Qualitätskontrolle in der Produktionslinie: Visuelle Fehlererkennung

Gewinne:

• Verständnis des Arbeitsablaufs der Erkennung von Oberflächen-, Schweiß- und Montagefehlern in der Automobilproduktionslinie mit maschinellem Sehen
• Fähigkeit, künstliche Intelligenz strukturiert bei der Erstellung eines Bilddatensatzes, der Beschriftung, dem Modelltraining und der Schwellenwertbestimmung einzusetzen
• Möglichkeit zur Verifizierung einer Qualitätsentscheidung unter Berücksichtigung der Quote von Fehlern und falschen Zurückweisungen, der Liniengeschwindigkeit und des Vertrauens des Bedieners

Ein Auto besteht aus Tausenden von Teilen und jedes einzelne durchläuft die Fertigungsstraße in Sekundenschnelle. Es ist ermüdend und inkonsequent zugleich, jede Schweißnaht, jede Lackoberfläche, jede Baugruppe fehlerfrei mit dem menschlichen Auge zu prüfen; Die Augen werden müde, die Aufmerksamkeit wird abgelenkt. Hier kommen maschinelle Bildverarbeitung und künstliche Intelligenz ins Spiel: Kameras bilden die Teile ab, ein KI-Modell markiert den Defekt in weniger als einer Sekunde. In dieser Einheit besprechen wir, wie die Bildqualitätskontrolle in der Automobilproduktion etabliert wird, welche Rolle KI spielt und was das kritischste Thema ist, die Fehlerbalance.

Typische optische Mängel im Automobilbereich

Die wichtigsten Arten visuell geprüfter Mängel:

• Oberflächen-/Lackfehler: Orangenhaut (rauer Lack), Staubblasen, Blutungen, Kratzer, Farbunterschiede.
• Schweißfehler: unvollständige Schweißnaht, Spritzer, Porosität, falsch positionierter Schweißpunkt.
• Montagefehler: fehlende Schraube, falsch montierter Clip, umgekehrte Dichtung, lockerer Stecker.
• Etikett/Markierung: unleserliche Fahrgestellnummer, falsches Etikett, fehlender Stempel.

Einige dieser Mängel sind lediglich ästhetischer Natur (kleinere Kratzer), während andere sicherheitskritisch sind (unvollständiges Schweißen kann zu einem Ermüdungsriss in einer Karosserieverbindung führen). Diese Unterscheidung bestimmt alle weiteren Entscheidungen.

Tipp: Behandeln Sie nicht jeden Fehler mit der gleichen Ernsthaftigkeit. Das Hinzufügen des Tags „ästhetisch/funktionell/sicherheitskritisch“ bei der Klassifizierung eines Defekts ist der Schlüssel zur richtigen Festlegung des Schwellenwerts und der Entscheidungslogik.

Zwei grundlegende Ansätze: überwachte Klassifizierung und Anomalieerkennung

Es gibt zwei Hauptstrategien zur visuellen Fehlererkennung:

1. Überwachte Klassifizierung/Erkennung: Sie trainieren das Modell, indem Sie ihm viele beschriftete Bilder mit der Aufschrift „Hier sind fehlerhafte Beispiele, hier sind perfekte Beispiele“ zeigen. Es ist aussagekräftig, wenn Sie die Arten von Fehlern kennen und genügend Beispiele haben. Herausforderung: Es ist schwierig, ausreichend Proben seltener Defekte zu sammeln (eine Linie produziert fast immer feste Teile).
2. Anomalieerkennung: Sie zeigen dem Modell nur „normale/robuste“ Bilder; Das Modell lernt, wie normal aussieht, und markiert alles, was vom Normalen abweicht, als „Anomalie“. Es kann neue/unerwartete Fehler erkennen, auch wenn Sie den Fehlertyp nicht im Voraus kennen. Schwierigkeit: Jede Abweichung kann als Fehler verwechselt werden (z. B. eine Änderung der Beleuchtung).

