Was ist Machine Vision?

Machine Vision nutzt Kameras, Bildverarbeitung und Automatisierungshardware, um Inspektions-, Mess- und Führungsaufgaben in industriellen Umgebungen auszuführen. Durch die automatische Analyse digitaler Bilder in Produktionsgeschwindigkeit helfen Bildverarbeitungssysteme Herstellern, die Inspektionskonsistenz, Prozesskontrolle und den Durchsatz zu verbessern.

In einem typischen Bildverarbeitungs-Workflow nimmt eine Kamera Bilder von Produkten auf, die sich durch einen Fertigungsprozess bewegen. Die Software analysiert anschließend die Bilddaten, vergleicht die Ergebnisse mit definierten Kriterien und übermittelt Inspektionsergebnisse oder Messdaten an das Steuerungssystem. Je nach Anwendung können diese Informationen genutzt werden, um Produkte zu sortieren, Automatisierungsanlagen zu führen, Montageschritte zu verifizieren oder die Prozessqualität zu überwachen.

Obwohl der zugrunde liegende Workflow konzeptionell unkompliziert ist, erfordert der Aufbau zuverlässiger Bildverarbeitungssysteme für industrielle Umgebungen die sorgfältige Integration von Optik, Sensoren, Beleuchtung, Bildverarbeitung, Synchronisation und Automatisierungshardware. Die Systemleistung hängt stark davon ab, stabile Abbildungsbedingungen und einen wiederholbaren Betrieb über wechselnde Produktionsanforderungen hinweg aufrechtzuerhalten.

Machine Vision vs. Computer Vision

Die Begriffe Computer Vision und Machine Vision werden manchmal synonym verwendet, beziehen sich in industriellen und ingenieurtechnischen Kontexten jedoch häufig auf unterschiedliche Aspekte eines Bildverarbeitungssystems.

Computer Vision befasst sich in erster Linie mit den Algorithmen und der Software zur Interpretation digitaler Bilder. Aufgaben wie Gesichtserkennung, Bildklassifizierung, Objekterkennung und Szenenanalyse werden typischerweise als Computer-Vision-Anwendungen betrachtet.

Machine Vision konzentriert sich auf die Anwendung dieser Bildgebungs- und Analysetechniken innerhalb industrieller Automatisierungssysteme. Neben der Bildverarbeitungssoftware umfassen Machine-Vision-Systeme Kameras, Optik, Beleuchtung, Schnittstellen, Synchronisationshardware sowie die Integration in Fabrikanlagen oder Steuerungssysteme. Der erfolgreiche Einsatz in industriellen Umgebungen hängt nicht nur von den Analysealgorithmen ab, sondern auch davon, stabile und wiederholbare Abbildungsbedingungen aufrechtzuerhalten.

(Eine ausführliche Aufschlüsselung, wie die beiden Bereiche zusammenhängen und sich unterscheiden, finden Sie in unserem vollständigen Leitfaden zu [Machine Vision vs. Computer Vision]).

Die fünf Komponenten eines Machine-Vision-Systems

Ein Machine-Vision-System besteht aus mehreren voneinander abhängigen Komponenten, die zuverlässig zusammenwirken müssen. Die Systemleistung hängt nicht nur von der Kamera selbst ab, sondern auch von Beleuchtung, Optik, Verarbeitungshardware und Softwareintegration. Einschränkungen in einem einzigen Bereich können die Inspektionszuverlässigkeit, die Messgenauigkeit oder die Gesamtstabilität des Systems verringern.

Beleuchtung

In der Bildverarbeitung besteht das Ziel der Beleuchtung nicht in einem natürlichen Erscheinungsbild, sondern in der Erzeugung eines gleichmäßigen Kontrasts für eine zuverlässige Bildanalyse. Ingenieure setzen spezifische Beleuchtungsgeometrien (etwa Ringlichter, Domlichter, koaxiale Lichter oder strukturierte Beleuchtung), ausgewählte Wellenlängen (sichtbar, infrarot oder ultraviolett) und Polarisationstechniken ein, um die Sichtbarkeit relevanter Merkmale zu verbessern und unerwünschte Reflexionen oder Hintergrundschwankungen zu reduzieren.

Die Beleuchtungsbedingungen beeinflussen maßgeblich, welche Merkmale zuverlässig erkannt werden können. Beispielsweise können Kratzer, die unter Umgebungsbeleuchtung schwer zu erkennen sind, unter flacher Beleuchtung deutlich sichtbar werden, während eine Nahinfrarot-Durchlichtbeleuchtung die Sichtbarkeit von Füllständen oder inneren Strukturen in bestimmten Materialien verbessern kann. In vielen Bildverarbeitungsanwendungen ist die Beleuchtungsauslegung einer der wichtigsten Faktoren, die die Gesamtleistung des Systems beeinflussen.

Optik

Das Objektiv sammelt das von der Szene reflektierte Licht und bündelt es auf den Bildsensor. Es definiert wesentliche Abbildungsparameter wie Sichtfeld, Arbeitsabstand, Schärfentiefe und optische Auflösung. Wenn das optische System kleine Merkmale nicht zuverlässig auflösen kann, verbessert eine alleinige Erhöhung der Sensorauflösung die Gesamtinspektionsleistung möglicherweise nicht.

