Deep Learning und industrielle Bildverarbeitung steigern die Effizienz in der Produktion bei Velux

Velux steht für hochwertige Fenster und das dazugehörige Zubehör. Um immer die beste Lösung anbieten zu können, hat die Softwareabteilung des Unternehmens eine Anwendung entwickelt, die zur Automatisierung der Produktion und Qualitätskontrolle eingesetzt wird. Velux nutzt zudem Bildverarbeitungstechnologie, um Fertigungs- und Montageprozesse effizienter zu gestalten – und erfährt durch künstliche Intelligenz und Deep Learning von SICK nun einen weiteren Effizienzschub.

Velux nutzt Bildverarbeitungstechnologie, die durch künstliche Intelligenz und Deep Learning von SICK nun einen weiteren Effizienzschub erfährt.

Lasse Hedeby ist leitender Automatisierungsprogrammierer bei Velux A/S und führt das Team für die Entwicklung von Lösungen für die industrielle Bildverarbeitung. Er ist ein leidenschaftlicher und sehr vielseitiger Programmierer und weiß, dass die Entwicklung einer regelbasierten Software für Bildverarbeitungslösungen ein sehr zeitaufwändiger Prozess ist.

Deep Learning – Effizienz steigern und Mitarbeiter effektiver einsetzen

Lasse Hamer Hedeby

Als Lasse Hedeby von den SICK Deep-Learning-Lösungen erfuhr, sah er eine Möglichkeit, die Effizienz des Unternehmens zu steigern und die qualifizierten Mitarbeiter des Unternehmens effektiver einzusetzen, indem er ihnen die monotonen Arbeitsaufgaben abnahm.

Deep Learning ist ein Teilbereich der künstlichen Intelligenz, der auf neuronalen Netzen beruht und die menschliche Art des Sehens, Wahrnehmens und Entscheidens nachahmt. In den letzten Jahren ist die damit verbundene Technologie viel benutzerfreundlicher geworden und nicht mehr auf komplexe Computerinfrastruktur angewiesen, die diese Lösungen in der Vergangenheit für die meisten Unternehmen unzugänglich machte. Heute können Deep-Learning-Lösungen auf kompakten Industriesteuerungen ausgeführt werden – sie sind damit für den industriellen Einsatz zugänglicher und relevanter.

Engineering Tools

Künstliche Intelligenz für SICK-Sensoren

Deep Learning

Einsparung von 200 auf 20 Personenstunden

In der Vergangenheit hat Velux Danmark A/S die Produktqualität durch manuelle Prüfungen der Teilkomponenten seiner Fenster sichergestellt. Obwohl dieses System immer gut funktioniert hat, gibt es einige Einschränkungen. Je nachdem, wie erfahren die Mitarbeiter sind, kann es zu Abweichungen bei der Bewertung der Komponenten kommen. Die Notwendigkeit, schnell zu arbeiten und den ganzen Tag über dieselben Prüfungen durchzuführen, birgt auch das Risiko, dass die Mitarbeiter "betriebsblind" werden. Angesichts dieser Einschränkungen beschloss Lasse Hedeby, eine Kamerainspektion einzuführen, um die Bediener bei dieser manuellen Arbeit zu unterstützen.

Das bedeutet für Hedeby allerdings eine enorme zusätzliche Arbeit, denn bei Velux A/S fallen viele Teilprozesse an. Für jeden dieser Prozesse muss eine neue Software für neue industrielle Bildverarbeitungssysteme entwickelt werden. Die Erstellung einer regelbasierten Software für alle Prozesse kann leicht bis zu 200 Personenstunden in Anspruch nehmen. Durch den Einsatz der Deep-Learning-Lösung, die auf SICK AppSpace basiert, konnte Hedeby die Entwicklungsdauer für neue Software auf einen Bruchteil der Zeit (20 Stunden) reduzieren.

In einem seiner jüngsten Projekte wurden intelligente Lösungen von SICK eingesetzt, um zu prüfen, ob Aluminiumprofile, ein Bauteil einer Jalousie, ausreichend mit Polyethylenschaum gefüllt sind. Das kann sich als schwierig erweisen, denn die Ausdehnung des Schaums, wenn er in das Profil gespritzt wird, ist nicht gleichmäßig. Bei der Bewertung des Füllvorgangs gibt es also kein klares Ja oder Nein.

Mit intelligenten Lösungen von SICK wird geprüft, ob Aluminiumprofile, ein Bauteil einer Jalousie, ausreichend mit Polyethylenschaum gefüllt sind.

Problemlösung durch enge Kooperation

Das Training der Software zur Erkennung exakt gefüllter Profile ging schnell und lieferte gute Ergebnisse, aber der Prozess verlief nicht perfekt. Die Profile sind lang und dünn, so dass bei der Überprüfung der Profile durch die Kameras die für die Bewertung relevanten Informationen nur einen sehr kleinen Teil des Bildes ausmachen. Die Lösung erforderte die Anpassung einer Standard-SensorApp, die das Bild des Bildverarbeitungssensors von SICK in drei separate Bilder aufteilt, um den Deep-Learning-Algorithmus effizienter zu machen.

SICK AppSpace

Löst komplexe Anwendungen der industriellen Bildverarbeitung mit Deep Learning

Intelligent Inspection

Die Softwareingenieure von Velux A/S und SICK halfen sich gegenseitig bei der Entwicklung der Lösung, und beide Teams profitierten von dieser Zusammenarbeit. Lasse Hedeby sagte, er habe "noch nie einen Lieferanten erlebt, der so flexibel ist und einen so guten Support bietet wie SICK". Umgekehrt freut sich das Team von SICK, mit einem so engagierten Partner zusammenzuarbeiten und einen zufriedenen Kunden an seiner Seite zu wissen.

Der Weg in die Zukunft der industriellen Automation

Lasse Hedeby arbeitet bereits an der nächsten Aufgabe, bei der mit Hilfe von KI sichergestellt werden soll, dass Schrauben in einer Haltevorrichtung montiert und festgezogen werden. Die Aufgabe ist mit einem gewöhnlichen regelbasierten industriellen Bildverarbeitungssystem nur schwer zu bewältigen, da sowohl Metall als auch Schrauben eine sehr unterschiedliche Oberfläche mit vielen Lichtreflexionen haben können. Die ersten Anzeichen sind jedoch sehr vielversprechend. Die Fähigkeit der Deep-Learning-Lösung von SICK, eine solche Vielfalt komplexer Probleme problemlos zu bewältigen, zeigt deutlich, dass dies der Weg in die Zukunft der kamerabasierten Inspektion und industriellen Automation ist.