Bildverarbeitung und Qualitätskontrolle

Was die Leistung Bildverarbeitung umfasst

Wir entwickeln den Softwareteil des Systems zur visuellen Qualitätskontrolle und richten es auf der Anlage des Auftraggebers ein. Für die konkrete Aufgabe erstellen wir einen Datensatz mit Defekten, kennzeichnen ihn, trainieren ein Erkennungsmodell und integrieren es mit den Kameras, der Beleuchtung und der Linie des Kunden. Kamera, Förderband und Stellglieder bleiben Eigentum des Auftraggebers und führen die Aufnahme und das Aussortieren physisch aus, während wir den Algorithmus vorbereiten, der pro Bild die Entscheidung »gut oder Ausschuss« trifft. Am Ende erhalten Sie ein trainiertes, an Ihre Hardware gebundenes Modell sowie die Reaktionslogik: das Teil markieren, das Band stoppen, den Defekt ins Protokoll schreiben. Zum Leistungsumfang gehört auch die Kalibrierung auf die Halle – Blickwinkel, Schatten, Durchsatzgeschwindigkeit –, damit die Bildverarbeitung ein stabiles Ergebnis nicht an Testaufnahmen, sondern an realer Produktion liefert.

Wie die visuelle Kontrolle im Kern funktioniert

Das Kamerabild durchläuft eine Vorverarbeitung (Helligkeitsnormalisierung, Ausrichtung, Rauschfilterung) und wird dann in ein neuronales Netz eingespeist, das Objekte herauslöst und ihren Zustand klassifiziert. Der Detektor findet im Bild die Zonen von Interesse – Naht, Bohrung, Markierung, Oberfläche – und bewertet jede anhand trainierter Merkmale, wobei er Koordinaten und Defektwahrscheinlichkeit ausgibt. Das Ergebnis wird mit einem zulässigen Schwellenwert verglichen, und das System erzeugt ein Signal, das die Anlage des Auftraggebers abarbeitet: sortieren, markieren oder anhalten. Die Geschwindigkeit ist hier kritisch – moderne Detektoren treffen ihre Aussage in einem einzigen Durchlauf durch das Netz, weshalb die Kontrolle im Takt der Linie läuft, ohne sie zu verlangsamen. Wichtig ist, dass das Modell nicht nach starren Regeln »wenn Pixel dunkler – Ausschuss« arbeitet, sondern nach der Statistik von Tausenden Beispielen und so Defekte erfasst, die sich schwer in einer Formel beschreiben lassen.

Woher die Computer Vision stammt

Die Richtung erwuchs aus akademischen Arbeiten der 1960er-Jahre: 1963 verteidigte Lawrence Roberts am MIT eine Dissertation über die Rekonstruktion der dreidimensionalen Form von Objekten aus einem flachen Bild, was als einer der Ausgangspunkte gilt. 1966 starteten Marvin Minsky und Seymour Papert am MIT das lehrmäßige Summer Vision Project – laut Memorandum vom 7. Juli wurde die Aufgabe, Objekte vom Hintergrund zu trennen, als Sommeraufgabe für Studenten gestellt, und ihre unterschätzte Komplexität prägte die Forschung für Jahrzehnte. Der Durchbruch bei den Faltungsnetzen kam 1998, als Yann LeCun mit Koautoren die Arbeit »Gradient-Based Learning Applied to Document Recognition« und die Architektur LeNet-5 zur Erkennung handgeschriebener Ziffern veröffentlichte. Den Massensprung lieferte das Netz AlexNet 2012 (Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton), das den Top-5-Fehler beim Wettbewerb ImageNet auf etwa 16 Prozent gegenüber 26 beim nächsten Konkurrenten senkte. Im Juni 2015 stellte Joseph Redmon mit Kollegen den Algorithmus YOLO vor (Artikel arXiv 1506.02640), der Objekte in einem einzigen Durchlauf durch das Netz erkennt und die Detektion echtzeitfähig machte.

