Oberflächenfehlererkennung
KI-Oberflächenprüfung für Metallteile: erkennt Kratzer, Dellen, Risse, Grate und Beschichtungsfehler, lernt von Gutteilen und schleust über Ihre SPS aus.
Die Oberflächenfehlererkennung findet Kratzer, Dellen, Risse, Grate, Poren und Beschichtungsfehler an Metall- und anderen Fertigteilen, bevor sie die Linie verlassen. DeepVision nimmt jedes Teil auf, vergleicht es mit dem Erscheinungsbild eines Gutteils, markiert die Fehlerstelle und sendet eine i.O./n.i.O.-Entscheidung an Ihre SPS, sodass die Ausschleusung automatisch erfolgt.
Hintergründe finden Sie in unseren Leitfäden zur Fehlererkennung mit KI und maschinellem Lernen und zur KI-Sichtprüfung in der Stahl- und Metallverarbeitung.
An der Rohbaulinie zählte DeepVision Löcher und Schrauben auf jedem Blech, und eine seitliche Kamera überwachte die gesamte Blechkontur auf Kantenfehler, Risse und Verformungen. Lesen Sie die Fallstudie zur Blechprüfung und die Fallstudie zur Plattenprüfung, die Platten bis 1240 × 2445 mm bei 100 % Flächenabdeckung behandelt.
Was die Oberflächenprüfung erkennt
| Fehler | Erscheinungsbild am Teil |
|---|---|
| Kratzer und Schrammen | Feine Linien durch Handling, Vorrichtungen, Förderer oder Werkzeugkontakt. Oft nur unter bestimmten Lichtwinkeln sichtbar. |
| Dellen und Beulen | Örtliche Vertiefungen oder Erhebungen, die die Lichtreflexion der Oberfläche verändern, auch wenn Lack oder Oberfläche intakt sind. |
| Risse und Spalten | Haarrisse an Biegungen, Ziehbereichen, Löchern und Kanten, wo das Material am stärksten gedehnt wurde. |
| Grate und Kantenfehler | Überstehendes Material, raue oder ausgerissene Kanten nach Schneiden, Stanzen oder Beschneiden sowie ausgebrochene oder verformte Kanten. |
| Poren und Porosität | Kleine Löcher oder Lunkeransammlungen in Gussteilen, Schweißnähten, Beschichtungen oder gewalzten Oberflächen. |
| Beschichtungs- und Lackfehler | Läufer, Gardinen, Fehlstellen, Orangenhaut, Blasen, Einschlüsse und ungleichmäßige Deckung. |
| Flecken und Verunreinigungen | Ölflecken, Rostpunkte, Verfärbungen, Rückstände und Fremdmaterial auf der Oberfläche. |
| Falten und Verformungen | Wellige oder ausgebeulte Bereiche an Pressteilen und Blechteilen. |
Warum manuelle Prüfung und Stichproben Oberflächenfehler übersehen
Ein geschulter Prüfer findet bei gutem Licht die meisten Oberflächenfehler an den Teilen, die er sich tatsächlich ansieht. Doch Haarrisse und leichte Kratzer auf blankem Metall werden gegen Schichtende leicht übersehen, und bei großen Teilen erfasst ein eiliger Blick die offensichtlichen Flächen, aber nicht die Kanten. Stichproben sehen nur die entnommenen Teile – ein verschlissenes Werkzeug, eine beschädigte Vorrichtung oder eine driftende Lackierpistole kann zwischen zwei Stichproben eine ganze Serie fehlerhafter Teile erzeugen.
Zudem urteilen Prüfer unterschiedlich, und manuelle Prüfungen hinterlassen kein Bild für den Fall einer Kundenreklamation.
Spiegelnde und strukturierte Oberflächen: warum die Beleuchtung entscheidet
Poliertes und blankes Metall wirkt wie ein Spiegel: Die Kamera sieht Blendung, ein Kratzer kann verschwinden, und eine harmlose Reflexion kann wie ein Fehler aussehen. Gebürstete, gestrahlte, gegossene und strukturierte Oberflächen haben das umgekehrte Problem: Ein echter Fehler muss sich vor einem unruhigen Hintergrundmuster abheben.
Deshalb ist der Bildaufbau genauso wichtig wie das KI-Modell. Je nach Teil nutzt die Station diffuse Beleuchtung gegen Blendung, Streiflicht, damit Kratzer und erhabene Kanten einen Schatten werfen, oder strukturiertes Licht, sodass Dellen und Welligkeit als Bruch in einem reflektierten Muster sichtbar werden. Kamera, Objektiv und Beleuchtung sind an der Station fest montiert, damit jedes Teil gleich aufgenommen wird – genau das lässt kleine Abweichungen hervortreten.
So erkennt DeepVision Oberflächenfehler
- Aufnehmen. Eine oder mehrere Kameras unter kontrollierter Beleuchtung nehmen jedes vorbeilaufende Teil auf und erfassen die relevanten Flächen und Kanten. Große Teile können mit mehreren Kameras abgedeckt werden, deren Bilder zusammengesetzt werden.
- Von Gutteilen lernen. DeepVision nutzt Anomalieerkennung. Es wird mit bereits 200 Bildern von Gutteilen trainiert, ohne Fehlerannotation, und lernt, wie eine normale Oberfläche aussieht. Auch seltene Fehler, die Sie nie fotografiert haben, werden erkannt, weil sie nicht ins Bild passen. Mehr zur Anomalieerkennung ohne Fehlerbilder.
- Lokalisieren. Für jedes Teil erzeugt das Modell eine Heatmap, die zeigt, wo die Oberfläche vom Normalzustand abweicht. Bediener und Qualitätsingenieure sehen genau, wo Kratzer, Delle oder Riss liegen – nicht nur ein n.i.O.-Signal.
- Entscheiden. Die Inferenz dauert auf Edge-Hardware neben der Linie etwa 22 ms, und jedes Teil erhält anhand der von Ihnen festgelegten Schwellenwerte eine i.O./n.i.O.-Entscheidung.
- Ausschleusen. Die Entscheidung geht an Ihre SPS von Siemens, Allen-Bradley oder Mitsubishi, die die vorhandene Ausschleusklappe, Weiche oder den Linienstopp ansteuert.
- Aufzeichnen. Bild und Ergebnis jedes Teils werden gespeichert, sodass sich eine Ausschleusung, eine Kundenanfrage oder eine Ursachenanalyse auf das tatsächliche Teil zurückführen lässt.
Wo Oberflächenfehlererkennung eingesetzt wird
- Presswerk und Karosserierohbau: Pressteile, Halter und Blechteile werden auf Risse, Kantenfehler, Falten und fehlende Merkmale geprüft. Siehe KI-Prüfung für die Automobilindustrie.
- Bearbeitete Teile und Gussteile: Kratzer, Grate, Poren und Porosität an Funktionsflächen und Kanten.
- Lackierte und beschichtete Teile: Deckung, Läufer, Blasen und Verunreinigungen nach Lackierung, Pulverbeschichtung oder Galvanik.
- Flachplatten und Plattenwerkstoffe: großformatige Oberflächen, von einem Kamera-Array vollflächig erfasst.
- Stahl- und Metallverarbeitung: Bleche, Coils und gefertigte Produkte.
Häufig gestellte Fragen
Kann KI Kratzer auf glänzendem Metall erkennen?
Ja, sofern die Beleuchtung auf die Oberfläche abgestimmt ist. Bei blankem oder poliertem Metall wird diffuses Licht oder Streiflicht eingesetzt, damit ein Kratzer als gleichbleibende Veränderung im Bild erscheint, statt in der Blendung unterzugehen. Wir prüfen die Beleuchtung mit Ihren Teilen, bevor wir eine Genauigkeit zusagen.
Brauchen wir für das Training Bilder jedes Fehlertyps?
Nein. DeepVision lernt aus Bildern von Gutteilen, für den Start sind also keine Fehlermuster nötig. Fehlermuster sind nützlich, um das System vor dem Produktivstart zu validieren.
Kann es eine harmlose Markierung von einem echten Fehler unterscheiden?
Ob eine kleine Markierung zum Ausschuss führt, hängt vom Teil und von der Lage der Markierung ab. Die Ausschussregel wird bei der Einrichtung mit Ihrem Qualitätsteam festgelegt und im Parallelbetrieb überprüft, und die Heatmap zeigt genau, was markiert wurde. Wie wir Ergebnisse messen, erläutert unsere Methodik zur Genauigkeit.
Kratzer, Risse oder Dellen erreichen Ihre Kunden? Lesen Sie die Fallstudie zur Blechprüfung, sehen Sie sich die KI-Sichtprüfung mit DeepVision an oder vereinbaren Sie eine Demo mit Ihren eigenen Teilen.