TH Köln verbetert met AI kwaliteitscontrole bij spuitgieten
Met behulp van spuitgieten ontstaan kunststofproducten met visueel verfijnde oppervlakken, onder meer voor de auto-industrie. Beeldanalysemethoden kunnen worden gebruikt om defecte onderdelen te detecteren. Tot nu toe moesten deze op een tijdrovende en kostenintensieve manier worden getraind omdat de foutpatronen zeer divers zijn. Om de kwaliteitscontrole te verbeteren en te versnellen, heeft TH Köln samen met twee industriële partners een geautomatiseerde, cameragebaseerde AI-oplossing ontwikkeld en getest.
TH Köln heeft een geautomatiseerde, cameragebaseerde AI-oplossing ontwikkeld om de kwaliteitscontrole bij het spuitgieten te optimaliseren. De foto is puur ter illustratie en toont een spuitgietproces bij het Nederlandse bedrijf Kupron in Sittard. (Foto: Kupron)
Het doel van het ‘QuKu-ML’-project (Kamerabasierte Qualitätsbewertung beim Kunststoff-Spritzguss mit Hilfe von ML-Strategien) was om met behulp van een algoritme de kwaliteitscontrole van een spuitgietonderdeel voor de auto-industrie te vereenvoudigen. Om dit proces te automatiseren programmeerde het team van TH Köln een robot die het onderdeel in verschillende posities voor een camera plaatste, zodat beelden vanuit zestien verschillende perspectieven ontstonden. Met een uiteindelijke dataset bestaande uit zo’n 1.600 beelden werd een artificieel intelligentiesysteem getraind om snel afwijkingen van een defectvrij onderdeel te herkennen, zoals krassen, scheuren, ontbrekende structuren of vervormingen.
“Bij de kunststofverwerking is de snelle detectie van uitval van groot belang, vooral bij componenten die in grote hoeveelheden worden geproduceerd. Het opzetten van AI-toepassingen hier is echter een enorme uitdaging vanwege de complexiteit. Met name bij de kwaliteitscontrole is het zeer tijdrovend om tijdens lopende werkzaamheden de benodigde trainingsdata te verzamelen en te verifiëren. Het gebruik van kunstmatige intelligentie is echter toch zinvol omdat handmatige kwaliteitscontrole lang duurt en foutgevoelig is”, zegt prof.dr. Anja Richert van het Keulse Cobots Lab (CCL) aan de TH Köln.
Train AI met perfecte onderdelen
“In een industriële context biedt anomaliedetectie een aantal voordelen ten opzichte van conventionele foutdetectie. Een conventionele foutdetectie vereist een voldoende aantal afbeeldingen waarin de respectievelijke soorten fouten duidelijk kunnen worden geïdentificeerd. De gebreken moeten handmatig worden gemarkeerd en geëtiketteerd. Perfecte onderdelen zijn daarentegen meestal in grote aantallen verkrijgbaar vergeleken met defecte onderdelen. Op basis daarvan kan dus veel beter een kunstmatige intelligentie worden getraind die perfectie herkent en snel afwijkingen van deze doeltoestand detecteert. Het resultaat is een anomalie-heatmap waarop deficiënte beeldgebieden hoge anomaliewaarden hebben die in kleur kunnen worden weergegeven”, legt Nicolas Kaulen, onderzoeksmedewerker bij de CCL, uit.
Volledig autonome kwaliteitscontrole voor spuitgietverwerking (Foto: Cologne Cobots Lab/TH Köln)
Pixels zorgen voor duidelijkheid
Om afwijkingen zo effectief mogelijk op te sporen, analyseerden de onderzoekers de verdeling van de waarden van de 1.600 heatmaps, zoals Kaulen uitlegt: “Als het aantal pixels met een afwijkingswaarde boven of onder een drempelwaarde lag, herkende de AI een afwijking en gaf de opdracht om het bijbehorende onderdeel te verwijderen. Met dit proces bereikten we een hitnauwkeurigheid van 91 procent.”
Deze waarde is echter nog te laag voor industriële serieproductie. “Het nadeel van de drempelwaardemethode is dat er iets meer productieverspilling ontstaat bij de kwaliteitscontrole. We hebben bijvoorbeeld ontdekt dat vuildeeltjes, die in de meeste gevallen geen risico vormen voor het technische proces, door het algoritme nog steeds als een anomalie worden gezien. Er is behoefte aan verder onderzoek om de detectiemethode te verfijnen”, zegt Richert. In een vervolgproject zullen de bevindingen worden uitgediept en overgedragen naar andere industriële toepassingen.
