Wir verfügen über einen grossen Werkzeugkasten mit modernsten Bildverarbeitungsalgorithmen, die je nach Bedarf für die jeweilige Inspektionsaufgabe ausgewählt und kombiniert werden. Darüber hinaus wird jeder Inspektionsaufbau, der aus Hard- und Software besteht, für das bestmögliche Ergebnis auf den Prozess und die individuelle Inspektionsaufgabe zugeschnitten. Eine detaillierte Untersuchung des Fehlerkatalogs und das Pre-Engineering in unserem Bildverarbeitungslabor bestimmen in einem frühen Stadium des Projekts die Algorithmen und die zu erwartenden Erkennungsraten.

Klassifizierung der Fehler

Unser Ansatz ist nicht das Einlernen von Fehlern, sondern die Klassifizierung von Fehlern anhand ihres Auftretens.

Wir verfolgen einen neuen Ansatz in der Inspektionsphilosophie, der darauf beruht, dass ein bestimmter Fehler je nach Sichtweise viele Male beobachtet wird, ein gutes Produkt, dem eine ähnliche Besonderheit fehlt, aber nur einmal beobachtet wird. Das bedeutet, dass die Variation guter Produkte die Inspektionsmöglichkeiten bestimmt, während das einmalige Auftreten eines Fehlers die Klassifizierung nicht beeinträchtigt.

Dies führt zu einer sehr niedrigen Falschabwurfrate, da das System darauf trainiert ist, die normale Schwankung eines guten Produktes zu erkennen und dieses als gut einzustufen, und daher alles, was nicht der normalen Schwankung entspricht, als fehlerhaft/zurückgewiesen klassifiziert.

In der zweiten Stufe der Bewertung, nach der Gut/Schlecht-Entscheidung können die Fehler durch mehrere einzelne Parameter untergliedert werden, die sich aus dem optischen Erscheinungsbild des Produkts und der damit verbundenen Fehlerkategorie - Partikel in Lösung oder Partikel in Glas oder Kratzertiefe - ableiten lassen. Die einzelnen Prüfstationen werten ihre Bilder unabhängig voneinander bei hohen Geschwindigkeiten von bis zu 600/min aus, und es werden Fehlereigenschaften übermittelt, die eine dritte Klassifizierungsstufe ergeben, indem Unterschiede von Bild zu Bild desselben Produkts bewertet werden.

Partikelinspektion

Für die Partikelinspektion werden verschiedene Aufbauten benötigt. Die Partikel können schwimmen, schweben, sinken und an jeder beliebigen Innenfläche des Behälters haften bleiben. Für schwimmende und abgesunkene Partikel werden andere Untersuchungsaufbauten und -strategien verwendet als für schwebende Partikel. Es gibt keine "Einheitslösung". Der optische Aufbau, die Prüfstrategie und die verwendeten Algorithmen müssen auf die jeweilige Aufgabe abgestimmt werden. Es gibt eine Reihe von Einflüssen. Die wichtigsten sind: Viskosität der Füllung, Grenzflächenphysik von Füllung und Behälter (benetzend oder nicht benetzend), Oberflächenspannung, Behälterzustand, Füllstand und vieles mehr. All die verschiedenen Einflüsse stärken unseren Ansatz für eine gründliche Vorstudie.

Schwebende Partikel werden mit Hilfe von Bildsubtraktions- und Partikelverfolgungsalgorithmen untersucht. Hochauflösende Bildsequenzen werden aufgenommen, während die Flüssigkeit im Inneren des Behälters rotiert und potenzielle Partikel in Bewegung bringt. Die aufgenommenen Bilder werden dann voneinander subtrahiert, wobei die Unterschiede zwischen den Bildern erhalten bleiben. Die Rotationsprofile werden während der Rezepturentwicklungsphase an verschiedene Partikeltypen und Flüssigkeitseigenschaften angepasst.

Deep Learning und KI

Die künstliche Intelligenz hat in den letzten Jahren erhebliche Veränderungen in der Bildverarbeitung gebracht. Um die Inspektionsergebnisse zu verbessern, nutzen wir Deep-Learning-Algorithmen. Insbesondere bei Aufgaben, bei denen die konventionelle Bildverarbeitung vor Herausforderungen steht, kann der Einsatz einer KI die Erkennungsraten verbessern und die Falschrückweisungsraten drastisch minimieren. Es gibt spezifische Bereiche, in denen Deep Learning signifikante Verbesserungen gezeigt hat, wie z. B. die Unterscheidung zwischen Blasen und Partikeln sowie die Partikelinspektion in hochviskosen Produkten, bei denen Drehen und Bildsubtraktion nicht in der üblichen Weise funktionieren.

Eine Voraussetzung für überwachtes Lernen ist eine umfassende und klassifizierte Fehlerbibliothek. Mit ihrer Hilfe beginnen die Algorithmen zu lernen und sich zu verbessern.  Um solche Fehlerbibliotheken über einen längeren Zeitraum zu erstellen, haben wir ein Software-Tool entwickelt, das Bilder von realen Fehlern mit der entsprechenden Klassifizierung zentral speichert. Bitte setzen Sie sich für weitere Informationen mit uns in Verbindung.