Intelligente Datenanalyse mit künstlichen neuronalen Netzen

Transkript

1 Intelligente Datenanalyse mit künstlichen neuronalen Netzen Anforderungen, Beispiele, Ergebnisse Dr.-Ing. Stefan Schünemann Nemo-Forum Industrielle Bildverarbeitung Dresden, 03. April /34

2 Gliederung Kurzvorstellung der INB Vision AG Ausgewählte Anforderungen an Datenanalysen in der BV Beispiel: Oberflächenforminspektion: QS, Prozesscontrolling Beispiel Elektronische Bildkorrektur für Kamerasysteme Fazit 2/34

3 Die INB Vision AG Kurzvorstellung der INB Vision AG ist ein Bildverarbeitungsspezialist, entwickelt Vision-Technologien und setzt diese in Software um, bietet sowohl Standard- als auch kundenspezifische Systeme in Partnerschaften mit etablierten Systemintegratoren. Schwerpunkte Marktfokus: 3D-Prüftechnik für den Industrieeinsatz Engineering und Consulting Machbarkeitsanalysen Verkauf, Vermietung, Lizenzen 3/34

4 Anforderungen an Datenanalysen in der BV Die Aufgaben werden zunehmend hochkomplex bei maximaler Forderung nach Flexibilität. Robuste Verfahren (Verfügbarkeit,Umgebung) Objektive Bewertung mit Rückkopplung Einfach bedienen, nicht Programmieren Große Variabilität bei hoher Präzision Hohe Geschwindigkeit, kurze Taktraten Leichte Integrierbarkeit (IT-Umgebung) Der Mensch kann es subjektiv. Objektiv ist erforderlich. Und die BV-Systeme? 4/34

5 INB Vision AG Magdeburg Künstliche neuronale Netze zur Datenanalyse Training von Zuständen, Prozessen mit schwieriger math. Beschreibung Informationsreduktion hochdimenout function mi1 Σ min sionaler Merkmalsräume Erkennung von Ähnlichkeiten unterschiedlichste Architekturen x1 mi2 mi.. x2 xn x.. für bestimmte Aufgaben geeignet Nutzung von vorteilhaften Schemata des Menschen, reduziert auf einfachste Strukturen mit dem Ziel, intelligente und flexible Analysesysteme anzubieten. 5/34

6 Beispiel Optische 3D-Oberflächeninspektion - 3D-Product Defect Mapping (3D-PDM) 6/34

7 3D-Datenerfassung zur Oberflächenforminspektion Projektor n Muster 1. Projektion einer Mustersequenz Kamera 1 Kamera 2 2. Bildaufnahme (mit 2 Kameras) 3. 3D-Punktewolke (3D-Datenberechnung) 3D-Objekt 4. Datenanalyse (Defect Map) 7/34

8 3D-Datenanalyse: IO oder fehlerhaft? Darstellung der 3D-Punktewolke als Oberfläche 8/34

9 Problemdefinition: Toleranzen der Bauteile Toleranzen der Bauteile sind größer als die zu detektierenden Fehler Toleranzbereich Fehler befindet sich innerhalb der zulässigen Toleranz Auflagepunkte 9/34

10 Problemdefinition: Justage der Bauteile Justage der Teile mit der erforderlichen Genauigkeit nicht möglich Verbiegung des Werkstücks nach neuer Justage Fehler geht unter in den Justageungenauigkeiten Auflagepunkte 10/34

11 Speed Gaging Module Funktionsweise Mehrere Meisterstücke 3D-Datenerfassung des Prüfteils 1. 3D-Datenerfassung 2. Berechnung der Konfigurationsparameter Speed Gaging Module Konfiguration (Off-line, einmalig) Inspektion (On-line, Routine) Defect Map 11/34

12 Speed Gaging Technology - Funktionsweise Konfigurationsdaten: Unterschiedliche Meisterstücke in Lage und Form Prüfteil wird erfasst Optimales Meisterstück wird berechnet 12/34

13 Speed Gaging Module Erzeugung der Defect Map Speed Gaging Module Prüfteil Virtuelles Meisterstück Defect Map 13/34

14 Defect Maps eines Fehler-Teils Datenbasis: zehn Teile Datenbasis: zwei Teile INB Vision AG Magdeburg Vergleich gegen einen Master 14/34

