Machine Vision

Die größten Herausforderungen beim maschinellen Sehen

Wie kann man einen Roboter dazu bringen, eine Kiste mit unsortierten Werkstücken automatisch leerzuräumen und alle Teile korrekt auf bereitgestellte Paletten zu sortieren? Für einen Menschen ist so eine Aufgabe ein Kinderspiel. Der Grund, weshalb uns das so leicht fällt, liegt in unserem stereoskopischen Sehvermögen und der perfekten Augen-Hand-Koordination, die sich in millionen von Jahren entwickelt hat.

In der Robotertechnik findet diese Entwicklung nun innerhalb von wenigen Jahren statt. Das Aufgreifen und Sortieren, auch Bin-Picking genannt, ist für einen Roboter ein großes Problem. Die Entwicklung eines Robotersystems, welches diese Aufgabe ausführen kann, scheint auf den ersten Blick unproblematisch. Dies ist aber eine frappierende Fehleinschätzung! Heutigen Roboter fehlt es noch deutlich an Intelligenz, Probleme wie ein Mensch lösen zu können oder sich auf verändernde Bedingungen anzupassen.

Um dies trotzdem zu erreichen, kommt eine Schlüsseltechnologie zum Einsatz, die Machine-Vision oder maschinelles Sehen genannt wird. Die Roboter werden dazu mit einer oder mehreren Kameras ausgestattet, die es ihm ermöglichen, Bilder von seinem Arbeitsbereich aufzunehmen und daraus alle wichtigen Informationen zu gewinnen.

Eine Technologie mit großem Potential

Diese Technologie hat das Potential die menschliche Leistungsfähigkeit bei weitem zu übersteigen. Wenn Machine Vision und Bin-Picking voll ausgereift sind, werden Roboter die vorliegenden Teile in Millisekunden erfassen und analysieren können. Auch eine Überprüfung der Maßhaltigkeit und des Gewichtes wird in einer Geschwindigkeit möglich sein, die von Menschen physisch nicht mehr erreicht werden kann.

Machine Vision und Bin-Picking können nur so gut funktionieren, wie es die Programmierung des Robotersystems zulässt. Wenn der Programmierer nicht alle Eventualitäten bedenkt oder Fehler in der Software übersieht, führt dies unweigerlich zu Fehlfunktionen, die der Roboter nicht eigenständig korrigieren kann.

Vier Herausforderungen

Wie lernt nun ein Roboter zu sehen und eigenständig Entscheidungen zu fällen? Um dies zu erreichen, müssen diese vier Punkte gelöst werden:

1. Korrekte Aufnahme von Bildern

Die Grundlage einer erfolgreichen Bildanalyse ist ein qualitativ hochwertiges Foto. Digitale Kameras mit einer hohen Auflösung und Autofokus können das mühelos bewerkstelligen. Ein geringes Auflösungsvermögen führt zu störenden Artefakten und erschwert die folgende Analyse unnötig. An dieser Stelle sollte nicht gespart werden!

Sollten sich Lichtquellen oder Fenster in der Umgebung befinden, muss deren Einfluss auf die Bildqualität aufmerksam untersucht werden. Lichtreflektionen können die Software bei der Analyse stark beeinträchtigen.

2. Automatische Analyse der Bilder, um Informationen zu erhalten

Das aufgenommene Foto muss von einer speziellen Software untersucht werden, um die gewünschten Informationen aus dem Bild zu entnehmen. Das Programm muss dabei das Werkstück vom Fließband unterscheiden können, die Form, Größe und Textur erkennen und die genaue Position ermitteln. Das Machine-Vision-System kann unterstützt werden, indem man auf einen ausreichenden Kontrast zwischen Werkstück und Untergrund achtet. Ist dieser Kontrast zu gering, können Form und Größe der Teile nicht mehr richtig erkannt werden.

Probleme können auch durch Kratzer in der unmittelbaren Umgebung des Werkstücks verursacht werden. Wenn diese zu stark sind, erhöht sich die Wahrscheinlichkeit, dass die Software die Kratzer als Werkstückkanten interpretiert.

3. Auswertung der Informationen, um eine Entscheidung zu treffen

Danach erfolgt die automatische Analyse der gewonnenen Informationen. Der Roboter vergleicht dazu das Bild mit Informationen aus einer Datenbank. Die Maßhaltigkeit und Form können relativ einfach überprüft werden, da Maße und Gewichte mathematisch quantifizierbar sind. Der Roboter sortiert alle Teile aus, wenn sich diese von festgelegten Toleranzwerten unterscheiden.

Komplizierter wird es, wenn der Roboter die Beschaffenheit von Oberflächen begutachten muss. Wie groß dürfen Kratzer oder Beschädigungen sein? Ist das Teil nur verschmutzt oder sind es Materialfehler? Unsere Software kann dies (noch) nicht allein lernen. Es ist jedoch möglich das System mit Bildern zu trainieren, damit es die richtigen Entscheidungen treffen kann.

4. Senden der erforderlichen Steuerimpulse an den Roboterarm

Das Ergebnis der Analyse muss an den Roboter übermittelt werden. Dabei prüft die Software vorab, in welcher Position sich der Greifarm befindet und teilt jedem Motor im Roboterarm die notwendigen Steuerimpulse mit, um das gewünschte Teil zu erreichen, zu greifen und dann am gewünschten Zielort abzulegen. Sind dem Machine-Vision-System bei den drei vorangegangenen Schritten Fehler unterlaufen, wird der Roboter ins Leere greifen.

Unsere Zukunftsvision

In den Bereichen Machine-Vision und Bin-Picking haben wir in den letzten Jahren enorme Fortschritte erzielt. Unsere Systeme laufen bereits sehr zuverlässig und sind mittlerweile schon so weit entwickelt, dass wir bereits bei einigen Kunden erfolgreich Arbeitsschritte in deren Produktionslinien automatisieren konnten. In den kommenden Jahren werden wir unsere Technologie noch weiter verbessern und mit zusätzlichen Funktionen ausstatten.

Machine-Vision für Ihr Unternehmen

In vielen Unternehmen gibt es Prozesse, die potentiell automatisierbar sind. Solche Arbeitsschritte sind meist sehr einfach und müssen oft über Stunden hinweg wiederholt werden. Wenn ihre Mitarbeiter diese Arbeit nicht gern durchführen, weil diese eintönig oder körperlich anstrengend ist, haben Sie einen Prozess erfolgreich identifiziert!

Vereinbaren Sie mit uns einen Beratungstermin, um noch mehr über die Möglichkeiten von Machine-Vision und Bin-Picking zu erfahren. Wir unterstützen Sie auch aktiv bei der Automatisierung und begleiten Sie von der Planung bis zur erfolgreichen Inbetriebnahme.