Wie lässt sich die Objekterkennung in industriellen Bildverarbeitungssystemen unter schwierigen Lichtbedingungen stabil realisieren?

Klassische, regelbasierte Bildverarbeitung stößt bei Reflexionen, variierenden Oberflächen und wechselnder Beleuchtung schnell an ihre Grenzen. Der Einsatz von Deep-Learning-Modellen wie YOLOv8 ermöglicht eine robuste Objekterkennung durch Training auf realitätsnah augmentierten Datensätzen. Mit ibaVision lassen sich solche Modelle in bestehende Kamerasysteme integrieren und kontinuierlich nachtrainieren. Dadurch bleibt die Erkennungsleistung auch bei variierenden Produktionsbedingungen stabil.

Wie können KI-basierte Bildverarbeitungssysteme in bestehende Produktionsumgebungen integriert werden?

Eine effiziente Integration erfordert die nahtlose Anbindung an vorhandene Daten- und Systemlandschaften ohne zusätzliche Hardwarekomplexität. ibaVision ermöglicht die Einbindung von KI-Modellen über standardisierte Schnittstellen, beispielsweise auf Basis von Python. Die erkannten Objekte und Ergebnisse können direkt in ibaPDA übernommen und mit Prozessdaten verknüpft werden. Dies schafft eine konsistente Datenbasis für weiterführende Analysen.

Wie lässt sich eine durchgängige Traceability von visuellen Qualitätsmerkmalen in der Produktion sicherstellen?

Eine vollständige Rückverfolgbarkeit erfordert die Speicherung sowohl der Originalbilder als auch der daraus abgeleiteten Analyseergebnisse. Mit ibaCapture können Bilddaten und Objekterkennungen zeitsynchron archiviert werden. In Kombination mit Prozessdaten aus ibaPDA entsteht ein vollständiger Kontext für jedes erkannte Ereignis. Dies ermöglicht eine detaillierte Nachverfolgung und spätere Ursachenanalyse.

Wie können erkannte Bilddaten für weiterführende Prozessanalysen genutzt werden?

Die Integration von Bildverarbeitungsergebnissen in Prozessdatensysteme erlaubt eine direkte Korrelation zwischen visuellen Ereignissen und Maschinenzuständen. ibaPDA erfasst die extrahierten Kennzahlen, wie Objektanzahlen oder Zustände, in Echtzeit. Diese Daten können anschließend mit ibaAnalyzer detailliert ausgewertet werden. Dadurch lassen sich Zusammenhänge erkennen und Optimierungspotenziale ableiten.

Wie können KI-Modelle für industrielle Anwendungen effizient trainiert und skaliert werden?

Ein strukturierter Trainingsprozess beginnt mit der Annotation realer Bilddaten und wird durch gezielte Datenaugmentation ergänzt, um Produktionsvariabilität abzubilden. Modelle wie YOLOv8 können iterativ verbessert werden, indem neue Daten in den Trainingsprozess integriert werden. Mit ibaVision lassen sich trainierte Modelle ohne spezialisierte Hardware in bestehende Systeme deployen. Dies ermöglicht eine skalierbare Nutzung über mehrere Anlagen hinweg bei gleichzeitig geringem Infrastrukturaufwand.

KI-gestützte Erkennung von Coil-Umreifungen mit ibaVision

Success Stories

In der Produktion von Aluminiumcoils ist eine korrekte Umreifung entscheidend für einen sicheren Transport und eine sichere Handhabung. Fehlende oder nicht korrekt angebrachte Umreifungsbänder stellen ein erhebliches Sicherheitsrisiko dar – insbesondere in hochautomatisierten Finish-Linien, in denen manuelle Kontrollen fehleranfällig sind.

Lösung Vorteile Zusammenfassung Verwendete Funktionen Weitere Success Stories

Ziel des Projekts war es, sowohl die Anzahl der Coils als auch die Anzahl der Umreifungsbänder automatisch zu erfassen – unter Nutzung der vorhandenen Kamerainfrastruktur und mit nahtloser Integration in die bestehende Prozessdatenumgebung der Anlage. Die Lösung war nicht als sicherheitszertifiziertes System ausgelegt, sondern als Unterstützung zur Erhöhung der Prozesssicherheit und zur Bereitstellung aussagekräftiger Informationen für das Bedienpersonal in Echtzeit. Die Erkennung von Coil-Umreifungen unter realen Produktionsbedingungen stellte jedoch eine Herausforderung dar: Coils unterscheiden sich in Größe und Oberfläche, diese können matt oder stark reflektierend sein. Zusätzlich erschwerten wechselnde Lichtverhältnisse und Reflexionen eine zuverlässige Bildauswertung mit klassischen Bildverarbeitungsalgorithmen. Die feste Kameraposition schränkte darüber hinaus die Möglichkeiten zur Bildoptimierung ein.

Umsetzung mit ibaVision

Ein Deep-Learning-Ansatz mit YOLOv8, einem schnellen und ressourcenschonenden Framework zur Objekterkennung, bot die notwendige Flexibilität, um mit den visuellen Variationen umzugehen. Im Gegensatz zu statischen, filterbasierten Verfahren lassen sich KI-Modelle einfach nachtrainieren und kontinuierlich verbessern, indem zusätzliche Trainingsbilder ergänzt werden. Zunächst wurde ein Datensatz mit Bildern von Coils und Umreifungen manuell mittels Bounding Boxes annotiert. Um die Variabilität der realen Produktionsbedingungen abzubilden, wurde der Datensatz durch Anpassungen von Helligkeit, Kontrast und Schärfe sowie durch simulierte Unschärfen und Rauschen erweitert. Auf dieser Basis wurden drei YOLOv8-Modelle in aufeinanderfolgenden Trainingsstufen trainiert. Das trainierte Modell wurde anschließend über eine Python-basierte Schnittstelle in ibaVision integriert. Die Lösung läuft auf der bestehenden virtuellen Maschine des Kunden und benötigt keine GPU-Hardware. Für jedes erkannte Coil speichert ibaVision sowohl das Originalbild der Kamera als auch das Ergebnis der Objekterkennung in ibaCapture. Gleichzeitig werden die ermittelten Anzahlen von Coils und Umreifungsbändern in ibaPDA erfasst und für weiterführende Prozessanalysen bereitgestellt.

