Fehler-Klassifizierung bei der Produktion von Stahlblechen

Die Installation eines automatischen Klassifizierungssystems mithilfe von Convolutional Neural Network oder faltendes neuronales Netzwerk zum Aufspüren von Fehlern in Stahlblechen, die während des Produktionsprozesses entstehen.

Ziele

• Automatische Überprüfung der Qualität der Stahlbleche.
• Erhöhung der Qualität beim Endergebnis des Produktionsprozesses.
• Aufspüren der kritischen Phasen des Produktionsprozesses.

Der Produktionsprozess von Stahlblechen ist besonders schwierig. Die Anzahl der einzelnen Prozesse ist hoch und schon die kleinste Änderung wie z. B. beim Erhitzen oder Laminieren führen zu Produktionsfehlern und damit zu Qualitätsverlusten oder mangelhaften Produktionsteilen. Die Möglichkeit, die Qualität dieser Teile in verschiedenen Bereichen des Herstellungsprozesses mithilfe der Artificial Vision zu erkennen, garantiert, dass die endgültige Qualität auch die gewünschte sein wird, wobei fehlerhafte Teile aussortiert und die kritischsten Phasen erkannt werden.

Was machen wir?

Wir führen eine Analyse der Daten durch und erarbeiten eine Lösung, die auf der Entwicklung und dem Einarbeiten eines Deep-Learning-Systems basiert. In diesem Fall handelt es sich um ein U-Net (Convolutional Neural Network).

Danach wird wieder eine Analyse des erhaltenen Ergebnisses durchgeführt, sodass garantiert werden kann, dass die Genauigkeit dieses eingearbeiteten Modells die Maximale ist.

Zuletzt wird die erhaltene Lösung in der Produktion eingesetzt. Ggf. wird darüber hinaus das Modell mit einem zunehmend aktualisierten Datensatz neu darauf abgestimmt.

Wie machen wir das?

Analyse und Klassifizierung der eingehenden Bilder

Eine Reihe von Bildern mit allen zu klassifizierenden Fehlern.
Eine manuell erstellte Datei mit dem Fehlertyp und -ort.  In diesem Fall werden die möglichen Defekte in vier zuvor abgegrenzte Gruppen eingeteilt.

Genaue Abstimmung des Modells

Die Keras-Segmentierungs-Learning-Bibliothek wird mit vorabgestimmten Modellen verwendet.
Es wird das U-Net Convolutional Neural Network zur Segmentierung der Bilder benutzt.
Das Output bei diesem Modell ist eine Maske mit leicht erkennbaren Umrissen, die die vom Convolutional Neural Network gefundenen Fehler leicht lokalisiert.

Einsatzbereich

Sobald das Modell abgestimmt wurde, liefert die Eingabe eines nicht klassifizierten Bildes eine Wärmekarte, auf der mögliche Defekte in der Stahlplatte identifiziert werden können.