15 Defect Maps eines Fehler-Teils INB Vision AG Magdeburg Pseudofehler z. B. Temperatureinfluss Nachtrainieren eines IO-Teiles Pseudofehler beseitigt 15/34

16 INB Vision AG Magdeburg Defect Maps eines Fehler-Teils Schwelle 30µm Schwelle 50µm Schwelle 100µm 16/34

17 Statistische Auswertung der Defect Maps 17/34

18 Weitere Anwendungsbeispiele INB Vision AG Magdeburg Spritzguß Türgriff innen Druckguß Gehäuse 18/34

19 Vollständigkeitskontrolle - Rückprojektion 19/34

20 INB Vision AG Magdeburg Vergleich gegen CAD-Daten Einpassen der digitalisierten Daten in ein CAD-Modell CAD-Daten als Trainingsbasis 20/34

21 INB Vision AG Magdeburg 3D Product Defect Mapping (3D-PDM) Systems Robot System Modular System Desktop System 21/34

22 Conclusion: Beispiel 3D-Oberflächeninspektion Schneller Soll-/Ist-Vergleich mit einfacher Schwelle Keine geschlossene Fehlerbeschreibung erforderlich Berücksichtigung zulässiger Produktionstoleranzen Justageungenauigkeiten zugelassen Hohe Teilevielfalt ohne Programmieren realisierbar Künstliche neuronale Netz ist Kern, aber nur ein Teil der Lösung zur intelligenten Datenanalyse KNN hat nur eine Chance, wenn schnell und robust trainierbar und nach außen als Systemkonfiguration wirkt Sensor und Betriebsdatenerfassung sind zu kombinieren 22/34

23 Beispiel Elektronische Bildkorrektur EIC - Korrektur von Abbildungsfehlern im digitalen Datenstrom 23/34

24 Typische Abbildungsfehler: Geometrische Verzeichnung Unschärfen Farbdivergenzen unregelmäßige Ausleuchtungen INB Vision AG Magdeburg Anforderungen an eine elektronische Bildkorrektur Adaptive ortsvariante Filterung des Bilddatenstromes zur Korrektur von optischen Abbildungsfehlern Optimierung einfacher optischer Systeme (Kunststofflinsen-Systeme) Korrektur in einem Schritt ohne math. Beschreibung des Einzelfehlers Künstliches neuronales Netz zur Konfiguration der ortsvarianten Koeffizienten Anwendung als simpler Filterprozess des Bildes 24/34

25 Datenfluss der EIC im Kamerasystem INB Vision AG Magdeburg 25/34

26 Datenfluss der EIC im Kamerasystem INB Vision AG Magdeburg 26/34

27 Datenfluss der EIC im Kamerasystem INB Vision AG Magdeburg 27/34

28 Beispiel einer Kameraaufnahme Real image before EIC 28/34

29 Beispiel einer Kameraaufnahme Real image after EIC 29/34

30 Datenfluss der EIC kombiniert mit Warping INB Vision AG Magdeburg 30/34

31 Handy-Kamera mit elektronischer Bildkorrektur Test images Target image original mobile phone image difference original target Example for application EIC processed image difference EIC processed target before EIC with EIC 31/34

32 INB Vision AG Magdeburg Anwendungsbereiche 32/34

33 Conclusion: Beispiel Elektronische Bildkorrektur Korrektur des digitalen Datenstromes in Videoechtzeit Ohne Beschreibung der einzelnen Abbildungsfehler Korrekturschwerpunkte definierbar Kombinierbar mit Optik-Design Schneller Service möglich Künstliche neuronales Netz nur zur Systemkonfiguration, nicht im Gerät zu implementieren Schnelles Training durch Vorkonfiguration möglich Koeffizienten des Filterprozess teils speicheraufwendig 33/34

34 Kontakt INB Vision AG Leipziger Strasse 44 ZENIT Technology Park D Magdeburg Tel.: +49 (0) Fax.: +49 (0) d@inb-vision.com Messe Sinsheim Halle 3 / /34