In der Praxis werden beide zusammen verwendet: Die Anomalieerkennung sagt „Hier ist etwas Seltsames“, die Klassifizierung sagt „Das ist ein Ressourcensprung“.

Schritt für Schritt: Ein visuelles Inspektionssystem einrichten

1. Fehlerkatalog und Akzeptanzkriterien: Definieren Sie mit Qualitätsingenieuren, welcher Fehler akzeptiert/ablehnt wird. Das ist die „Wahrheit“ des Modells.
2. Bildaufnahme: Konstante, gleichmäßige Beleuchtung und Kameraposition sind entscheidend. Schlechte/instabile Beleuchtung ist die häufigste Fehlerursache.
3. Kennzeichnung: Experten markieren Mängel; Eine Kennzeichnungsanleitung ist für die Konsistenz unerlässlich.
4. Modelltraining: Ein überwachtes und/oder Anomaliemodell wird trainiert.
5. Schwellenwert: Das Modell gibt eine „Fehlerwahrscheinlichkeit“ an; Dies ist der Schwellenwert, ab dessen Wahrscheinlichkeit Sie dies als „Ablehnung“ betrachten. Dies ist die wichtigste Geschäftsentscheidung (unten).
6. Linienintegration: Das Modell trifft die Entscheidung, verdächtige Teile werden an den Bediener/die Station weitergeleitet.
7. Überwachung und Neuschulung: Das Modell wird aktualisiert, wenn neue Fehlertypen, saisonale Veränderungen oder neue Teile verfügbar werden.

Das kritischste Problem: Gleichgewicht zwischen Leckage und falscher Zurückweisung

Bei der Fehlererkennung gibt es zwei Fehler, deren Kosten im Automobilbereich sehr unterschiedlich sind:

• Leck (Escape / False Negative): Das defekte Stück gilt als „gut“ und passiert die Leitung. Im Sicherheitsbereich bedeutet dies, dass ein defektes Fahrzeug auf den Markt kommt, eine Kundenbeschwerde vorliegt oder sogar ein Rückruf erfolgt. Der teuerste Fehler.
• Falsche Zurückweisung (False Reject / False Positive): Das intakte Teil gilt als „defekt“ und wird zurückgewiesen. Es bedeutet Verschwendung, unnötige Nacharbeit, Produktionsverlangsamung; Es tut weh, stellt aber kein Sicherheitsrisiko dar.

Entscheidungsschwelle

Flüchtling

falsche Ablehnung

Wann?

Locker (hohe Schwelle)

Erhöht (gefährlich)

nimmt ab

Niemals auf der Sicherheitsspur

Streng (niedrige Schwelle)

nimmt ab

Erhöht (kostspielig)

Auf sicherheitskritische Teile

ausgeglichen

mittel

mittel

Bei ästhetischen Mängeln

Achtung: An einem sicherheitskritischen Teil (Bremse, Lenkung, Karosserieschweißnaht) muss der Schweller immer dicht gehalten werden, um Leckagen zu minimieren; Das verdächtige Stück richtet sich an den Menschen. Eine Lockerung der Schwelle, weil „falsche Zurückweisung teuer ist“, ist im Sicherheitsbereich inakzeptabel.

Arbeitsteilung zwischen Mensch und Maschine

In einem etablierten System ist das Modell nicht der letzte Entscheidungsträger; Es handelt sich um einen „Pre-Screener“. Das Modell erkennt offensichtliche Fehler und sendet dem Menschen zurück, worüber er sich nicht sicher ist. Dadurch kann sich der Bediener auf 30 verdächtige Teile konzentrieren, anstatt sich 1.000 Teile anzusehen. Auch das Vertrauen des Bedieners ist wichtig: Wenn das Modell zu viele Fehlalarme auslöst, nimmt der Bediener die Warnungen nicht mehr ernst („Alarmmüdigkeit“). Deshalb wird auch die Falschrückweisungsrate überwacht.

