Eurotec: Wie beurteilen Sie rückblickend die Auswirkungen der KI auf Ihre Betriebsabläufe?
RB: Uns geht es in erster Linie darum, dass unsere Kunden Vorgänge durchführen können, die bislang unmöglich waren. Aus ihrer Sicht gibt es einen deutlichen Unterschied zwischen der Zeit vor und der Zeit seit Einsatz von KI.
JP: Die Einführung des Pathabene-Algorithmus hat unsere Kunden auf zahlreiche Ideen gebracht, wovon sich eine als besonders interessant erweist: Der Einsatz dieser Technologie kann zur Entwicklung einer neuen Methode der visuellen Erkennung genutzt werden. Wir haben ein Jahr lang intensiv an der Entwicklung dieses Algorithmus gearbeitet, den wir heute als den derzeit besten zur visuellen Erkennung betrachten.
Jeder behauptet, dass sein Produkt das Beste sei – worin unterscheidet sich Ihres von den anderen?
JP: Herkömmliche Algorithmen weisen insbesondere hinsichtlich Oberflächenbeschaffenheit und konstanter Werkstückerkennung Grenzen auf. Aus den Rückmeldungen unserer Kunden geht hervor, dass es uns gelungen ist, diese Grenzen hinauszuschieben. So berichtete uns beispielsweise ein Kunde aus der Uhrenindustrie, dass die spiegelglatten Oberflächen der Schweißteile nahezu dem gewünschten Endzustand entsprechen. Die vom optischen Mister-Laser-System erfassten Bilder werden manchmal weiß oder schwarz angezeigt, und für ein herkömmliches Bilderkennungssystem ist es ohne Anpassung der Beleuchtung sehr schwierig, das Werkstück zu sehen. Außerdem muss die Einstellung bei jedem Werkstückwechsel unter großem Zeitaufwand neu angepasst werden. Bis auf eine Ausnahme waren wir bisher immer in der Lage, alle Anwendungen mit einer festen Standardbeleuchtung auszuführen.
Welche Verbesserungen gibt es konkret?
RB: Der nachstehende Vergleich zeigt verschiedene visuelle Erkennungsmethoden. Die oberen zwei Beispiele wurden mit den auf KI-Algorithmen basierenden Systemen Pathabene und Recobene erstellt. Im darunterliegenden Beispiel sind die verbesserten Pattern Matching-Versionen und die Kreiserkennung der neuesten Forbeam-Version zu sehen. Wir haben den Laserstrahl jedes Mal simuliert, um Nebenwirkungen zu verhindern, die durch die zu schweißende Geometrie auftreten könnten, und uns ausschließlich auf die visuelle Erkennung zu konzentrieren. Wir haben bewusst helle, dunkle, raue und einheitliche Oberflächen gewählt, und die Stifte weisen verschiedene Abschrägungen und Bohrungen sowie sehr unterschiedliche Oberflächen auf.
Pathabene hat alle Fälle korrekt erkannt. Die Schweißgeometrie ist nicht ganz kreisförmig, da, wie bereits erwähnt, Pathabene den Schweißverlauf selbst bestimmt; aus diesem Grund wurde die sichtbare Trennfuge verstärkt als Mittelpunkt gewählt. Da sich die KI an unterschiedliche Bedingungen anpasst, genügen eine einfache Beleuchtung und Bildaufnahme, die von einer Werkstückserie zur nächsten unverändert bleiben können, selbst wenn es sich um unterschiedliche Werkstücke handelt. Auch mit Recobene wurden gute Ergebnisse erzielt, allerdings hat sich dieses System auf den Stift konzentriert. Da die kreisförmige Schweißgeometrie vom Maschinenbediener definiert wurde, ist die Zentrierung für den Schweißvorgang logischerweise einwandfrei. Die Arbeitsbedingungen entsprechen denen von Pathabene, bei der Inbetriebnahme muss nichts Besonderes beachtet werden. Die Erkennungsgeschwindigkeit ist allerdings zehnmal höher als bei Pathabene. Bei optischen Abweichungen der Werkstücke stieß das Pattern Matching schnell an seine Grenzen. Hier wird deutlich, dass die Beleuchtung flach einfallend oder kuppelförmig sein sollte, allerdings kann eine Lösung des Problems damit nicht gewährleistet werden. Die bei einem Serienwechsel erforderliche Anpassung würde die Inbetriebnahme der Maschine verzögern. Da die Beleuchtung sehr nahe am Werkstück angebracht ist, sollte bei der Automatisierung darauf geachtet werden, dass es zu keiner Kollision zwischen Beleuchtung und Werkstück kommt. Bei der Suche nach Kreisen wurden Kreise erkannt, allerdings mit einer dermaßen großen Durchmessertoleranz, dass die Zentrierung nur annähernd erfolgen konnte. Zur Steigerung der Suchqualität wäre eine Verbesserung der Abschrägungen erforderlich, was aber eine wesentliche Verteuerung der Produktion zur Folge hätte.
