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.
Unternehmen
KI-gestützte Erkennung von Coil-Umreifungen mit ibaVision
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.
KI-gestützte Erkennung von Coil-Umreifungen mit ibaVision
© iba AG
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.
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
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.
Die iba AG mit Sitz im nordbayerischen Fürth gilt weltweit als führender Spezialist für hochwertige Messsysteme für Industrie und Energie. iba ist einer der wenigen Hersteller, der die Technologiekette von der Hardware über die Software bis hin zur Datenbank- und Cloud-Konnektivität vollständig beherrscht. Wesentliches Merkmal des iba-Systems ist dessen ausgeprägte Prozesskonnektivität. Ein iba-Messwerterfassungssystem kann an fast jedes gängige Automatisierungssystem angeschlossen werden. Das iba-System wird unter anderem in der Stahl- und Metallindustrie, der Papier- und Faserindustrie, im Maschinenbau sowie in der Energieerzeugung und -verteilung zur Prozessanalyse und -optimierung eingesetzt.