Mini-Fallstudien

Fall 1 – Blitzfalle. Während ein Lackinspektionsmodell im Labor zu 98 % erfolgreich ist, sinkt die Erfolgsquote sogar auf 80 %. Rückblick: Deckenbeleuchtung an der Leitung verändert sich im Tagesverlauf, das Modell wertet den Helligkeitsunterschied als „Defekt“. Wenn eine feste Tunnelbeleuchtung hinzugefügt wird, steigt der Erfolg auf 97 %. Fazit: Die Bildqualität kann entscheidender sein als das Modell.

Fall 2 – Leckagekosten. Bei einer Rumpfschweißprüfung wird der Schwellenwert „aus Effizienzgründen“ leicht gelockert; Der Falschausschuss sinkt von 6 % auf 3 %, doch einen Monat später werden Schweißrisse bei zwei Fahrzeugen im Feld gemeldet. Die Ursachenanalyse zeigt, dass die Leckagerate gestiegen ist. Die Schwelle wird erneut verschärft und verdächtige Teile werden zu 100 % unter menschliche Kontrolle gebracht. Fazit: Die Reduzierung von Leckagen im Sicherheitsteil hat immer Vorrang vor Fehlausschleusungen.

Fall 3 – Seltener Defekt. Gelegentlich tritt bei einer neuen Spritzgussform ein sehr kleiner Gratfehler auf, aber im Training des überwachten Modells gibt es fast keine Beispiele für diesen Fehler, sodass er fehlschlägt. Wenn das Anomalieerkennungsmodell aktiviert ist, erkennt es dies als „Abweichung vom Normalzustand“. Fazit: Die Anomalieerkennung für seltene/neue Defekte ergänzt das überwachte Modell.

Eingabeaufforderungsvorlagen

Vorlage 1 – Fehlerkatalog und Schweregradklassifizierung:

Rolle: Sie sind ein Qualitätsingenieur für die Automobilindustrie. Aufgabe: Sortieren Sie die folgende Fehlerliste nach Schweregradklassen. Kontext: Karosserie-Schweißnaht; Defekte: Spritzer, Poren, fehlende Stelle, leichter Farbunterschied, Oberflächenkratzer. Einschränkung: Kennzeichnen Sie jeden Defekt als ästhetisch/funktionell/sicherheitskritisch und schlagen Sie eine Entscheidung vor (Annahme/menschliche Prüfung/Ablehnung). Ausgabe: Defekt | Bedeutung | vorgeschlagene Entscheidung | Begründungstabelle.

Vorlage 2 – Leitfaden zur Beschriftung:

Rolle: Qualitätsleiter für Bildkennzeichnung. Aufgabe: Konsistenzregeln für die Lackfehlerkennzeichnung schreiben. Kontext: Orangenschale, Lauf, Staubblase; Es gibt Bilder, die unter unterschiedlicher Beleuchtung aufgenommen wurden.Ausgabe: Regel | Beispiel | Grenzzustand | Tagger-Notiz.

Vorlage 3 – Interpretation der Schwellenwert-/Metrikentscheidung:

Rolle: Bildverarbeitungsbewerter. Aufgabe: Interpretieren Sie die folgende Entscheidungsschwellenwerttabelle. Kontext: Sicherheitskritische Ressource; bei Schwelle A beträgt die Leckage 0,3 %, die falsche Zurückweisung 5 %; Leckage bei Schwelle B 1,2 % falsche Zurückweisung 2 %. Einschränkung: Sicherheitspriorität beachten; Erklären Sie, welchen Schwellenwert Sie empfehlen und warum, und fügen Sie den Schritt der menschlichen Kontrolle hinzu. Ausgabe: Empfehlung + Begründung + Restrisiko.

Vorlage 4 – Ursachenanalyse:

Rolle: Sie sind Qualitätsingenieur. Aufgabe: Mögliche Ursachen für Spritzerfehler auflisten, die in den letzten drei Schichten zugenommen haben. Kontext: Roboterpunktschweißen; Elektrodenwechsel wurde vor 2 Tagen durchgeführt; aktuelle Einstellung behoben.Ausgabe: Mögliche Ursache | Validierungsprüfung | Priorität.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Erstellen Sie ein Modell, das defekte Teile findet.

