Automated Optical Inspection of Deformable Linear Objects in Wiring Harnesses Applying Deep Learning and Synthetic Data

Beschreibung

Automatische optische Inspektionssysteme (AOI-Systeme) sind ein wichtiger Baustein intelligenter Fertigungssysteme. Sie ermöglichen die Erfassung und Analyse optischer Daten zur Prozessüberwachung, -dokumentation und -optimierung. Die Kabelbaumbranche ist durch eine variantenreiche Fertigungsphilosophie, manuelle Montageprozesse und hohe Qualitätsanforderungen charakterisiert. In diesem Zusammenhang bieten AOI-Systeme ein erhebliches Potenzial, indem sie eine automatische Qualitätskontrolle, schnelle Fehlererkennung und Fehlersuche bei manuellen Prozessen ermöglichen. In dieser Arbeit wird die FastAOI-Methodik präsentiert. Diese Methodik stellt einen systematischen Ansatz zur Entwicklung intelligenter AOI-Systeme unter Verwendung datengetriebener Techniken und synthetischer Daten bereit. FastAOI umfasst die Prozessschritte AOI-Planung, 3D-Produktmodellerstellung, Szenenerstellung und Datenverarbeitung. Der Ansatz nutzt Deep-Learning-Algorithmen, die mit synthetischen Daten trainiert wurden, um Kabelbaumkomponenten, einschließlich starrer und formlabiler Objekte, zu erkennen. Die Umsetzung und Validierung von FastAOI erfolgt in zwei AOI-Systemen zur Bild- und Punktwolkensegmentierung. Die Forschungsergebnisse bestätigen die Anwendbarkeit von Deep Learning für eine exakte Kabelbaumsegmentierung. Zudem werden effektive Strategien für die Integration synthetischer Daten in das Deep-Learning-Training und die Auswirkungen synthetischer Daten auf die Modellleistung aufgezeigt.