Ziel
Durchführung einer Studie zur Erkennung komplexer Holzstrukturen an Hölzern. Mit den Methoden der klassischen Bildverarbeitung stößt man hier schnell an Grenzen, da die zu erkennenden Strukturen beliebig variabel sind. Durch den Einsatz einer KI-gestützten Kamera und neuronaler Netze gelingt dies deutlich effektiver. Anhand dieses Beispiels zeigen die TCW-Ingenieure die Möglichkeiten und den Nutzen der Systeme
Eingesetzte Hardware: IDS NXT Kamera, verschiedene Objektive mit Brennweiten von 6-16mm. IDS NXT Lighthouse (Online Trainingsumgebung). Für die kontinuierliche Zuführung der Prüflinge komt ein Förderband zum Einsatz. Die Bildauslösung erfolgt per Lichtschranke. Die Steuerung erfolgt über eine S7 1500.
In Form gefräste Hölzer, ca. 300x30mm, die verschiedene Merkmale aufweisen, anhand derer die Auslese erfolgt, z.B: Oberflächenstrukturen, Astlöcher, Verfärbungen oder Defekte und Risse.
Für die Objekt- und Fehlererkennung ist eine hinreichende Beleuchtungsituation unumgänglich. Diese sollte frei von äußeren Lichteinflüssen reproduzierbare Ergebnisse bei der Bildaufnahme gewährleisten. Um mit einfachen Objekten die Funktionsweise zu demonstrieren, reicht auch Tageslicht aus, sofern die Lichtsituation hell und gleichmäßig ist.
Für die Erkennung von Objekten, muss zunächst ein neuronales Netz generiert werden. Dieses wird mit je mindestens 20 Prüfobjekten der vorher definierten Kategorien angelernt. Im einfachsten Fall werden die Objekte in GUT und SCHLECHT unterteilt. Neben den je 20 Proben zum anlernen des neuronalen Netzes werden weitere Proben benötigt, an denen das generierte Netz verifiziert wird. WICHTIG: Die Objekte für die Verifizierung des Netzes dürfen NICHT für das Training des Netzes bereits verwendet worden sein.
Der Prozess zum anlernen von Netzen erfolgt Online. Die erfassten Bilddaten der GUT bzw. SCHLECHT Objekte werden hochgeladen und blockweise entsprechend mit GUT und SCHLECHT gekennzeichnet. Anschließend können noch einige Feinjustierungen für das Training von neuronalen Netzen vorgenommen werden. Das Training selbst dauert, je nach Anzahl der verwendeten Bilder, mehrere Minuten bis zu mehreren Stunden. Das Ergebnis ist eine Datei, in der die Informationen des Netzes enthalten sind. Diese wird auf die Kamera geladen und kann dann dort ausgeführt werden.
Fazit
Mit Hilfe KI-basierter Kamera-Lösungen eröffnen sich neue Möglichkeiten z.B. in der Qualitätskontrolle. Hierbei können bestehende traditionelle Bilderfassungs-systeme ergänzt oder ersetzt werden, abhängig von der Prüfaufgabe. Komplexe Objekte oder Strukturen können einfach und schnell angelernt und recht zuverlässig erkannt werden.