Smart Surface Inspection: trevista® meets Deep Learning

Aufgabenstellung:

  • Voll automatisierte 100%-Oberflächenprüfung von komplexen metallischen Bauteilen mit einem großen Teilespektrum
  • Hochflexibler Handlings- und Automationsansatz
  • Möglichkeit zur Nutzung der Prüfdaten im Sinne von Industrie 4.0 bzw. über die Qualitätssicherung hinaus: Dokumentation, Monitoring, Prozessoptimierung, Fertigungsplanung

Lösung:

  • Smart Surface Inspection: Einsatz von trevista® in Kombination mit innovativer KI-Technologie

Kundennutzen:

Überlegene Bildqualität dank patentierter trevista®-Verfahren 

  • Dank innovativer Shape-from-Shading-Technologie geben trevista®-Bilder präzise Informationen über Oberflächenstrukturen und -helligkeiten wieder
  • Aus mehreren Eingangsbildern werden in kürzester Zeit hochwertige Ergebnisbilder berechnet (Computational Imaging)
  • Perfekt geeignet für glänzende Bauteile bis hin zu diffus streuenden Oberflächen
  • Minimierung von Pseudoausschuss durch zuverlässiges Erkennen von Fehlern bis in den µm-Bereich
  • Großer Teiledurchsatz durch höchste Prüfgeschwindigkeit
  • trevista®-Dome sind flexibel positionierbar bzgl. Abstand, Höhe und Rotationslage der Prüfteile und somit anpassbar an die unterschiedlichen Bauteiltypen
  • Universelles Prüfsystem ermöglicht umfassende Oberflächenprüfung auch bei komplexer Oberflächengeometrie u.a. bei Zahnrädern (Zahnflanken, Innenverzahnung, Schrägverzahnung) bei Fräser, Bohrer (Schneidkanten Mantelfläche/Stirnseite), bei Kolben (Lauffläche, Kolbenboden)

Zuverlässige Fehlererkennung durch Deep Learning

  • Neuronale Netze sind besonders gut einsetzbar, wenn ein klassischer Algorithmus schwierig zu finden ist, z.B. bei komplexer Teilegeometrie oder hoher Varianz von Oberflächeneigenschaften (wie Rauheit)
  • Durch das Training eines neuronalen Netzes kann die Prüfaufgabe jederzeit adaptiv an die aktuelle Produktionssituation angepasst werden

Variantenvielfalt

  • Unterschiedliche Teiletypen können schnell eingelernt werden
  • Prüfparameter lassen sich einfach und schnell auf neue Teilevarianten übertragen

Best Match: trevista® und Deep Learning

  • Schnelles Einlernen und Anpassen von Polygonen und Prüfparametern
  • Dank hervorragender Qualität der trevista®-Sensordaten kann eine optimale Auswertung durch das neuronale Netz erfolgen
  • Präzise Erkennung von Defekten auch auf komplex geformten Oberflächen 
  • Die Vielfalt an verschiedenen Prüfaufgaben kann durch die Kombination aus trevista® und Deep Learning effektiv und effizient abgedeckt werden
  • Kommunikationsschnittstellen für die erweiterte Nutzung der Prüfdaten z.B. zur Unterstützung einer generischen Prüfplanerstellung, Reporting, Prozessoptimierung etc. sind vorhanden

undefined

Abb.: Defektkandidaten (Beispielanwendung Smart Surface Inspection Coake® 7 Demoversion)