstdiagnosen zu integrieren, die bei Bedarf Mechaniker oder Elektroingenieure verständigen können, um die fortlaufende Effizienz und Verlässlichkeit von Systemen zu gewährleisten.
Die Technologie hinter Machine-Vision-Systemen
Der Großteil der optischen Inspektionssysteme in industriellen Umgebungen besteht aus einer optischen Beleuchtungsplattform, Bilderfassungshardware wie Kameras und Bildverarbeitungsalgorithmen zur Durchführung von Kategorisierungen. Die Verarbeitung und Analyse von Bildmaterial ist dabei unerlässlich, um Computern zu erlauben, Maßnahmen auf der Grundlage von Bildeigenschaften zu verstehen, auszuwerten und umzusetzen.
Machine-Vision-Systeme verwenden für ihre optischen Beleuchtungsplattformen ein breites Spektrum an Licht – ultraviolettes, unsichtbares, infrarotes Licht etc. Da sich unterschiedliche Lichtbereiche für unterschiedliche Mängel eignen, müssen diese entsprechend getestet werden. Doch geht es dabei keineswegs nur darum, einzelne Farben zu betrachten; Machine-Vision-Systeme können chemische Verbindungen messen – beispielsweise den Chlorophyllgehalt von Obst. Dementsprechend sind sie dazu in der Lage, den Reifegrad von Früchten sehr viel genauer zu bestimmten, als es nur aufgrund der Farbe möglich wäre. Das gleiche Verfahren wird auch bei Mängeln eingesetzt: Druckstellen und Makel führen zu einer abweichenden spektralen Kennung. Die Kombination von Sensoren mit Kameras und Licht erlaubt eine sehr viel umfangreichere Fehlererkennung. Das gilt sogar für Fäulnisprozesse, die sich auf der Außenseite noch gar nicht bemerkbar machen. Mit der richtigen spektralen Wellenlänge im Infrarotbereich lassen sich sogar einzelne Mängel erfassen, ohne den fraglichen Gegenstand auch nur zu berühren.
Natürlich erstellen optische Beleuchtungssysteme und Kameras lediglich Bilder, und zwar unabhängig davon, wie ausgefeilt sie gerade sind. Diese werden dann erst von einer Computersoftware verarbeitet, die Entscheidungen fällt und einzelne Solenoide aktiviert, um Gegenstände vom Förderband zu entfernen. Dafür sind Hardware, eine Softwareplattform, Treiber, Netzwerkprotokolle und vieles mehr erforderlich. Häufig kommen System-on-Modules (SOMs) zum Einsatz, um den Entwicklungsprozess zu vereinfachen und die Einbettung von Sensoren, Kameras und Systemen des Internets der Dinge (IoT) zu ermöglichen. Eine dieser Lösungen besteht in den ConnectCore® 93 SOMs von Digi International, die für ein breites Spektrum an Medizin-, Industrie-, Energie- und Transportapplikationen entwickelt wurden. Die Digi ConnectCore-Module sind für Highend-Edge-Geräte bestimmt und bieten hochleistungsfähige Berechnungs- und Kameraschnittstellen, die für höchstmögliche industrielle Verlässlichkeit vernetzter bzw. eingebetteter Geräte sorgen. Zu den bemerkenswerten Spezifikationen zählen ein Cortex-M33-Core, der neuronale Arm Ethos U65-Mikroprozessor für künstliche Intelligenz/maschinelles Lernen (KI/ML) und die integrierte NXP-Schaltung für Leistungsmanagement, die höchstmögliche Energieeffizienz gewährleistet.
Wie KI und Deep Learning Machine-Vision-Systeme verändern
Nach anfänglichem Zögern hält die KI nun mehr und mehr Einzug in die Fertigungsprozesse. Bevor es KI gab, musste man bei der Entwicklung eines Bildverarbeitungsalgorithmus die Morphologie analysieren, Schwellenwerte festlegen und Messungen und Vergleiche durchführen, um einen Fehler zu erkennen. Das war alles sehr aufwendig, fast vollständig manuell und letztlich vor allem mit Versuch und Irrtum verbunden. Mit KI und Deep Learning ist es möglich, Tausende von Bildern zu erfassen, sie zu klassifizieren und dann die KI anhand dieser Daten zu trainieren.
KI setzt der menschlichen Unentschlossenheit und Subjektivität ein Ende und gewährleistet die Verlässlichkeit von Machine-Vision-Systemen. Die anfänglichen Trainingsdaten sind von entscheidender Bedeutung, und obwohl es sich dabei immer noch um einen manuellen Prozess handelt, ist es unerlässlich, diese Deep-Learning-Algorithmen weiter zu trainieren, da sich jedes Jahr neue Anforderungen und Systeme ergeben. Es können jedoch Maschinen eingesetzt werden, die ständig automatisch Bilder speichern, sodass bei erforderlichen Änderungen die notwendigen Daten zur Verfügung stehen, um Maßnahmen zu ergreifen. KI wird in Zukunft zweifellos die Art und Weise dominieren, wie Defekte in Industrieumgebungen erkannt und sortiert werden.
Die Zukunft von Machine Vision in der Industrie
Derzeit erfordert die Verarbeitung all dieser Informationen sehr leistungsstarke Computer mit unglaublich teuren Platinen, und das sind große Maschinen und Systeme. Ich stelle mir vor, dass all diese ausgeklügelten, teuren Systeme in Zukunft in kleinere Systeme integriert werden, die in die Kameras selbst eingebaut werden. Wie bei allem anderen auch, beginnt man mit einem großen Werkzeug und macht es dann billiger und zugänglicher. Irgendwann braucht man dann vielleicht nicht mehr 50.000 Bilder, um einen Fehler zu klassifizieren. Wenn sich der Machine-Vision-Trend fortsetzt, werden wir wahrscheinlich erleben, dass alles vereinfacht wird, die Kosten für elektronische Systeme sinken und all diese Elemente in ein ganzheitliches System integriert werden.
Eine weitere wesentliche Entwicklung der Fehlererkennung besteht in der Erkennung interner Mängel. Beispielsweise erlauben es Spektrometer Herstellern, bei der Kategorisierung von Erzeugnissen einzelne Eigenschaften wie den Saft-, Zucker- oder Fettgehalt zu bestimmen. Noch sind diese ausgefeilten Sensoren sehr teuer und kompliziert zu kalibrieren. Angesichts steigender Ansprüche vonseiten der Kunden werden diese auf Spektrometern basierenden Sensoren jedoch wohl häufiger zum Einsatz kommen und Produzenten in die Lage versetzen, ihren Kunden mehr für ihr Geld zu bieten.
Fazit
Die Erkennung von Defekten war lange ein komplizierter Prozess, insbesondere bei Lebensmitteln. Machine Vision nutzt jedoch hochwertige optische Beleuchtungsplattformen, Bilderfassungshardware und fein abgestimmte Software, um die für eine verbesserte Fehlererkennung erforderlichen hochwertigen Bilder zu erhalten. Machine-Vision-Systeme werden die Effizienz, Qualität und Zuverlässigkeit der Fehlererkennung weiter verbessern, vor allem, wenn sich die Technologien in Zukunft weiterentwickeln.