System diagram showing synchronized data flow between ibaPDA, ibaCapture, and ibaVision YOLOv8.

Vorteile

Zuverlässige Erkennung auch unter schwierigen Bedingungen mit Reflexionen und wechselnder Beleuchtung
Nahtlose Integration in die iba-Umgebung für eine kontextbezogene Prozessanalyse
Einfache Nachtrainierbarkeit und Wiederverwendbarkeit für weitere Anlagen oder zukünftige Projekte

Zusammenfassung

Durch die Kombination der KI-basierten Objekterkennung von YOLOv8 mit den leistungsfähigen Visualisierungs- und Logging-Funktionen von ibaVision zeigt das Projekt, wie moderne Machine-Vision-Lösungen die Prozesstransparenz und -sicherheit erhöhen können – ohne komplexe Infrastruktur oder tiefgehende KI-Expertise auf Anwenderseite.

Mit der Kombination aus ibaVision, ibaCapture und ibaPDA haben wir eine praxisnahe KI-Lösung geschaffen, die sich nahtlos in die bestehende Systemlandschaft des Kunden integriert. Das in ibaVision laufende Erkennungsmodell ermöglicht eine zuverlässige Zählung von Coils und Umreifungen, während ibaPDA die Ergebnisse protokolliert und ibaCapture die zugehörigen Bilder speichert.

Artuur Krekels
Application & Consulting Engineer, iba Benelux

Verwendete Funktionen

Die folgenden Funktionen des iba-Systems werden in dieser Applikation verwendet.

Entdecken Sie weitere Success Stories

Lesen Sie weitere inspirierende Success Stories unserer zufriedenen Kunden.

Häufig gestellte Fragen (FAQ)

Wie lässt sich die Objekterkennung in industriellen Bildverarbeitungssystemen unter schwierigen Lichtbedingungen stabil realisieren?: Klassische, regelbasierte Bildverarbeitung stößt bei Reflexionen, variierenden Oberflächen und wechselnder Beleuchtung schnell an ihre Grenzen. Der Einsatz von Deep-Learning-Modellen wie YOLOv8 ermöglicht eine robuste Objekterkennung durch Training auf realitätsnah augmentierten Datensätzen. Mit ibaVision lassen sich solche Modelle in bestehende Kamerasysteme integrieren und kontinuierlich nachtrainieren. Dadurch bleibt die Erkennungsleistung auch bei variierenden Produktionsbedingungen stabil.
Wie können KI-basierte Bildverarbeitungssysteme in bestehende Produktionsumgebungen integriert werden?: Eine effiziente Integration erfordert die nahtlose Anbindung an vorhandene Daten- und Systemlandschaften ohne zusätzliche Hardwarekomplexität. ibaVision ermöglicht die Einbindung von KI-Modellen über standardisierte Schnittstellen, beispielsweise auf Basis von Python. Die erkannten Objekte und Ergebnisse können direkt in ibaPDA übernommen und mit Prozessdaten verknüpft werden. Dies schafft eine konsistente Datenbasis für weiterführende Analysen.
Wie lässt sich eine durchgängige Traceability von visuellen Qualitätsmerkmalen in der Produktion sicherstellen?: Eine vollständige Rückverfolgbarkeit erfordert die Speicherung sowohl der Originalbilder als auch der daraus abgeleiteten Analyseergebnisse. Mit ibaCapture können Bilddaten und Objekterkennungen zeitsynchron archiviert werden. In Kombination mit Prozessdaten aus ibaPDA entsteht ein vollständiger Kontext für jedes erkannte Ereignis. Dies ermöglicht eine detaillierte Nachverfolgung und spätere Ursachenanalyse.
Wie können erkannte Bilddaten für weiterführende Prozessanalysen genutzt werden?: Die Integration von Bildverarbeitungsergebnissen in Prozessdatensysteme erlaubt eine direkte Korrelation zwischen visuellen Ereignissen und Maschinenzuständen. ibaPDA erfasst die extrahierten Kennzahlen, wie Objektanzahlen oder Zustände, in Echtzeit. Diese Daten können anschließend mit ibaAnalyzer detailliert ausgewertet werden. Dadurch lassen sich Zusammenhänge erkennen und Optimierungspotenziale ableiten.
Wie können KI-Modelle für industrielle Anwendungen effizient trainiert und skaliert werden?: Ein strukturierter Trainingsprozess beginnt mit der Annotation realer Bilddaten und wird durch gezielte Datenaugmentation ergänzt, um Produktionsvariabilität abzubilden. Modelle wie YOLOv8 können iterativ verbessert werden, indem neue Daten in den Trainingsprozess integriert werden. Mit ibaVision lassen sich trainierte Modelle ohne spezialisierte Hardware in bestehende Systeme deployen. Dies ermöglicht eine skalierbare Nutzung über mehrere Anlagen hinweg bei gleichzeitig geringem Infrastrukturaufwand.