Warum Software und Präzision alles entscheiden

In einem Qualitätskontrollsystem ist die physische Anlage bei allen gleich – den Unterschied im Ergebnis macht gerade das trainierte Modell und seine Einrichtung. Ist der Datensatz schief erstellt oder der Schwellenwert aufs Geratewohl gesetzt, beginnt die Bildverarbeitung, entweder Ausschuss durchzulassen oder gute Teile zu verwerfen, und beide Szenarien schlagen auf die Wirtschaftlichkeit der Fertigung durch. Die Genauigkeit misst sich nicht am allgemeinen Prozentsatz »richtiger Antworten«, sondern an der Balance zwischen übersehenen Defekten und Fehlauslösungen, und für jede Aufgabe wird diese Balance gesondert eingestellt. Das Modell muss auf konkrete Materialien, Beleuchtung und Kameraverschleiß nachtrainiert werden, sonst läuft die Genauigkeit bei einer neuen Produktcharge weg. Deshalb liegt die wesentliche Ingenieurarbeit nicht im Kauf von Hardware, sondern in Kennzeichnung, Training, Validierung und Kalibrierung des Softwareteils auf Ihre Halle.

Mit welchen Werkzeugen wir arbeiten

Der Basisstack ist OpenCV für die Vorverarbeitung und Bildgeometrie, neuronale Detektoren der YOLO-Familie für die Objektsuche in Echtzeit und Deep-Learning-Frameworks zum Trainieren und Nachtrainieren der Modelle. OpenCV deckt die klassischen Operationen ab: Kamerakalibrierung, Verzeichnungskorrektur, Konturextraktion, Arbeit mit Farbräumen – das, was nötig ist, bevor das Bild ins Netz geht. YOLO und verwandte Architekturen sind für die Detektion und Klassifikation von Defekten unter Berücksichtigung der Liniengeschwindigkeit zuständig. Die neuronalen Netze trainieren wir am gekennzeichneten Datensatz des Auftraggebers, und die Inferenz setzen wir dort auf, wo es nach Latenz und Kosten passt – auf einem Industrie-PC an der Linie oder auf einem Server. Das konkrete Set wählen wir passend zur Aufgabe: Mancherorts genügen klassische OpenCV-Methoden, anderswo kommt man ohne trainierbares neuronales Netz nicht aus.

Wann die wichtigsten Werkzeuge des Stacks entstanden

Die Bibliothek OpenCV wurde 1999 bei Intel unter der Leitung von Gary Bradski begonnen, und das erste öffentliche Release erschien 2000 – seither ist sie der faktische Standard für Aufgaben der Computer Vision. Die Sprache Python, in der heute der Großteil der Arbeit beim Training von Modellen und der Verknüpfung von Komponenten erfolgt, wurde 1991 von Guido van Rossum veröffentlicht. Faltungsnetze als praktisches Werkzeug verankerte die Architektur LeNet-5 1998, und den Wendepunkt zum Deep Learning setzte AlexNet 2012. Der Detektor YOLO, auf dem die Echtzeiterkennung aufbaut, wurde im Juni 2015 veröffentlicht. Diese Daten zeigen, dass die Werkzeuge nicht roh sind: OpenCV und Python arbeiten seit mehr als zwei Jahrzehnten, und die neuronale Detektion hat sich seit Mitte der 2010er-Jahre bewährt.

Warum Sie das uns anvertrauen können

Die gesammelte Erfahrung unseres Entwicklungsteams übersteigt 45 Jahre in der IT, und unser Ansatz ist ingenieurmäßig, nicht demonstrativ: Das Modell wird an einer zurückgehaltenen Stichprobe und einer Testcharge geprüft, bevor es in den scharfen Betrieb an der Linie geht. Wir verkaufen keine Hardware und produzieren Ihre Erzeugnisse nicht – wir schreiben das Programm und richten die Anlage ein, die bereits bei Ihnen steht, und sind deshalb genau für den Teil verantwortlich, in dem sich die Genauigkeit entscheidet. Vor dem Start fahren wir das Modell an realen Aufnahmen Ihrer Halle durch, halten den Prozentsatz übersehener Defekte und Fehlauslösungen fest und stimmen die Schwellenwerte mit Ihnen ab, statt sie nach Augenmaß zu setzen. Sollte die Erkennungsqualität bei einer neuen Charge oder bei wechselnder Beleuchtung nachlassen, wird das Modell nachtrainiert – das ist eine reguläre, in der Betreuung vorgesehene Prozedur. Im Ergebnis erhalten Sie eine Bildverarbeitung, die an Ihre Fertigung gebunden und an Ihren Daten geprüft ist, und keine Universallösung von der Stange.