Anwendungsfall
In diesem Use Case geht es um die automatisierte visuelle Prüfung von Produkten innerhalb industrieller Fertigungsprozesse. Ziel ist die Detektion von Fehlstellungen wie etwa Feuchtigkeit in trockenen Materialien, Verunreinigungen oder mangelhafter Durchmischung. Dabei erfasst eine Kamera vollflächige Aufnahmen der Produkte, und ein darauf trainierter Algorithmus bewertet, ob die Aufnahme dem erwarteten Zustand entspricht oder auf eine Anomalie hinweist.
Ein zentrales Problem industrieller Umgebungen liegt in deren inhärenter Komplexität: Nicht alle potenziellen Fehlerbilder sind im Vorfeld eindeutig definierbar. Umso wichtiger ist die Fähigkeit, auch bislang unbekannte Anomalien erkennen zu können.
Da Zeit in den meisten Produktionsprozessen eine kritische Ressource darstellt, lag der Fokus dieses Projekts auf der Entwicklung einer Lösung, die mit minimalem Erfassungs- und Auswertungsaufwand präzise Ergebnisse liefert – in Echtzeit und bei hoher Flächendeckung.
Die hier vorgestellte Lösung ist in der Lage, Anomalien in der Größe einer Erbse auf einer Fläche von 60x30cm zuverlässig zu detektieren – basierend auf nur einer einzigen Aufnahme pro Produkt. Im gezeigten Demonstrator wurden Sägespäne hinsichtlich unerwünschter Materialien und Feuchtigkeitsstellen untersucht. Während viele Fremdkörper bereits im sichtbaren Spektralbereich detektierbar sind, bleibt Wasser dort in der Regel unsichtbar. In diesem Fall lassen sich feuchte Stellen durch den Einsatz von Infrarotlicht – insbesondere im SWIR-Bereich – deutlich hervorheben und für die maschinelle Auswertung zugänglich machen.
Komplexität erfordert Deep-Learning-ANSATZ
Für klassische Bildverarbeitung ist die vorliegende Aufgabe zu komplex: Produktionsprozesse sind variabel, Trainingsdaten zu Fehlerbildern oft unvollständig, Abweichungen vielfältig.
Neuronale Netze, insbesondere Deep-Learning-Modelle, sind hier die Lösung: Sie lernen die Merkmale des Normalzustands aus fehlerfreien Beispielen und identifizieren später selbst bislang unbekannte Anomalien.
Im Trainingsprozess durchläuft das Netzwerk die Daten wiederholt, erfasst Muster und Abweichungen im hochdimensionalen Raum. Diese Fähigkeit zur Generalisierung macht Deep Learning zur idealen Methode für Unternehmen, die in dynamischen Anlagen eine verlässliche Qualitätssicherung sicherstellen möchten.
Warum SWIR? – Spektrale Vorteile im kurzwelligen Infrarotbereich
Das SWIR-Verfahren nutzt die Absorptionseigenschaften von Wasser im kurzwelligen Infrarotbereich: Feuchte Zonen erscheinen hier deutlich kontrastreicher als in klassischen Farbbildern. Dadurch können Störungen in der Produktion, die optisch kaum erkennbar sind, zuverlässig erkannt werden.
Die Kombination von spektralen Daten aus mehreren Wellenlängen mit Machine Learning führt zu einer robusten und effizienten Anomalieerkennung – ein Vorteil, der klassische Verfahren in puncto Präzision und Effizienz weit übertrifft.
Kamera-Set-up: Präzise Datenerfassung
Für die Datenerfassung kam ein multispektrales Kamerasystem zum Einsatz: eine hochauflösende Farbkamera kombiniert mit SWIR-Sensoren, die auf spezifische Spektralbänder im Infrarotbereich abgestimmt sind. Diese Konfiguration liefert konsistente Datenwürfel, die für jedes Pixel Informationen über mehrere Wellenlängenbereiche enthalten. Die präzise Kalibrierung und Synchronisierung der Sensoren gewährleisten eine verlässliche Bildqualität für das Training der Modelle.
ML Network: Deep Learning für nicht deterministische Szenarien
fficientAD, eine spezialisierte Autoencoder-Architektur, wurde für diesen Anwendungsfall trainiert. Der Vorteil: Es genügt ein Datensatz fehlerfreier Trainingsdaten, um den Normalzustand der Produktionsumgebung zu lernen. Abweichungen von diesem Muster werden später zuverlässig als potenzielle Anomalien erkannt.
Diese Methode der Anomaliedetektion reduziert die Notwendigkeit umfassender Fehlerkataloge und eignet sich daher ideal für Unternehmen mit heterogenen Prozessen und variablen Oberflächenstrukturen.
Cuvis.AI: Plattform für hyperspektrale Anomalieerkennung
Cubert bietet mit Cuvis.AI eine Plattform, die speziell für die Entwicklung, Überwachung und Inferenz von Anomaliedetektion auf Basis hyperspektraler Daten entwickelt wurde. Sie erlaubt es, Machine-Learning-Modelle effizient mit spektralen Bildern zu trainieren und in industrielle Produktionslinien zu integrieren – modular, skalierbar, zukunftsfähig.
Datensatz: Hohe Variabilität als Grundlage
Der verwendete Datensatz bestand aus multispektralen Aufnahmen von Sägespänen mit unterschiedlichsten Texturen, Farben und spektralen Eigenschaften. Diese hohe Varianz stellt sicher, dass das trainierte Modell auch in realen Produktionsumgebungen mit komplexen Oberflächen zuverlässig Abweichungen erkennen kann.
Die präzise Segmentierung der Bilder ermöglicht es, die Leistung der Anomaliedetektion objektiv zu evaluieren und kontinuierlich weiterzuentwickeln.
Fazit: Intelligente Qualitätssicherung für moderne Produktion
Durch die Kombination von hyperspektraler Bildgebung, spektraler Vielfalt über mehrere Wellenlängen, modernsten Machine-Learning-Methoden und einer robusten Plattform hat Cubert eine Lösung entwickelt, die Effizienz, Präzision und Automatisierung in der Qualitätssicherung auf ein neues Niveau hebt.
Für Unternehmen, die in Industrie 4.0-Prozesse investieren, wird die automatisierte Anomalieerkennung zum strategischen Instrument: Störungen werden früh erkannt, Anlagen besser überwacht, Maschinen effizienter betrieben.
Kurzum: Mit intelligenter Bildverarbeitung und spektraler Anomaliedetektion sichern Sie die Qualität Ihrer Produktion – zuverlässig, skalierbar, zukunftsweisend.
Über den Autor
Dr. Matthias Locherer ist seit 2017 Sales Director bei Cubert GmbH. Mit einem PhD in Erdbeobachtung von der Ludwig-Maximilians-Universität München bringt er umfangreiche Expertise in der Fernerkundung, spektraler Bildgebung und Datenanalyse mit. Matthias hat an verschiedenen Forschungsprojekten und Publikationen mitgewirkt, insbesondere im Bereich der hyperspektralen Überwachung biophysikalischer und biochemischer Parameter mit hyperspektralen Satellitenmissionen. Seine fundierten Kenntnisse in optischer Messtechnik und physikalischer Modellierung machen ihn zu einem wichtigen Treiber für die Weiterentwicklung innovativer hyperspektraler Technologien bei Cubert.