Hochauflösende Bildsensoren stellen entsprechend höhere Anforderungen an die Objektivleistung. Beispielsweise erfordert ein 24-Megapixel-Sensor mit einem Pixelabstand von 2,74 µm eine Optik, die feine Details in vergleichbarem Maßstab auflösen kann. Ist die optische Leistung des Objektivs unzureichend, kann die verfügbare Sensorauflösung nicht vollständig genutzt werden.

Der Bildsensor und die Kamera

Die Kamera wandelt einfallendes Licht in digitale Bilddaten um. Ihr Kern ist ein CMOS-Sensor mit Millionen einzelner Photodioden. Drei wesentliche Parameter beeinflussen häufig die Kameraauswahl:

Die Industriekameras von The Imaging Source sind in Auflösungen von 2,3 MP bis 42 MP mit USB3-Vision- und GigE-Vision-Schnittstellen erhältlich und nutzen Sony-Pregius- (Global Shutter), Sony-STARVIS- (Rolling Shutter) und onsemi-CMOS-Sensoren.

Verarbeitungshardware

Die vom Sensor erfassten Bilddaten werden zur Analyse an eine Verarbeitungsplattform übertragen. Die am besten geeignete Architektur hängt von den Anwendungsanforderungen ab:

• Industrie-PC: Hohe Verarbeitungsflexibilität und Leistung für komplexe Algorithmen, hochauflösende Bildgebung oder Mehrkamerasysteme

• Embedded-Vision-Board (NVIDIA Jetson, NXP i.MX): Verarbeitung mit geringer Latenz nahe am Sensor, häufig eingesetzt in der Robotik, bei ADAS und in platzbeschränkten Embedded-Systemen

• Smart Camera: Integriert Bildsensor, Verarbeitungshardware, Software und digitale I/O in einem einzigen Gehäuse und reduziert so die Gesamtkomplexität des Systems für kompakte Inspektionsanwendungen

Bildverarbeitungssoftware

Bildverarbeitungssoftware wendet Bildverarbeitungsalgorithmen an, um Aufgaben wie Inspektion, Messung, Klassifizierung, Identifikation oder Roboterführung auszuführen.

Regelbasierte Ansätze verwenden vordefinierte Bildverarbeitungsoperationen und Messkriterien, etwa Kantenmessung, Pixelintensitätsanalyse, Code-Lesung oder geometrischen Mustervergleich. Diese Methoden sind in der Regel schnell, wiederholbar und in kontrollierten industriellen Umgebungen vergleichsweise einfach zu validieren. Viele industrielle Bildverarbeitungssysteme stützen sich nach wie vor primär auf regelbasierte Techniken.

KI und Deep Learning kommen häufig dann zum Einsatz, wenn visuelle Merkmale stark variabel sind oder sich mit festen Regeln allein nur schwer beschreiben lassen. Anwendungen wie Textilinspektion, Lebensmittelsortierung oder die Klassifizierung komplexer Oberflächenfehler können neuronale Netze erfordern, die mit gelabelten Bilddatensätzen trainiert wurden. In der Praxis wird KI-basierte Inspektion typischerweise dort eingesetzt, wo herkömmliche regelbasierte Methoden unzureichend oder nur schwer zuverlässig zu warten sind.

Wie es funktioniert: Die dreistufige Pipeline

Sobald es in eine Produktionslinie integriert ist, arbeitet ein Machine-Vision-System als Teil eines kontinuierlichen Inspektions-Workflows. Je nach Anwendung und Verarbeitungsanforderungen kann der vollständige Zyklus von der Bildaufnahme bis zur Systemreaktion innerhalb von einigen zehn Millisekunden ablaufen.

1. Erfassen: Ein Triggersignal, etwa von einem Lasersensor, einem Encoder-Impuls oder einem SPS-Ausgang, zeigt an, dass sich ein Bauteil in Position befindet. Das Beleuchtungssystem aktiviert sich und die Kamera nimmt ein gleichmäßig beleuchtetes, geometrisch stabiles Bild zur Analyse auf.

2. Analysieren: Die Bildverarbeitungssoftware lokalisiert die relevanten Merkmale innerhalb des Bildes und wendet die erforderlichen Inspektions- oder Messalgorithmen an. Typische Aufgaben können Maßprüfung, Barcode-Lesung, Fehlererkennung oder Objektklassifizierung umfassen.

3. Handeln: Das Inspektionsergebnis wird über digitale I/O oder industrielle Kommunikationsschnittstellen an das Produktionssystem übermittelt. Je nach Anwendung kann die SPS oder die Automatisierungssteuerung ein fehlerhaftes Bauteil ausschleusen, die Roboterpositionierung anpassen, das Förderband anhalten oder die nächste Stufe des Fertigungsprozesses anstoßen.

Die vier Anwendungstypen: GIGI

Viele industrielle Bildverarbeitungsanwendungen lassen sich in vier Hauptkategorien einteilen, die häufig mit dem Akronym GIGI zusammengefasst werden. Komplexe Inspektionssysteme können mehrere Kategorien innerhalb eines einzigen Workflows kombinieren.

Wo Machine Vision eingesetzt wird

Bildverarbeitungstechnologien werden in einer Vielzahl von Branchen eingesetzt, wobei die Systemanforderungen je nach Anwendungsumgebung und Inspektionsaufgabe erheblich variieren: