0:00 / 0:00
Erfolgsbericht
Bildverarbeitungs-Technologie hilft STIHL, Kosten, Zeit und menschliche Fehler zu reduzieren.
STIHL ist eine weltweit bekannte Marke in der Entwicklung, Herstellung und dem Vertrieb von Elektrowerkzeugen für die Forst- und Landwirtschaft. Als weltweit' meistverkaufende Kettensägenmarke ist die Qualitätssicherung ein integraler Bestandteil des Unternehmens' Produktionsprozesses.
Zebra Erfolgsbericht: STIHL
Übersicht: Herausforderungen in der Fertigung
Implementieren Sie einen vollautomatischen Inspektionsprozess, der die Bildverarbeitungstechnologie verwendet, um genau zu überprüfen, ob die Komponenten ordnungsgemäß hergestellt wurden, bevor sie verwendet werden.
Vorteile/Ergebnisse
- 99,5% Treffergenauigkeit
- Erhebliche Kosteneinsparungen
- Zeitersparnis durch den vollautomatischen Inspektionsprozess
Über STIHL
Die STIHL-Gruppe ist seit 1926 weltweit führend in der Entwicklung, Herstellung und dem Vertrieb von Forst- und Landmaschinen. STIHL betreut die professionellen Forst- und Agrarbereiche sowie den Bau- und Verbrauchermarkt und ist seit 1971 die weltweit meistverkaufte Kettensägenmarke.
Mit einem weltweiten Umsatz von fast 4 Milliarden Euro1 und einer Belegschaft von 16.722 Mitarbeitern verfügt STIHL über eigene Produktionsstätten in sieben Ländern: Deutschland, USA, Brasilien, Schweiz, Österreich, China und Philippinen.
Die Aufrechterhaltung eines hohen Grades an vertikaler Fertigungstiefe stellt sicher, dass das entscheidende Wissen intern entwickelt und aufrechterhalten wird.
Die Qualitätssicherung ist ein integraler Bestandteil des Produktionsprozesses von STIHL; im Rahmen einer Modernisierung suchte STIHL nach einer vollautomatischen Lösung für die visuelle Qualitätsprüfung. “Früher wurde die objektive visuelle Qualitätsprüfung von Menschen durchgeführt”, erklärt Alexander Fromm, Ingenieur für Automatisierungssysteme bei der STIHL-Gruppe. “Der Test – und Erfolg – eines Sichtsystems bestand darin, dass dieselbe Beurteilung zumindest mit Hilfe von neuronaler Netzwerkkonnektivitätstechnologie durchgeführt werden kann.”
Die Herausforderung
Die Inspektion, die STIHL verbessern wollte, konzentriert sich auf die Herstellung von Benzinsaugvorrichtungen als Komponente einer Kettensäge. Diese Saugvorrichtungen, die Schmutz, Holzspäne und andere Fremdkörper filtern, sind unerlässlich, um sicherzustellen, dass keine Schmutzpartikel in die Brennkammer gelangen, was zu Schäden am Elektrowerkzeug führen könnte.
Die Benzinsaugvorrichtungen bestehen aus einem Kunststoffgehäuse und einem Stoffstück, das später im Montageprozess angebracht wird. Diese Saugvorrichtungen sind zu diesem Zeitpunkt ihres Herstellungsprozesses ein Halbfertigprodukt, und die Inspektion erfolgt in der Mitte des Produktionsprozesses. Jeder Saugvorrichtung verfügt über vier Stegverbindungen, die nach dem Spritzguss und vor dem nächsten Schritt im Herstellungsprozess unabhängig bewertet werden müssen.
Es ist entscheidend, die Nähte an diesen Komponenten zu bewerten und zu klassifizieren, um sicherzustellen, dass die Fußgängerbrücken angemessen positioniert und abgedichtet sind, bevor sie verwendet werden. Die Fußgängerbrücke verleiht der Komponente ihre Stabilität, spannt das Gewebe des Filters und umschließt die Gewebennähte, damit sie nicht aufreißen.
Vor der Implementierung des neuen Systems von STIHL führten menschliche Bediener eine objektive visuelle Qualitätsprüfung durch, um festzustellen, ob die Komponenten ausreichend waren. Obwohl die Produktionsmaschine immer automatisiert war, war ein Eingreifen des Bedieners notwendig, wenn die Ergebnisse anfingen, von den hohen Qualitätsstandards bei STIHL abzuweichen. In diesen Fällen musste der Bediener die Charge der Teile visuell inspizieren, um festzustellen, ob die Produktionsmaschine problematisch geworden war.
STIHL suchte nach einer neuen Lösung, die das menschliche Element durch Bildverarbeitung auf der Grundlage von Deep Learning ersetzen sollte. Die Qualitätsprüfung würde somit automatisiert werden, um Kosten zu senken und Zeit zu sparen. “Als wir begannen, eine Bildverarbeitungslösung in Betracht zu ziehen, wurde jeder Benzinsaugrohrkopf von einem Menschen überprüft”, sagt Fromm. “Die Teile sind jedoch sehr klein und die Fehlermerkmale sind recht schwer zu erkennen, daher entschieden wir, dass wir die Bildverarbeitung in den Inspektionsprozess integrieren müssen.” Fehlerraten werden als Fälle definiert, in denen ein fehlerhaftes Teil fälschlicherweise als gutes Teil eingestuft wird; Trefferquoten sind Genauigkeitsergebnisse.
STIHL baute nach einem Treffen auf einer Fachmesse eine Beziehung zu Rauscher GmbH, einem Registered Reseller von Zebra. Wir schätzen es, mit einem einzigen Lösungsanbieter zusammenarbeiten zu können, da dies entscheidend dazu beigetragen hat, unsere Systeme schnell in Betrieb zu nehmen. Aufgrund unserer positiven Erfahrungen mit Rauscher GmbH hat STIHL versucht, mit ihnen an der Entwicklung dieses neuen Systems zusammenzuarbeiten.
Die Lösung
„Der Inspektionsprozess jedes Teils umfasst den Blick auf vier verschiedene Fußgängerbrücken, und die Maschine verarbeitet 60 Teile pro Minute“, erläutert Fromm. “Die Inspektion erfolgt daher mit einer Geschwindigkeit von 240 Bildern pro Minute.” Zur Bewertung der Teile wurden herkömmliche Bildbearbeitungs-Tools verwendet. Die Deep-Learning-Funktionalität erweitert den Bereich der Bildverarbeitungsmöglichkeiten in Fällen, in denen die herkömmliche Bildverarbeitung aufgrund der hohen natürlichen Variabilität unschlüssige Ergebnisse liefert. “STIHL kam zu dem Schluss, dass eine regelbasierte Bildverarbeitung nicht geeignet ist, da die Komponente-Bilder zu stark variieren und die Fehlerquote zu hoch ist, selbst bei Trefferquoten von 80 % bis 95 %”, fasst Fromm zusammen. “Das neue System sollte somit weniger Fehltritte ermöglichen und zu einer höheren Trefferquote führen.” Die Verwendung der neu implementierten Klassifizierungsschritte ergab Trefferquoten mit einer Genauigkeit von 99,5 %, eine enorme Verbesserung.”
Das neue Sichtsystem von STIHL umfasst die Software Aurora Design Assistant für industrielle Bildverarbeitung, die auf einer Zebra 4Sight GPm Controller für industrielle Bildverarbeitung läuft, die aufgrund der I/O-Fähigkeiten, PROFINET-Verbindungen und Power-over-Ethernet (PoE)-Unterstützung ausgewählt wurde. Das System umfasst auch eine PoE-Zeilenkameraprojektor, einen Drehtisch, einen Encoder und ultrahohe Linienleuchten (LL230 Serie) von Advanced Illumination.
Zebra macht den Unterschied: Ergebnisse und Vorteile
Die effektive Schulung eines neuronalen Netzwerks ist keine triviale Aufgabe; Bilder müssen in ausreichender Anzahl vorhanden sein, entsprechend gekennzeichnet sein und die erwarteten Anwendungsvariationen auf einem Setup darstellen, das wiederholbare Bildgebungsbedingungen liefert. Vor diesem Hintergrund beauftragte das Team von STIHL Zebras Sichtexperten mit der Schulung des neuronalen Faltungsnetzwerks (Convolutional Neural Network, CNN) in ihrem Auftrag.
Fromm beschreibt die Sammlung von Bildern als „ein Kunststoffteil mit Stoffnaht, fotografiert von innen.“ In den Bildern enthält nur die Brücke selbst wichtige Informationen, alles andere ist irrelevant. Um den Datensatz vorzubereiten, wird daher jede Brücke aus dem Gesamtbild herausgelöst und in Ordner sortiert, die als „gut (IO)“ und „nicht gut (NIO)“ klassifiziert sind. Das Team von STIHL hat den Prozess der manuellen Kennzeichnung von 2.000 repräsentativen Teilen, jeweils mit vier Bildern, für einen Gesamtdatensatz von 8.000 Bildern durchgeführt. Ohne Anleitung wäre dieses Niveau an Komplexität außergewöhnlich schwierig gewesen.
Die Sammlung von 8.000 Bildern wurde den Sichtexperten zur Verfügung gestellt, die die interaktive Umgebung von Aurora Imaging CoPilot nutzten, um das CNN zu trainieren und eine Klassifikationskontextdatei zu erstellen, die anschließend an STIHL zurückgeschickt wurde, um in die Softwareumgebung von Aurora Design Assistant importiert und verwendet zu werden, um neue Bilder automatisch in diese vorbestimmten Klassen zu klassifizieren. Aurora Imaging CoPilot bietet Zugang zu vordefinierten CNN-Architekturen und ermöglicht eine benutzerfreundliche Erstellung des Bilddatensatzes, der für das Training erforderlich ist.
Fromm bestätigt, dass „unser Hauptansprechpartner die Rauscher GmbH war; wir erhielten schnelle Antworten und sehr guten Support.“ Während des Online-Ingresses des Systems nahm das STIHL-Team eine Online-Schulung über das Vision Academy-Portal in Anspruch, um sein Wissen über die optimale Verwendung der Bildverarbeitungssoftware des Aurora Design Assistant zu vertiefen.“
Online-Bereitstellung
Mit Unterstützung bewältigte STIHL erfolgreich die Herausforderung, eine korrekte und wiederholbare Darstellung der Fußgängerbrücke zu erstellen, um die Aufnahme von Bildern für das Training des CNN zu erleichtern. Eine weitere Herausforderung bestand darin, das enorme Volumen der erforderlichen Bilder zu sammeln sowie die Bilder sorgfältig zu zuschneiden, zu sortieren und zu beschriften.
“Das war eine Herausforderung”, bemerkt Fromm. “Aber je mehr Zeit Sie in die Beschaffung guter Bilder investieren, desto bessere Ergebnisse erzielen Sie!”
Schlussfolgerung
Mit der Einführung ihres neuen Sichtsystems ist STIHL überwältigend zufrieden mit den Verbesserungen, die die auf Deep Learning basierenden Klassifikationswerkzeuge des Aurora Design Assistants an ihren Qualitätssicherungsmaßnahmen vorgenommen haben. Bereits sind Pläne für die Entwicklung eines zweiten, ähnlichen Systems in Arbeit; die Bildsammlung und das Training des CNN haben bereits begonnen.
"Die Deep-Learning-Technologie erweitert den Bereich der Bildbearbeitung, in dem herkömmliche Bildbearbeitung unzureichende Ergebnisse liefert," fasst Fromm zusammen. "Die Implementierung dieses neuen Systems – eines, das Deep-Learning effektiv einsetzt – hat die objektiven visuellen Prozesse, die STIHL eingesetzt hatte, ersetzt." Infolgedessen erwarten wir erhebliche Verbesserungen unserer Effizienz, mit der Möglichkeit, neue Aufgaben zu erledigen, was eine allgemeine Verbesserung der Qualität unserer Produkte gewährleistet."
Unsere Produkte und Lösungen
