Smarte Qualitätskontrolle Spritzgießfehler günstiger per KI und Roboter entdecken

Bildanalysen, um Fehler bei spritzgegossenen Kunststoffteilen aufzuspüren, waren bisher teuer und zeitintensiv. Kölner Forscher wollen das per Machine Learning (ML) ändern ...

Beim Spritzgießen sollten Kunststoffprodukte mit optisch anspruchsvollen Oberflächen entstehen – unter anderem, wenn es um die Automobilindustrie und ihre Ansprüche geht. Um fehlerhafte Teile zu entdecken, können Bildanalyseverfahren eingesetzt werden, wie Forscher der TH Köln anmerken. Doch diese Methoden müssen zunächst zeitaufwendig und damit teuer trainiert werden. Der Grund ist, dass die Fehlerbilder bei Kunststoffteilen sehr vielfältig sind, wie es weiter heißt. Deshalb sei die Einsatzfähigkeit von künstlicher Intelligenz in der Produktion von Spritzgussteilen beschränkt. Um die Qualitätskontrolle dennoch zu verbessern und zu beschleunigen, hat die TH Köln mit zwei Industriepartnern nun eine automatisierte, kamerabasierte KI-Möglichkeit entwickelt und erprobt.

Passt das Spritzgussteil, oder nicht?

In der Kunststoffverarbeitung ist die schnelle Erkennung von Ausschuss von hohem Interesse. Vor allem bei Bauteilen, die in großen Stückzahlen produziert werden, wofür das Spritzgießen eigentlich ideal ist. Insbesondere im Rahmen der Qualitätskontrolle sei es sehr aufwändig, die notwendigen Trainingsdaten im laufenden Betrieb zu sammeln und zu verifizieren. Der Einsatz von KI sei trotz aller Komplexität der Fehlerbilder dennoch sinnvoll, weil eine manuelle Qualitätskontrolle lange dauert und nicht immer zum Ziel führe. Das Ziel des Projekts „QuKu-ML: Kamerabasierte Qualitätsbewertung beim Kunststoff-Spritzguss mit Hilfe von ML-Strategien“ war es nun, die Qualitätskontrolle eines per Spritzgießmaschine hergestellten Bauteils für die Automobilindustrie mithilfe eines Algorithmus zu vereinfachen.

Bildergalerie

Spritzgießfehler zu 91 Prozent smart und schnell erkennen

Das Team der TH Köln programmierte zur Automatisierung dieses Prozesses dazu einen Roboter, der das Bauteil in verschiedenen Positionen vor einer Kamera platzierte. So, heißt es, können Bilder aus 16 verschiedenen Perspektiven gemacht werden. Mit einem finalen Datensatz aus etwa 1.600 Aufnahmen wurde schließlich eine künstliche Intelligenz darauf trainiert, Abweichungen von einem mangelfreien Bauteil wie Kratzer, Risse, fehlende Strukturen oder Verformungen schnell zu erkennen. Für eine möglichst effektive Anomalieerkennung analysierten die Forscher dann die Verteilung der Werte der 1.600 sogenannten Heatmaps. Liegt die Anzahl der Bildpunkte mit einem Anomaliewert über oder unter einem Schwellenwert, erkenne die KI eine Abweichung. Es folgt dann der Befehl, das entsprechende Bauteil auszusortieren. Mit diesem Verfahren haben die Experten eine Treffergenauigkeit von 91 Prozent erreicht, wie betont wird.

Zukunft der Fertigung

So wird generative KI zum Katalysator einer neuen industriellen Ära

Wenn die KI weiß, wie perfekte Kunststoffteile aussehen sollten ...

Die KI-gestützte Erkennung von Anomalien an Kunststoffbauteilen biete im industriellen Kontext eine Reihe von Vorteilen im Vergleich zur üblichen Fehlererkennung. Denn letztere benötigten eine ausreichende Anzahl von Bildern, auf denen die jeweiligen Fehlertypen klar erkennbar sein sollten. Die Mängel müssten dabei manuell markiert und beschriftet werden. Aber perfekte Teile sind im Vergleich zu mangelhaften Teilen meist in viel größerer Stückzahl verfügbar. Also kann die künstliche Intelligenz angelernt werden, anstatt der Fehler, die Perfektion zur Unterscheidung heranzuziehen. Das Ergebnis ist eine Anomalie-Heatmap, auf der mangelhafte Bildbereiche hohe Anomaliewerte einnehmen, die farblich dargestellt werden können.

(ID:50119547)