Fraunhofer-Institut für Schicht- und Oberflächentechnik ISTDie Qualitätssicherung von beschichteten Bauteilen und Werkzeugen umfasst häufig eine aufwendige Sichtprüfung, bei der eine Vielzahl von Defekten wie geometrische Abweichungen oder Beschichtungsfehler erfasst und damit Ausschussteile identifiziert werden. Dieser Prozess ist jedoch nicht nur zeitintensiv, sondern auch stark von der Erfahrung der prüfenden Personen abhängig. Um diesen überwiegend händischen Inspektionsablauf effizienter zu gestalten und zu automatisieren, arbeiten die drei Fraunhofer-Institute ITWM, IGD und IST gemeinsam mit der TU Wien im Projekt »SimVision« an skalierbaren Ansätzen für die KI-basierte visuelle Inspektion sowie an Methoden zur Generierung von realen und synthetischen Trainingsdaten.
SimVision – Automatisierte visuelle Inspektion für die Produktion
Lichtreflexion an einer unbeschichteten Werkzeugoberfläche.
Lichtreflexion an einer beschichteten Werkzeugoberfläche.
Defektvarianten und komplexe Oberflächen
Die Beschichtung von Werkzeugen und Bauteilen umfasst mehrere Prozessschritte, die zu deutlichen Änderungen der optischen Erscheinung und des Reflexionsverhaltens der zu begutachtenden Oberflächen führen können. Auch auf komplexen Geometrien müssen dabei unterschiedlichste Fehlerbilder und Defekte erkannt werden. Für eine zuverlässige, KI-basierte visuelle Inspektion sind dafür sehr umfangreiche Bilddatensätze erforderlich, die in der Praxis meist nicht generiert werden können. Entsprechend erfolgt die Qualitätskontrolle bisher in der Regel durch aufwendige manuelle Sichtprüfungen.
Automatisierte Inspektion in der Produktion durch regelbasierte Trainingsdaten
Im Projekt »SimVision« wird ein flexibles Inspektionssystem entwickelt, das die Oberflächenqualität in verschiedenen Phasen der Beschichtungsproduktion automatisch überprüft. Die Grundlage dafür bildet eine kombinierte Datenbasis aus fotografischen Aufnahmen realer Probensätze sowie regelbasiert erzeugten synthetischen Daten, die auf mathematischen Modellen der Oberflächenstruktur, möglicher Defekte und der Bauteilgeometrie beruhen. Diese vielfältigen, fotorealistische Trainingsdaten ermöglichen es, eine große Bandbreite potenzieller Oberflächenzustände abzubilden und so die Genauigkeit, Flexibilität und Kosteneffizienz des Inspektionssystems erheblich zu verbessern.
Flexible Qualitätsprüfung mit KI am Beispiel von Diamantwerkzeugen
Herkömmliche KI-basierte Methoden stoßen an ihre Grenzen, wenn Oberflächen stark reflektieren, unterschiedlich strukturiert sind oder geometrisch komplexe Formen aufweisen. Zusätzlich erschweren wechselnde Oberflächentopografien und Beleuchtungssituationen die zuverlässige Erkennung von Defekten wie Delaminationen, Risse, Kantenausbrüche oder Verschleiß. Am Beispiel von Diamantbeschichtungen erfolgt eine physikalisch fundierte Modellierung von Oberflächen, Defekten und Lichtreflektionen, um realistische, synthetische Trainingsdaten für vorbehandelte und beschichtete Zerspanwerkzeuge zu generieren.
Inspektionssystem für beschichtete Werkzeuge und Bauteile
Am Fraunhofer IST wird ein automatisiertes Inspektionssystem aufgebaut, das zunächst für die Fehlererkennung bei der Beschichtung von Zerspanwerkzeugen mit Diamant trainiert wird. Anschließend sollen auch die Detektion von Werkzeugverschleiß untersucht sowie weitere Anwendungsfelder für die Prüfung von Bauteilen und Werkzeugen mit PVD- und CVD-Schichtsystemen erschlossen werden, um die Produktionsqualität sicherzustellen.
Beispiele verschiedener Defekte an beschichteten Werkzeugen
Ausbrüche unterschiedlicher Größe an Grundkörper und Schneide (alle drei Werkzeuge) und Schichtdelamination (mittleres bzw. rechtes Werkzeug):
Das Projekt
»SimVision« wird als sogenanntes ICON-Projekt (»International Cooperation and Networking«) gefördert. Im Rahmen von »SimVision« entwickeln Forscherinnen und Forscher der Fraunhofer-Institute für Techno- und Wirtschaftsmathematik ITWM, für Graphische Datenverarbeitung IGD und für Schicht- und Oberflächentechnik IST gemeinsam mit der TU Wien eine skalierbare Prozesskette, um künstliche Intelligenz mit realen und synthetischen Daten zu trainieren und in die industrielle Anwendung zu überführen.