Es ist nicht klar, welcher Fehler, welche Bedeutung, welche Schwelle, welche Entscheidung; Das Ergebnis ist nutzlos.

Kraftvolle Aufforderung:

Rolle: Sie sind ein Automobilqualitäts- und Bildverarbeitungsingenieur. Aufgabe: Erstellen Sie eine Design-Checkliste für ein Karosserieschweiß-Visionssystem. Kontext: Sicherheitskritisches Punktschweißen; die Liniengeschwindigkeit ist hoch; Es gibt seltene Mängel; Beleuchtungsvariable. Einschränkung: Minimierung von Leckagen priorisieren; Geben Sie an, wie die Anomalieerkennung mit der überwachten Klassifizierung und dem Schritt der menschlichen Kontrolle kombiniert werden soll. garantiert „null Fehler“.Ausgabe: Stage | Vorschlag | Risiko | Überprüfungstabelle.

Häufige Fehler

• Vernachlässigung der Beleuchtung/Bildqualität. Ein schlechtes Image verdirbt selbst das beste Modell.
• Betrachtet man Leckage und falsche Zurückweisung als gleichwertig? Leckagen an Sicherheitsteilen im Automobilbereich sind viel kostspieliger.
• Verlassen Sie sich bei seltenen Mängeln nur auf das überwachte Modell. Die Anomalieerkennung ist ergänzend.
• Das Modell zum endgültigen Entscheidungsträger machen. Verdächtige Teile sollten auf den Menschen gerichtet werden.
• Umschulung vergessen. Neue Teile, neue Formen und saisonale Veränderungen machen das Modell alt.

Zusammenfassend

• Bildverarbeitung und KI prüfen die Automobillinie schnell und konsistent auf Oberflächen-, Schweiß- und Montagefehler.
• Die überwachte Klassifizierung ist bei bekannten Fehlern wirksam, die Anomalieerkennung bei seltenen/neuen Fehlern. beide werden zusammen verwendet.
• Die kritischste Entscheidung ist der Schwellenwert: Die Leckage (falsch negativ) wird im sicherheitskritischen Teil minimiert, der verdächtige Teil geht an den Menschen.
• Bildqualität und Beleuchtung sind oft entscheidender als das Modell.
• Das Modell ist ein Vorsichter; Die letztendliche Qualitätsentscheidung und Sicherheitsverantwortung liegt beim Menschen.

Anwendungsaufgabe

Wählen Sie ein Teil/eine Station aus (z. B. vordere Stoßstangenbaugruppe). (1) Mögliche Mängel auflisten und jeweils als ästhetisch/funktionell/sicherheitskritisch kennzeichnen. (2) Vergleichen Sie mit Vorlage 3 die beiden Schwellenwertoptionen für Leakage/falsche Zurückweisung und begründen Sie eine Empfehlung. (3) Erklären Sie, ob Sie für einen seltenen Fehler die überwachte Erkennung oder die Anomalieerkennung verwenden werden. (4) Definieren Sie den menschlichen Kontrollschritt und den Umschulungsauslöser.

Checkliste

• [ ] Ich habe die Mängel in Schweregradklassen eingeteilt (ästhetisch/funktionell/sicherheitskritisch).
• [ ] Ich habe das Gleichgewicht zwischen rechtswidriger und falscher Ablehnung in der Schwellenentscheidung bewertet.
• [ ] Ich habe Lecks im sicherheitskritischen Teil priorisiert.
• [ ] Ich habe die überwachten und Anomalie-Ansätze an der entsprechenden Stelle platziert.
• [ ] Ich habe die Anforderungen an die Bildqualität/Beleuchtung angegeben.
• [ ] Ich habe den menschlichen Kontrollschritt und den Umschulungsplan definiert.