Get best of the week

Finden Sie Kühlerdefekte mithilfe der Bildverarbeitung


Keine Produktion kann ohne Qualitätskontrolle auskommen. Lange Zeit bestand für die Hersteller nur die Möglichkeit, Produkte von speziell geschultem Personal visuell zu prüfen. Diese Methode erfordert jedoch enorme Humanressourcen, langes Training, erhöhte Aufmerksamkeit und ist stark vom menschlichen Faktor abhängig. Müdigkeit und Nachlässigkeit der Mitarbeiter führen zur Freilassung der Ehe.

Advantech hat in Zusammenarbeit mit Smasoft Lösungen entwickelt, um die visuelle Qualitätskontrolle der hergestellten Produkte vollständig zu automatisieren. Diese Lösungen funktionieren bereits heute in der realen Produktion. Der Artikel berichtet über die erfolgreichen Erfahrungen bei der Implementierung eines visuellen Qualitätskontrollsystems mit Bildverarbeitung in der Produktionslinie von Kühlkörpern.

Systembeschreibung


Der Kunde beschäftigt sich mit der Herstellung von Kupferkühlkörpern zur Wärmeabfuhr von Mikroprozessoren. Ein äußerst wichtiger Parameter für Heizkörper ist die Qualität der Arbeitsfläche in Kontakt mit dem Chip. Wenn diese Oberfläche Defekte aufweist, kann die Kühlqualität erheblich abnehmen und das Endgerät fällt aus. Außerdem können Späne Korrosion verursachen und den Kühler beschädigen.

Für den Hersteller ist es wichtig, solche Qualitätsparameter zu überwachen:

  • Homogenität, Ebenheit der Oberfläche - jede Längsverformung verringert die Qualität des Kühlers, der an der Oberfläche haftet.
  • Dellen, Chips, Kratzer - Unebenheiten auf der Oberfläche selbst, die die Wärmeübertragung beeinträchtigen
  • Markierungsschaden - Bei einer automatischen Montagelinie sollte die Markierung auf Bauteilen immer lesbar sein


Die wichtigsten Arten von Kühlerfehlern, die vom Bildverarbeitungssystem erkannt werden

Für die kontinuierliche automatisierte Qualitätskontrolle wurde eine Linie entwickelt, die die Oberfläche von Heizkörpern mithilfe von Bildverarbeitung in mehreren Schritten überprüft und in Verbindung mit einem Roboterarm mit einer Vakuumpumpe arbeitet, die fehlerhafte Teile entfernt. Um Fehler im Erkennungssystem zu vermeiden, werden Bilder von mehreren Kameras in unterschiedlichen Winkeln aufgenommen.



Die Linie besteht aus einer kreisförmigen rotierenden Plattform, wobei für jede Drehung der Plattform ein Test durchgeführt wird. Die erste Einheit installiert mithilfe einer Vakuumpumpe neue Heizkörper auf der Plattform. Anschließend wird das Produkt mit einem hochpräzisen Laser-Entfernungsmesser, der entlang des Umfangs des Geräts verläuft, auf Ebenheit geprüft. Im nächsten Schritt fotografiert die Kamera die Oberfläche des Kühlers im rechten Winkel. Zur zusätzlichen Überprüfung fotografiert im nächsten Schritt eine andere Kamera die Oberfläche in einem anderen Winkel. Der Echtzeitprozess wird im folgenden Video gezeigt.


Qualitätskontrolllinie der Heizkörper in Aktion. Artikelbeschreibung gegen den Uhrzeigersinn.

Gleichzeitig wird jede Art von Ehe in ein separates Fach verschoben, so dass es für Fachleute in Zukunft bequemer wäre, die Ursachen der Ehe zu untersuchen und die Produktionslinien anzupassen.

Systemkomponenten


Das Computermodul zur Verwaltung des gesamten Systems arbeitet auf Basis des kompakten Industriecomputers Advantech MIC-770 . Über diese Computerserie haben wir bereits im Artikel Fanless Performance Computers MIC-7000 gesprochen .


Der MIC-770- Computer sammelt Messwerte von allen Systemkomponenten.

Advantech MIC-730AI- Computer werden zur Verarbeitung von hochauflösenden Bildern verwendet, die von Kameras empfangen werden.Unterstützt von der NVIDIA Jetson Xavier-Plattform, die speziell für den Betrieb neuronaler Netze und maschineller Lernsysteme entwickelt wurde. Bisher war es für solche Aufgaben erforderlich, ganze Cluster von Grafikprozessoren (GPUs) mit großen aktiven Kühlsystemen zu verwenden. Heutzutage werden solche Cluster durch einen einzigen Computer mit vollständig passiver Kühlung ersetzt. Basierend auf der NVIDIA Jetson Xavier-Plattform implementiert der


Advantech MIC-730AI- Computer die Bildverarbeitung mithilfe des neuronalen



AINavi- Netzwerks, einem Advantech- Framework für maschinelles Lernen für defekte Teile, das speziell für Nvidia Jetson-Hardwareplattformen entwickelt wurde.


Video des Systems aus einem anderen Blickwinkel

Fazit


Die Einführung eines maschinellen Lernsystems steht heute jedem Hersteller viel billiger zur Verfügung als noch vor einigen Jahren. Vorgefertigte Hardwareplattformen passen in einen einzelnen Industriecomputer. Sie müssen keine Grafikkartencluster mehr bereitstellen. Dutzende typischer geschulter Modelle können bereits Software-Frameworks für maschinelles Lernen verwenden, sodass der Kunde das System nicht von Grund auf neu entwickeln muss.

More articles:


All Articles