Die industrielle Qualitätskontrolle befindet sich im Umbruch. Während jahrzehntelang regelbasierte Bildverarbeitungssysteme oder manuelle Sichtprüfungen die gängige Praxis waren, bringt der Einsatz von künstlicher Intelligenz (KI) völlig neue Möglichkeiten mit sich. KI-basierte Verfahren revolutionieren die industrielle Bildverarbeitung und machen Produktionsprozesse effizienter, robuster und kostengünstiger.
Die richtige Beleuchtung ist seit jeher eine grundlegende Voraussetzung für eine erfolgreiche Machine Vision Applikation – unabhängig davon, ob es sich um regelbasierte oder KI-gestützte Systeme handelt. Besonders bei KI-Anwendungen hält sich jedoch hartnäckig der Irrglaube, dass die Beleuchtung eine untergeordnete Rolle spielt, da das neuronale Netz schlechte Lichtverhältnisse während des Trainings einfach „ausgleichen“ könne. Bis dato gibt es zwei verbreitete Ansätze um KI-Applikationen zu optimieren: Der modellzentriere Ansatz, bei dem die Optimierung der Modellarchitektur und Hyperparameter im Vordergrund stehen, sowie der datenzentrierte Ansatz, der auf einen möglichst hochwertigen und ausbalancierten Trainingsdatensatz setzt. Die Lösung von Anwendungen im Bereich KI Maschine Vision konfrontiert Unternehmen dennoch oft mit unnötig langen Projektzeiten und damit verbundenen hohen Kosten, die unter anderem auch auf die Verfügbarkeit begrenzter Trainingsdaten zurückzuführen sind.
Diesen Herausforderungen kann mit einer gezielten Beleuchtungsstrategie begegnet werden. Denn eine fundiert geplante und strukturiert umgesetzte Beleuchtungsstrategie kann die Komplexität reduzieren und die Problematik von Anfang an verringern. Dieser „Illumination-Centric Approach“ kann KI-Modelle mit optimaler Beleuchtung robuster und genauer werden lassen. Denn durch ein besseres Beleuchtungskonzept werden verschiedenste Umgebungsbedingungen kontrollierbarer und führen zu einer geringeren Varianz der Bilder. Dadurch werden weniger Trainingsbilder erforderlich und das System erreicht eine höhere Präzision mit weniger Daten, wie Zahlen des Softwareentwicklers MVTec zeigen:
Mit der gleichen Anzahl von Bildern konnte mit passender Beleuchtung die Precision von 89 % auf 97 % gehoben werden. Außerdem konnte bei hochqualitativer Beleuchtung eine Precision von 89 % bereits auf der Basis von 45 Bildern anstatt mit 175 Bildern erreicht werden. Demnach gelang das gleiche Ergebnis bereits mit nur einem Viertel der Bilddaten. Diese Ergebnisse sind besonders relevant, wenn begrenzte Trainingsdaten eine große Herausforderung des KI-gesteuerten Bildverarbeitungsprojekts darstellen. Kurz gesagt: Die richtige Beleuchtung kann der Schlüssel zum Erfolg in der maschinellen Bildverarbeitung sein – unabhängig davon, ob traditionelle oder KI-basierte Ansätze verwendet werden. Die richtige Beleuchtung trägt dazu bei, Fehlerquoten zu senken, Kosten zu reduzieren und die allgemeine Systemgenauigkeit zu verbessern.
Der folgende Vier-Schritte-Plan ermöglicht es, die perfekte Beleuchtung für jede Anwendung in der Bildverarbeitung zu erreichen. Zunächst erfolgt die Auswahl des richtigen Beleuchtungsprinzips. Ziel ist es, durch die Wahl der richtigen Methode, relevante Details hervorzuheben und gleichzeitig unerwünschte Informationen zu unterdrücken. Das umfassende Beleuchtungsportfolio von wenglor bietet die Auswahl verschiedenster Beleuchtungsmethoden, darunter typische Prinzipien wie z. B. Hellfeld, Dunkelfeld, Ring-, Hintergrund- und Dom-Beleuchtung. Je nach Anwendung kann auch eine Kombination aus mehreren Beleuchtungsprinzipen die besten Ergebnisse liefern.
Nach der Festlegung des Prinzips, gilt es im zweiten Schritt die richtige Wellenlänge zu ermitteln. Die Farbe der Lichtquelle hat erheblichen Einfluss auf die Bilddarstellung. Während blaues Licht beispielsweise blaue und weiße Bereiche hervorhebt und andere unterdrückt, bewirkt rotes Licht das Gegenteil und verstärkt sämtliche Rottöne. Soll das Licht gedruckten Text oder Beschichtungen reduzieren, bietet sich Infrarotlicht an, welches beispielsweise tiefer in das Material eindringt und Oberflächeneffekte abschwächt. Es wird oftmals in der Kunststoffindustrie verwendet um Aufdrucke „unsichtbar“ zu machen, um die darunterliegende Oberfläche zu inspizieren. Bei der Auswahl sollten jeweils auch die Nachteile der Lichtarten abgewogen werden. So liefert zum Beispiel Weißlicht zwar ein natürliches Licht, ist aber sehr empfindlich gegenüber Umgebungslicht und daher weniger gut zu kontrollieren. Die richtige Auswahl der Lichtfarbe kann somit auch dazu beitragen, die Varianz der Prüfteile zu reduzieren. Dies kann sich im späteren Prüfablauf positiv auf die Auswertung auswirken.
Ergänzend zur Wahl der Beleuchtung kann im vierten Schritt die Bildqualität mit zusätzlichen optischen Filtern weiter optimiert werden. Das umfassende wenglor-Portfolio im Bereich der optischen Filter bietet von Polarisations- über Bandpass- bis Langpassfilter für jede Anforderung die richtige Lösung. Sollen Reflexionen auf glänzenden Oberflächen reduziert werden, helfen Polarisationsfilter. Soll im Bild der Kontrast verstärkt und die Robustheit gegenüber Umgebungslicht verbessert werden, kommen Bandpassfilter zum Einsatz, welche nur bestimmte Wellenlängen durchlassen. Langpassfilter verbessern bei Bedarf die Infrarot-Bildgebung, indem sie unerwünschte Lichtquellen blockieren. Auch die passenden Objektive sind verfügbar und können anwendungsspezifisch durch den wenglor Vision Calculator ermittelt werden.
Werden diese vier Schritte befolgt, kann ein solides Beleuchtungssystem geschaffen werden, das die bestmögliche Ausgangslage für Machine Vision Anwendungen darstellt. Zusammenfassend lässt sich sagen, dass die richtige Beleuchtung nicht nur Fehler reduziert und die Präzision verbessert, sondern auch dazu beiträgt, KI-Modelle effizienter zu gestalten und ihre Generalisierungsfähigkeit zu erhöhen.
Berufsbezeichnung