header06
header05
header04
header03
header02
header01
header
header13
header12
header09
header11
header10
header08
header07



 

Kompetenzen und technische Anwendungen

Im PCCL Bereich „Surface Testing, Robot Vision and Artificial Intelligence“ werden Maschine-Vision und Maschine-Learning Lösungen für die Qualitätsoptimierung und die Qualitätskontrolle von verschiedensten Materialoberflächen und 3D-Freifromkomponenten erforscht und entwickelt.

Neue Machine- Learning und Deep-Learning Methoden erlauben eine intelligente, automatisierte Detektion und Klassifikation von Mustern und Unregelmäßigkeiten auch auf großen und kompliziert geformten 3D-Oberflächen.

Eine vollständige Inspektion von 3D-Freiformoberflächen, eine hohe Detektionsgeschwindigkeiten und Ergebnisse nahe an der menschlichen Wahrnehmung sind die drei größten Vorteile der PCCL-Inspektionssysteme. Die vollflächige Inspektion eines 3D-Bauteils benötigt weniger als 10 Sekunden.

Machine Learning wird sowohl zur Detektion von Oberflächendefekten als auch zur Steuerung von Produktionsprozessen verwendet. Informationen über die Oberflächenqualität können in die Fertigungslinie rückgeführt werden, wo intelligente Routinen die Qualität und Effizienz des Produktionsprozesses überwachen und steuern.

Ein weiteres Forschungsfeld dieses PCCL Bereiches ist die Entwicklung von neuen Verfahren zur Detektion und Charakterisierung von haptischen Eigenschaften von Material- und Produktoberflächen.

Wir können die haptischen Eigenschaften von Oberflächen quantifizieren und forschen daran, dieses Know-how mithilfe von Künstlicher Intelligenz ganz gezielt auf Kunststoffoberflächen mit gewünschten haptischen Eigenschaften, z.B. für Autointerieur, einzusetzen.

Die Quantifizierung von topografischen, tribologischen, vibrations- und mechanischen Eigenschaften einer Oberfläche führen am PCCL zu einem vollständigen Bild des taktilen Verhaltens, z.B. von Kunststoffkomponenten und Beschichtungen. Darüber hinaus werden neue Methoden zur Detektion und Analyse von Material- und Oberflächenstrukturen der Mikro- und Nanogrößenordnung für die Industrie entwickelt.

Der Forschungsansatz des Bereichs beinhaltet die Anwendung bekannter, standardisierter Messmethoden wie auch die Entwicklung neuer KI-basierter Auswertemethoden für die erfassten Oberflächendaten. Mit den daraus gewonnenen Erkenntnissen können sowohl Verarbeitungsprozesse gezielt optimiert werden, aber auch Richtlinien für Material- bzw. Bauteilentwicklung abgeleitet werden. 

Ein wichtiger Aspekt der Projektarbeit ist der Transfer von wissenschaftlichen Erkenntnissen in die industrielle Produktion.

Mehr als 40 Großprojekte, 12 Patente und über 80 Publikationen zeugen von einer erfolgreichen Verwertung der Projektergebnisse. Dafür konnten in den letzten Jahren einige renommierte Forschungspreise, wie beispielsweise der „Houska Preis“ und „SFG Fast Forward Award“ gewonnen werden.

Wissenschaftlicher Ansatz

Auf dem Gebiet der intelligenten Oberflächenprüfung gelten die Anforderungen der schnellen Anlernbarkeit der künstlichen Intelligenz und der hohen Zuverlässigkeit der Prüfung.

Um diese Anforderungen des schnellen Anlernens einer KI und gleichzeitig hohe Präzession der Ergebnisse zu erfüllen, wird an neuen State-of-the-Art Methoden in Bereich Machine Vision, Deep-Learning für Bildverarbeitung und Deep-Reinforcement-Learning (z.B. Selbst-lernendes Roboterhandling) geforscht und an deren Umsetzung in der Industrie gearbeitet.

Durch die enge Kooperation mit Industriepartnern liegt der Fokus stets auf den jeweils aktuellen, industrierelevanten Fragestellungen und Anforderungen.

15 Jahre Erfahrung des Forschungs- und Entwicklungs-Teams zeichnen sich sowohl durch wissenschaftliche Beiträge in Form von einer Vielzahl an Publikation aus, als auch durch viele erfolgreich abgeschlossene Industrieprojekte, bei denen grundlegend neue Methoden der Qualitätsprüfung zum Einsatz kommen.

Für die Oberflächenqualitätsprüfung werden neben traditionellen Bildverarbeitungsmethoden (z.B. für Vermessungsaufgaben) vor allem am PCCL entwickelte innovative Deep Learning basierte Methoden eingesetzt. Die Convolutional Neural Networks (CNN) des PCCL zeichnen sich durch die Fähigkeit aus, komplexe Bildinhalte über die einzelnen Schichten zu abstrahieren und selbst schwierige Aufgaben mit höchster Zuverlässigkeit und Präzision zu bewältigen. Für die Inspektion komplexer Oberflächen ist das ein großer Vorteil, da Variationen und erlaubte Abweichung an der Oberfläche sicher von Defekten unterschieden werden können.

Die Forschung fokussiert dabei auf eine schnelle und pixelgenaue Erkennung von Mikrometer kleinen Oberflächenanomalien sowie in einer automatischen Unterscheidung von zulässigen (I.O.) und nicht zulässigen (N.I.O.) Anomalien. Diese basieren auf produktspezifischen Grenzwerten (Lastenhefte) wie etwa die maximale erlaubte Größe und Häufigkeit von bestimmen Defekttypen.

Das Resultat ist eine objektive und reproduzierbare Messung der Oberflächenqualität.

Ein enger Austausch mit Industrie und Gewerbe ist uns wichtig. Wir laden sie herzlich dazu ein mit uns Kontakt aufzunehmen.

Email: Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!

Bereichsleiter - Kontakt Priv.-Doz. DI Dr. Dieter P. Gruber

Priv.-Doz. DI Dr. Dieter P. Gruber
Dieter.Gruber@pccl.at

Gruppenleiter - Kontakt Dr. Thomas Gallien

 

Dr. Thomas Gallien
thomas.gallien@pccl.at