31/03/2021
Door Ad Spijkers
Met de Marquis software voor kwaliteitscontrole kunnen onderdelen en hun samenstellingen in de toekomst mobiel en real-time worden gecontroleerd.
Kwaliteitscontrole is essentieel in de maakindustrie. Tot nu toe controleren medewerkers vooral met visuele inspectie en meetgereedschappen. Onderzoekers van Fraunhofer-Institut für Graphische Datenverarbeitung (IGD) in Darmstadt ontwikkelen een veel nauwkeuriger alternatief. De Marquis software combineert augmented reality (AR) met machine learning (ML)-methoden en maakt aldus vergelijkingen mogelijk tussen de CAD-specificatie en het echte product.
Het systeem herkent welk onderdeel wordt voorgelegd en of er afwijkingen zijn van de gewenste afmetingen. De software kan behalve afzonderlijke componenten ook assemblages van verschillende onderdelen controleren. Met behulp van een machine learning proces wordt de positie van de componenten in de ruimte herkend.
Trainingsdata
Het systeem borduurt voort op een eerder project, een stationair systeem met meerdere camera's dat nauwkeurig onderdelen meet. Het voordeel van het nieuwe systeem is, dat het mobiel is. De werknemers kunnen hun smartphone of tablet gebruiken om het onderdeel te controleren.
Een hoofdcomponent van Marquis is machine learning. Om deze vorm van kunstmatige intelligentie te leren, zijn grote datasets nodig. Om ervoor te zorgen dat de software de onderdelen betrouwbaar kan herkennen, moet de gebruiker het niet alleen trainen met talloze afbeeldingen daarvan in verschillende situaties en posities. Hij of zij moet de software ook laten begrijpen welke pixels op de afbeelding bij het onderdeel horen en welke niet.
Helaas zijn bij de productie van componenten trainingsbeelden vaak niet beschikbaar of moeten op complexe wijze worden gegenereerd. Omdat het jaren zou kunnen duren om foto's van onderdelen te maken, wilde de onderzoekers trainingsdata puur genereren uit de CAD-data die voor elk onderdeel beschikbaar zijn.
Vanuit CAD
De onderzoekers maken daartoe synthetische afbeeldingen die op echte foto's lijken. Hiervoor simuleren ze meerdere camerastructuren in de ruimte die vanuit verschillende richtingen naar het CAD-model kijken. Vanuit elk perspectief wordt een 'foto' gemaakt en voorzien van een willekeurige achtergrond.
CAD-gegevens worden meestal in blauw, groen en geel weergegeven. De componenten op de kunstmatige afbeeldingen bestaan dankzij fotorealistische weergave uit verschillende materialen, zoals glanzend grijs metaal.
Met behulp van de deep learning benadering kan het systeem worden getraind met de synthetische afbeeldingen en herkent het zo producten zonder ooit een echt exemplaar te hebben gezien. En dat gaat heel snel: voor tien verschillende, onbekende componenten in een complexere productstructuur hebben de onderzoekers maar een paar uur met bestaande CAD-data nodig om de AI-netwerken te trainen.
Real-time controle
Als het systeem eenmaal is getraind voor de specifieke componenten, kan het deze in real-time controleren. Het systeem herkent welk onderdeel het is, controleert hoe het zich in de ruimte bevindt en legt de bijbehorende CAD-gegevens op de juiste positie over elkaar. Komen de twee met elkaar overeen? De onderzoekers gebruiken hiervoor augmented reality-methoden.
Onderzoekers van Fraunhofer-IGD zullen de technologie presenteren op de virtuele Hannover Messe van 12 tot 16 april 2021.
Foto: Fraunhofer-IGD