Kreise im Vergleich

Für eine möglichst effektive Anomalieerkennung wurde die Verteilung der Bildwerte bei sogenannten Anomalie-Heatmaps von rund 1.600 Bildaufnahmen analysiert. (Bild: Cologne Cobots Lab/TH Köln)

Beim Spritzgießen werden Kunststoffprodukte mit anspruchsvollen Oberflächen hergestellt, insbesondere für die Automobilindustrie. Die TH Köln und zwei Industriepartner haben eine automatisierte, kamerabasierte KI-Lösung zur Qualitätskontrolle entwickelt, um fehlerhafte Teile effizienter zu erkennen.

In der Kunststoffverarbeitung ist die schnelle Erkennung von Ausschuss entscheidend, besonders bei großen Stückzahlen. Traditionelle Bildanalyseverfahren sind jedoch zeit- und kostenintensiv, da die Fehlerbilder vielfältig sind. KI kann hier helfen, aber das Sammeln und Verifizieren der Trainingsdaten ist aufwendig. Die manuelle Qualitätskontrolle ist langwierig und fehleranfällig.

Im Projekt „Quku-ML“ programmierte die TH Köln einen Roboter, der Spritzgussbauteile aus 16 Perspektiven fotografierte. Mit rund 1.600 Aufnahmen wurde eine KI trainiert, die Abweichungen von fehlerfreien Bauteilen wie Kratzer, Risse, fehlende Strukturen oder Verformungen erkennt. Diese Anomalie-Detektion bietet Vorteile gegenüber herkömmlichen Methoden, da sie auf Perfektion trainiert wird und Abweichungen schnell identifizieren kann. Das Ergebnis ist eine Anomalie-Heatmap, die fehlerhafte Bereiche farblich darstellt.

 
Roboter hält ein rundes, durchsichtige Bauteil fest
Projektziel war es, die Qualitätskontrolle eines per Spritzguss hergestellten Bauteils für die Automobilindustrie mit Hilfe eines KI-Algorithmus zu vereinfachen. (Bild: Cologne Cobots Lab/TH Köln)

Deshalb ist weitere Forschung notwendig

Die Forscher analysierten die Verteilung der Werte der 1.600 Heatmaps, um die Anomalieerkennung zu optimieren. Bei einem Anomaliewert über oder unter einem Schwellenwert sortierte die KI das Bauteil aus. Dies führte zu einer Treffergenauigkeit von 91 %.

Für die industrielle Serienfertigung ist diese Genauigkeit noch unzureichend. Das Schwellenwertverfahren verursacht zusätzlichen Produktionsausschuss, da es beispielsweise Schmutzpartikel fälschlicherweise als Anomalien erkennt. Weitere Forschung ist notwendig, um die Methode zu verfeinern. In einem Folgeprojekt sollen die Ergebnisse vertieft und auf weitere industrielle Anwendungen übertragen werden.

Quelle: TH Köln

Das sollten Sie zum Projekt wissen

Das Projekt „Quku-ML: Kamerabasierte Qualitätsbewertung beim Kunststoff-Spritzguss mit Hilfe von ML-Strategien“ wurde unter der Leitung von Prof. Dr. Anja Richert vom Cologne Cobots Lab der TH Köln durchgeführt. Die Forscher programmierten den Roboter als zentrale Steuerungseinheit und führten die Tests zur Qualitätskontrolle durch. Der Konsortialführer SHS plus beschäftigt sich mit der Optimierung von Prozessen, Produktqualität und Effizienz in der Kunststoffverarbeitung. Sentin ist ein Unternehmen, das sich auf Softwarelösungen mit Künstlicher Intelligenz für zerstörungsfreie Prüfungen (ZfP) und industrielle Inspektionen, zum Beispiel Bildauswertung, spezialisiert hat.

Das Vorhaben wurde vom Bundesministerium für Bildung und Forschung und dem Deutschen Zentrum für Luft- und Raumfahrt als Projektträger im Rahmen der Initiative „KMU-innovativ“ mit 897.126 Euro über drei Jahre gefördert.  

Sie möchten gerne weiterlesen?