Immer häufiger kommt zur automatischen Prozesskontrolle in der Fertigung Künstliche Intelligenz gekoppelt mit Kamerasystemen zum Einsatz. Doch was sind die Voraussetzungen für einen erfolgreichen Einsatz und was gibt es bei der Umsetzung zu beachten?

In der Vorlesung Data Science im Wirtschaftsingenieurwesen im 3. Studienjahr bei Professor Jens Teifel werden diese Fragen praktisch und erlebbar beantwortet. Hierzu bearbeiten die Studierenden in einem Laborversuch in der Digitalen Fabrik einen klassischen Use Case (https://www.mosbach.dhbw. de/forschungtransfer/kompetenz-zentren/kompetenzzentrum-fertigungs-und-informationsmanagement /living-lab-industrie-40/). Ziel ist es in einer bestehenden Fertigungslinie für Taschenlampen mit Hilfe einer Kamera automatisiert zu überprüfen, ob das Produkt in der richtigen Orientierung in einem Warenträger liegt. Diese Überprüfung soll vor allem sicherstellen, dass sich der Einschaltknopf der Taschenlampe auf der Oberseite befindet, da nur so die Funktionsprüfung in der nachfolgenden Arbeitsstation korrekt durchgeführt werden kann.

Im ersten Schritt gilt es zunächst zu erkennen, wo genau sich der Warenträger auf dem Förderband befindet. Diese Aufgabe wird mit klassischer Bilderkennung (openCV) gelöst. Nachdem die Position erkannt wurde, wird eine Klassifizierung des aufgenommenen Bildes angestrebt. Da sich die Taschenlampen in ihrer Bauart und ihrem Design leicht unterscheiden, ist hier eine gewisse Abstraktionsfähigkeit erforderlich. Daher wird für diese Aufgabe auf ein Neuronales Netzwerk (CNN) zurückgegriffen. Ebenfalls sind verschiedene Warenträgerarten vorhanden, die auf den ggf. durchzuführenden Prozess des Greifens der Taschenlampe einen großen Einfluss haben und deshalb ebenfalls klassifizert werden.

Zur Integration des Prüfschrittes in die Linie fertigten die Studierenden zunächst Bilder für das Training des CNN an und trainierten damit das CNN. Mit Anschließend führten die Studierenden Tests in der Trainingsumgebung durch, bei denen die Taschenlampen und die Warenträger problemlos korrekt erkannt wurden.

In der Fertigungsumgebung in der digitalen Fabrik herrschen merklich andere Belichtungsverhältnisse, zudem befindet sich als zusätzliche Herausforderung eine andere Kamera dort. Hier zeigten sich zunächst große Schwierigkeiten die Ergebnisse aus den Tests zu bestätigen, was hauptsächlich der anderen Kamera mit einer anderen Auflösung zuzuschreiben war. Nach einer entsprechenden Anpassung des Quellcodes konnten dennoch passable Ergebnisse erzielt werden.

„Tolles Beispiel, das verdeutlicht, wie moderne Werkzeuge der Digitalisierung bei der Prozessoptimierung, also einer der klassischen Aufgaben des Wirtschaftsingenieurwesens, eingesetzt werden können“, so Professor Stephan Hähre, Studiengangsleiter Wirtschaftingenieurwesen “und vielen Dank an Laboringenieur Sven Benseler, Kompetenzzentrum Fertigungs- und Informationsmanagement für die Unterstützung beim Aufbau der Laborübung“.