Qualitätskontrolle Spritzgießen: Kamerabasierte KI-Lösung erkennt kleinste Anomalien

Anbieter zum Thema

TH Köln

NTT DATA Deutschland SE

Schneider Electric GmbH

PSI Software SE | Business Unit Discrete Manufacturing

Um die Qualitätskontrolle beim Spritzgießen zu verbessern und zu beschleunigen, hat die TH Köln gemeinsam mit zwei Industriepartnern eine automatisierte, kamerabasierte KI-Lösung entwickelt und erprobt.

Beim Spritzgießen entstehen Kunststoffprodukte mit optisch anspruchsvollen Oberflächen, unter anderem für die Automobilindustrie. Um fehlerhafte Teile zu entdecken, können Bildanalyseverfahren eingesetzt werden. Diese müssen bislang zeit- und kostenintensiv trainiert werden, da die Fehlerbilder sehr vielfältig sind. Daher ist die Einsatzfähigkeit von KI in der Produktion beschränkt.

„In der Kunststoffverarbeitung ist die schnelle Erkennung von Ausschuss von hohem Interesse, vor allem bei Bauteilen, die in großen Stückzahlen produziert werden. Hier KI-Anwendungen zu etablieren, ist aufgrund der Komplexität jedoch eine gewaltige Herausforderung. Insbesondere in der Qualitätskontrolle ist es sehr aufwändig, die notwendigen Trainingsdaten im laufenden Betrieb zu sammeln und zu verifizieren. Der Einsatz von Künstlicher Intelligenz ist dennoch sinnvoll, da eine manuelle Qualitätskontrolle lange dauert und fehleranfällig ist“, sagt Prof. Dr. Anja Richert vom Cologne Cobots Lab (CCL) der TH Köln.

Spritzgießen: Abweichungen vom Sollbild identifizieren

Ziel des Projekts „QuKu-ML“ war es daher, die Qualitätskontrolle eines per Spritzguss hergestellten Bauteils für die Automobilindustrie mit Hilfe eines Algorithmus zu vereinfachen. Das Team der TH Köln programmierte zur Automatisierung dieses Prozesses einen Roboter, der das Bauteil in verschiedenen Positionen vor einer Kamera platzierte, sodass Bilder aus 16 verschiedenen Perspektiven entstanden. Mit einem finalen Datensatz aus insgesamt rund 1600 Aufnahmen wurde eine Künstliche Intelligenz darauf trainiert, Abweichungen von einem mangelfreien Bauteil wie Kratzer, Risse, fehlende Strukturen oder Verformungen schnell zu erkennen.

IN.Stand 2024

Instandhaltung: Parallele Fachveranstaltungen bieten Mehrwert für die Besucher

„Die Anomalie-Detektion bietet im industriellen Kontext eine Reihe von Vorteilen gegenüber der konventionellen Fehlererkennung. Letztere benötigen eine ausreichende Anzahl von Bildern, auf denen die jeweiligen Fehlertypen klar erkennbar sind. Die Mängel müssen dabei manuell markiert und beschriftet werden. Perfekte Teile sind im Vergleich zu mangelhaften Teilen meist in großer Stückzahl verfügbar. Also kann eine Künstliche Intelligenz angelernt werden, die Perfektion erkennt und Abweichungen von diesem Sollzustand schnell detektiert. Das Ergebnis ist eine Anomalie-Heatmap, auf der mangelhafte Bildbereiche hohe Anomaliewerte einnehmen, die farblich dargestellt werden können“, erklärt Nicolas Kaulen, wissenschaftlicher Mitarbeiter am CCL.

Qualitätskontrolle beim Spritzgießen: Bildpunkte schaffen Klarheit

Für eine möglichst effektive Anomalieerkennung beim Spritzgießen analysierten die Forscherinnen und Forscher die Verteilung der Werte der 1600 Heatmaps, wie Kaulen ausführt: „Lag die Anzahl der Bildpunkte mit einem Anomaliewert über oder unter einem Schwellenwert, erkannte die KI eine Abweichung und gab den Befehl, das entsprechende Bauteil auszusortieren. Mit diesem Verfahren haben wir eine Treffergenauigkeit von 91 Prozent erreicht.“

Für die industrielle Serienfertigung ist dieser Wert allerdings noch zu gering. „Der Nachteil des Schwellenwertverfahrens ist, dass bei der Qualitätskontrolle etwas mehr Produktionsausschuss entsteht. Wir haben zum Beispiel festgestellt, dass Schmutzpartikel, die in den meisten Fällen kein Risiko für den technischen Ablauf darstellen, vom Algorithmus trotzdem als Anomalie wahrgenommen werden. Hier besteht weiterer Forschungsbedarf, um die Detektionsmethode zu verfeinern“, so Richert. In einem Folgeprojekt sollen die Erkenntnisse vertieft und auf weitere industrielle Anwendungen übertragen werden.

Über das Projekt

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 Forscherinnen und 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.