Die Umsetzung intelligenter Fabriken im Zusammenhang mit der visuellen Qualitätskontrolle

In der heutigen Geschäftswelt entscheiden sich sowohl B2B- als auch B2C-Kunden für leistungsstarke Produkte, anstatt ihre Wahl allein anhand eines einzigen Kriteriums wie Preis, Verfügbarkeit oder Qualität zu treffen. Zu den wesentlichen Faktoren, die hinter diesem Wandel stehen, zählen die steigende Anzahl der Hersteller, die Entwicklung neuer Technologien für die Produktion, die kontinuierlichen Verbesserungen seitens der Hersteller sowie das daraus resultierende Wettbewerbsumfeld. Infolgedessen sind sowohl die Produktqualität als auch die Prozessqualität nicht mehr nur ein Wettbewerbsvorteil, sondern eine „Notwendigkeit“ geworden.

Die Umsetzung des Konzepts „Industrie 4.0“ bietet intelligenten Fabriken durch die damit verbundenen digitalen Werkzeuge zahlreiche Vorteile. Die digitale Qualitätskontrolle verbessert den Prozess durch den Einsatz von Kameras, die mit spezieller Hard- und Software gesteuert werden. Eine solche Kontrolle lässt sich mithilfe von Bildverarbeitung und Klassifizierungsalgorithmen realisieren.

Als Anwendungsbeispiel haben wir in unserer Produktionslinie für Drehschalter den ersten Schritt in Richtung einer maschinell bildgestützten Qualitätskontrolle unternommen. Bei diesem ersten Versuch haben wir durch die Einführung eines kostengünstigen und einfach zu implementierenden Systems einen zuverlässigen Qualitätskontrollprozess erreicht. Zur Überprüfung der Anzahl, Form und Anordnung der beweglichen Anschlüsse wurde ein Raspberry-Pi-basiertes System in den Befestigungsprozess für die beweglichen Anschlüsse integriert. Die Bilder des Drehschaltergehäuses werden von einer Kamera mithilfe der OpenCV-Bibliotheken aufgenommen. Die aufgenommenen Bilder werden verarbeitet, um die RGB-Werte an festgelegten Merkmalspunkten des Gehäuses zu ermitteln. Durch den Vergleich des Kontrasts zwischen den Farben der Metall- und Kunststoffteile wird ein Schwellenwertverfahren (Thresholding) angewendet, um das Vorhandensein von Metallkontaktpunkten festzustellen. Ein integrierter, regelbasierter Klassifizierungsalgorithmus stuft die Drehschalter als „konform“ oder „nicht konform“ ein. Ein nicht konformer Schalter kann anhand des vom Klassifizierungsalgorithmus bereitgestellten Fehlercodes für die nachfolgenden Prozesse aussortiert werden.

Diese Anwendung hat dazu beigetragen, einen Mitarbeiter im Prozess einzusparen und die Prozessqualität zu verbessern. Zudem wurde die Zusammenfassung unseres Beitrags, den wir für das Internationale Ingenieur-Symposium (IES’20) verfasst haben, vorgestellt und ist im Abstractband unter http://ies.idu.edu.tr/home-page/ enthalten. Diese grundlegende Anwendung lässt sich unter Berücksichtigung von Anforderungen wie Produktionsgeschwindigkeit, Bildauflösung oder Rechenleistungsbedarf weiterentwickeln. Der entscheidende Punkt hierbei ist, dass Unternehmen weiterhin Anstrengungen unternehmen sollten, um im Rahmen dieser speziellen Anwendung die Werkzeuge der heutigen industriellen Revolution – Big Data und maschinelles Lernen – zu nutzen.