Automobilzulieferer der ersten Stufe erreicht mit einem benutzerdefinierten KI-Vision-System eine Defekterkennung von 99,7% Prozent

Unser Warschau-Forschungs- und Entwicklungsteam Ich begann mit der Physik: Wie kann man eine polierte Aluminiumoberfläche in einer staubigen, heißen Gießerei mit variabler Umgebungsbeleuchtung zuverlässig abbilden?

Die Antwort war eine gesteuerte Beleuchtung. Wir Er entwarf ein Kuppelbeleuchtungssystem mit polarisierten Filtern, das gleichmäßige, diffuse Licht auf der Oberfläche des Kalibers erzeugt und gleichzeitig die spiegelnden Reflexionen eliminiert, die das vorherige System zum Scheitern gebracht hatten. Die gesamte optische Einheit befindet sich in einem speziellen Gehäuse. IP67 Ein Gehäuse, das für den Einsatz unter Foundrybedingungen ausgelegt ist.

Bei den Sensoren haben wir uns von Standard-Farbkameras verabschiedet. Monochrom-Sensoren in Kombination mit telezentrischen Objektiven bieten die nötige Auflösung und Bildschärfe, um Mikrorisse an den Kanten komplexer Kalibriergeometrien zu erkennen.

Generische Objekterkennungsmuster konnten keine Unterscheidung zwischen akzeptablen Oberflächenveränderungen und tatsächlichen Defekten vornehmen. Wir brauchten Semantische Segmentierung – ein Modell, das die Grenzen von Poren, Kratzern und Haarfaltungen präzise beschreiben kann.

Wir Eine maßgeschneiderte U-Net-Architektur wurde entwickelt und auf Tausende von markierten Bildern aus der Produktionslinie des Kunden trainiert. Aber seltene Defekttypen stellten eine Herausforderung dar – einige kritische Bruchmuster traten nur wenige Male in den historischen Daten auf.

Unsere Lösung: die Generierung synthetischer Daten. Wir haben fotorealistische Render von seltenen Defektarten erstellt, um die Trainingsdaten zu erweitern und sicherzustellen, dass das Modell auch solche Fehler erkennen kann, die in der realen Produktion noch nie zuvor beobachtet wurden. Das endgültige Modell erzielte 99,7 -Prozentige Erkennungsgenauigkeit, was die 99% -KPI übertrifft.

Ein Förderer Die Bewegung mit einer Geschwindigkeit von 1,2 Metern pro Sekunde erfordert keine Cloud-Inferenz. Wir haben die Modell auf Basis der NVIDIA Jetson Orin-Module Direkt an der Inspektionsstation positioniert, wodurch die Zeitaufwand für die Auswertung pro Bild unter 45ms liegt.

Die letzte Integrationsaufgabe bestand darin, das Vision-System mit der Produktionslinie zu verbinden. Wir haben geschrieben Eigene Firmware zur Schnittstelle mit den PLCs des Kunden über OPC UA. Wenn ein Defekt erkannt wird, aktiviert das System eine pneumatische Umlenkvorrichtung, die das Teil sofort zurückweist – ohne Eingriff des Bedieners, ohne Ausfall der Produktion.

Das Ergebnis: 100% automatisierte Inspektionen bei voller Produktionsgeschwindigkeit, mit jedem defekten Teil, der vor dem Verlassen des Werks entdeckt und zurückgewiesen wird.