Wie funktioniert das?
JP: Wir haben auf dem Markt erhältliche Lösungen wie beispielsweise YOLO V8 getestet, erkannten aber rasch die technischen Grenzen dieser Lösungen. Nach zahlreichen Versuchen kamen wir auf das Modell Resnet zurück, das bei Pathabene erfolgreich eingesetzt wurde, allerdings wurde eine abschließende Stufe eingefügt, um eine zuverlässige und präzise Erkennung von Objekten unterschiedlicher Größe sicherzustellen.
Die Einbindung der Anmerkungsbearbeitung – einer grundlegenden Funktion, die in jedem Lernprozess zum Einsatz kommt – in Forbeam war ein Kernstück des Projekts: Sie ist benutzerfreundlich und klar strukturiert, wodurch diese Aufgabe denkbar einfach wird. Aus dem nächsten Bild ist ersichtlich, dass die Anzahl der Einstellungen stark begrenzt ist. Das Zentrierwerkzeug muss auf das Werkstück ausgerichtet und so dimensioniert werden, dass die für den Lernvorgang erforderlichen Informationen erfasst werden, wobei der Kreis auf das zu schweißende Werkstück abgestimmt werden muss.
Die Erweiterung der Grunddaten ist von entscheidender Bedeutung: Der Benutzer versieht ein bis vier Bilder der mit dem Forbeam-Tool erfassten Werkstücke mit Anmerkungen, und der Lernserver wandelt diese in Tausende verschiedene Bilder um, indem Winkel, Helligkeit, Größe, Bildrauschen usw. verändert werden. Der Lernprozess konzentriert sich auf die gemeinsamen Merkmale all dieser Bilder, wodurch das Modell äußerst zuverlässig und resilient wird.
Pathabene benötigt einen Lernserver – gilt das auch für Recobene?
RB: Ja, aber da die Kunden möglicherweise beide Algorithmen für ihre Produktion benötigen, haben wir uns dazu entschlossen, bei einem Lernserver zu bleiben, und haben Recobene hinzugefügt. Nun kann der Kunde zwischen einem lokalen Server in seinem Werk oder der Fernnutzung unseres Servers, der sich an einem sicheren Standort in der Schweiz befindet, wählen. Auch die Schaffung einer einheitlichen Benutzeroberfläche mit zwei verschiedenen Lernmodi erforderte mehrere Monate Arbeit.
Welche Anwendungen in der Uhrenindustrie lassen sich mit diesem Algorithmus verbessern?
RB: Er eignet sich für alle Schweißnähte, die mit Hilfe eines Maschinellen Sehsystems ausgeführt werden. Dazu ein Beispiel: Die Oberfläche mancher Uhrenlager ist dermaßen glänzend, dass geringfügige Winkel am Werkstück oder eine sehr leichte Rauheit einen enormen Unterschied in der Helligkeit der Oberfläche bewirken und Störsignale erzeugen, wodurch die visuelle Erkennung beeinträchtigt werden kann.
Bei anderen Teilen wie Stellhebeln, Spiralrollen, Schwungmassen, Räderwerken, Zifferblättern, Armbändern, Schließen, Gehäusen, Lagern, Brücken, Spiralklötzchen, Federhäusern oder Dübeln verhält es sich ebenso. Aus diesem Grund setzen wir neuartige Optiken und Kameras ein, mit denen sich die Bildauflösung beim Verstiften um das Vierfache verbessern lässt.
Links: Ein von der Standardkamera geliefertes Bild. Mitte: Bild, das mit der neuen HD-Kamera erstellt wurde. Rechts: Bild, das mit derselben Kamera wie im mittleren Beispiel, aber mit dem neuen Bildvergrößerungsobjektiv erstellt wurde. Dank dieser Neuerungen lässt sich die Schweißgenauigkeit an der Schnittkante einer Spiralfeder weiter verbessern und verhindert weitgehend Beschädigungen.
Aufschweissen eines Zahnrads auf eine Uhrenwelle mittels Sichtprüfung.
