Entwicklung eines Prototyps zur effizienteren Umsetzung von Machbarkeitsstudien der industriellen Bildverarbeitung mittels Deep Learning

Abstract

Industrielle Bildverarbeitung stellt einen unverzichtbaren Industriestandard in der Qualitätskontrolle dar. Die Implementierung industrieller Bildverarbeitung zur Lösung unternehmensspezifischer Probleme erfordert in der Regel eine vorausgehende Machbarkeitsstudie, insbesondere wenn eine Aufgabenstellung nur mit Deep Learning gelöst werden kann. Da die Durchführung von Deep-Learning-Machbarkeitsstudien mit beträchtlichen Kosten und einem erheblichen Zeitaufwand verbunden ist, soll ein Konzept entworfen werden, das es Unternehmen ermöglicht, Geld und Zeit zu sparen.Um dies zu ermöglichen, beschäftigt sich diese Diplomarbeit mit der Entwicklung eines Prototyps, mit dem Unternehmen selbstständig Beispielbilder zur Erstellung eines Deep-Learning-Modells aufnehmen können. Mithilfe von Deep-Learning-Modellen kann festgestellt werden, ob ein Anwendungsfall mit industrieller Bildverarbeitung umsetzbar ist oder nicht. Besonderes Augenmerk soll hierbei auf die einfache Bedien- und Benutzbarkeit des Prototyps gelegt werden, um ihn für verschiedene Use-Cases verwendbar zu machen. Im Zuge einer ausführlichen Recherche wurden geeignete Komponenten gewählt und ein gesamtheitliches System entwickelt.Nach erfolgtem Aufbau und Instandsetzung des Prototyps wurde dieser anhand eines ersten Use-Cases aus der Lebensmittelindustrie getestet. Im Rahmen dieser Diplomarbeit wurde eine Machbarkeitsstudie durchgeführt, um zu klären, ob das Sortieren von Trüffel in Gut- und Schlechtteile mittels industrieller Bildverarbeitung möglich ist. Das zu entwickelnde Deep-Learning-Modell soll die einzelnen Trüffel in gute und schlechte Trüffel kategorisieren. Das erstellte finale Modell klassifizierte bei 2425 Bildern 11 Bilder inkorrekt, was einer Genauigkeit von 99,5% entspricht. Es lässt sich somit sagen, dass das Sortieren der Trüffel in gute und schlechte Teile durch industrielle Bildverarbeitung mit einer hohen Genauigkeit möglich ist.Nach positiver Machbarkeitsstudie wurde ein Konzept für eine automatisierte Trüffelsortieranlage entwickelt. Eine durchgeführte Break-Even-Analyse ergab, dass sich die Investition in einen automatisierten Trüffelsortierprozess nach frühestens 10,3 und spätestens 14,2 Arbeitsjahren rentiert.Durch die Entwicklung, Implementierung und den Test des Prototyps wurde gezeigt, dass Unternehmen nun in der Lage sind, vor Ort Beispielbilder für Machbarkeitsstudien schnell und kosteneffizient zu erfassen. Dieser Ansatz ermöglicht es, den Prozess der Umsetzung industrieller Bildverarbeitungslösungen zu beschleunigen und gleichzeitig die Kosten zu senken. Mit dem Einsatz des Prototyps können Gesamtkosten in Höhe von 5.700 € eingespart werden. Zusammenfassend lässt sich sagen, dass die Diplomarbeit langfristig zur Steigerung der Effizienz und Rentabilität von Unternehmen im Bereich der automatisierten Qualitätskontrolle und Bildverarbeitung beitragen kann.

Machine vision is an essential industry standard in quality control. The implementation of machine vision to solve company-specific problems usually requires a prior feasibility study, especially if a task can only be solved with deep learning. Conducting deep learning feasibility studies is associated with considerable costs and a considerable amount of time. Therefore, a concept should be developed that enables companies to save time and money.To solve this problem, this diploma thesis deals with the development of a prototype that companies can use to independently take sample images, which can be used to create a deep learning model. This deep learning model is necessary to determine whether or not a use case can be realised with industrial image processing. The prototype should be easy to operate and usable for various use cases. After extensive research, suitable components were selected and a complete system was developed.Once the prototype had been built, it was tested using an initial use case from the food industry. As part of this diploma thesis, a feasibility study was carried out to clarify whether it is possible to sort truffles into good and bad parts using industrial image processing. The deep learning model should categorise the individual truffles into good and bad truffles. The final model created classified 11 images incorrectly out of 2425 images, which corresponds to an accuracy of 99.5%. It can therefore be said that sorting the truffles into good and bad parts is possible with a high degree of accuracy using industrial image processing.After the positive feasibility study, a concept for an automated truffle sorting system was developed. A break-even analysis showed that the investment in an automated truffle sorting process would pay for itself after 10.3 working years at the earliest and 14.2 working years at the latest.By developing, implementing and testing the prototype, it has been demonstrated that companies are now able to capture sample images for feasibility studies quickly and cost-effectively. This approach makes it possible to speed up the process of implementing machine vision solutions while reducing costs. The use of the prototype can save a total of € 5,700 in costs. To summarise, the thesis can contribute to increasing the efficiency and profitability of companies in the field of automated quality control and image processing in the long term.