Bildverarbeitungsgeführte Roboter-Programmwahl: ein Erkennungsergebnis wählt das Programm.

Wie wählt ein Erkennungsergebnis das Roboterprogramm?

Bildverarbeitungsgeführte Roboter-Programmwahl ist ein Muster in drei Schritten: die Einheit erkennt, welche Variante vor ihr liegt, gibt einen Programmwahl-Code aus, und der Roboter wechselt zum passenden Pfad. Statt anzunehmen, dass jedes Teil auf der Linie gleich ist, liest die Zelle zuerst das Teil und passt Bewegung, Vorrichtung und Drehmomentprogramm an das an, was tatsächlich ankam.

In der Industrieautomatisierung ist dieses Muster überall dort verbreitet, wo eine Station mehr als ein Teil handhabt. Eine Robotersteuerung speichert mehrere Programme, eines pro Variante, und wartet auf ein Auswahlsignal, bevor sie läuft. Die offene Frage ist, was dieses Signal zuverlässig im Linientakt erzeugt. Eine fest kodierte Sequenz nimmt an, dass die Baureihenfolge sich nie ändert; ein Barcode oder RFID-Tag funktioniert nur, wenn das Teil einen trägt. Ein Erkennungsergebnis schließt die Lücke für unmarkierte Teile, indem es die Variante aus ihrem Erscheinungsbild identifiziert.

Adente Vision ist eine Edge-KI-Einheit für die visuelle Inspektion, entwickelt von ADENTE Advanced Engineering Technologies innerhalb der Aden Group, vertrieben über Automatisierungs-Systemintegratoren, und ein Erkennungsergebnis in ein Roboter-Programmwahl-Signal zu verwandeln, ist eine ihrer Kernaufgaben. Erkennung und Ausgabe geschehen geräteintern, es gibt also keinen separaten PC oder Cloud-Aufruf zwischen dem Sehen des Teils und dem Steuern des Roboters.

Warum mit dem Fall Scheinwerfer links versus rechts beginnen?

Bei einem führenden Automobil-OEM unterscheidet die Einheit einen linken von einem rechten Scheinwerfer und sagt dem Roboter, welches Programm er fahren soll. Die beiden Teile sind nahezu spiegelbildlich, auf einer schnellen Linie leicht zu verwechseln und stromabwärts teuer, wenn man sie falsch behandelt: eine unpassende Vorrichtung, eine Drehmomentsequenz für die andere Seite oder ein Gutteil, das verworfen wird, weil das falsche Programm lief.

Die Einheit erfasst den Scheinwerfer, während er ins Bild einläuft, klassifiziert, welche Seite es ist, und gibt ein Programmwahl-Signal an die Steuerung aus. Der Roboter lädt dann das passende Programm: den korrekten Griff, die korrekte Vorrichtung, die korrekte Drehmomentroutine für genau diese Seite. Erkennung und Aktion liegen im selben Schritt, die Entscheidung erreicht den Roboter also, bevor er sich bewegt.

Weil das Modell jede Variante aus guten Beispielen statt aus einer handgeschriebenen Regel lernt, werden nahezu spiegelbildliche Teile, die eine schwellenwertbasierte Prüfung überfordern, zu einer Klassifikation, die das Modell direkt bewältigt. Genau für dieses Band ist die Erkennung auf Erscheinungsebene gebaut, und darum ist eine Links-versus-rechts-Entscheidung eine natürliche erste Aufgabe für das Muster.

Wie hebt die Stoßfänger-Variantenerkennung die Konfidenz über den Schwellenwert?

Die Stoßfänger-Erkennung funktioniert gleich, mit einer Konfidenz über 0,9 pro Teil. Jeder Stoßfänger wird klassifiziert, wie er ankommt, und der Konfidenzwert ist die Zahl, auf die die Zelle reagiert: über dem Arbeitsschwellenwert fährt der Roboter mit dem passenden Programm fort, und darunter wird das Teil an einen sicheren Standard geleitet, statt zu raten.

Dieses konfidenzorientierte Design ist wichtig, weil die Kosten einer selbstsicher falschen Antwort hoch sind. Ein Grenzteil sollte anhalten und geprüft werden, nicht in eine Klasse gezwungen werden, um die Linie in Bewegung zu halten. Den Wert offenzulegen erlaubt Ihrem Integrator, den Arbeitspunkt auf die realen Kosten einer Verwechslung in der Zelle zu setzen, enger, wo ein falsches Programm ein Teil beschädigt, loser, wo die Rückgewinnung günstig ist.

Der sichere Standard ist der Teil des Designs, den die Leute vergessen. Ist die Erkennung mehrdeutig, braucht die Zelle ein definiertes Rückfallverhalten: das Teil halten, an eine manuelle Station leiten oder ein neutrales Programm fahren, das keinen Schaden anrichtet. Dieses Rückfallverhalten vorab zu entscheiden ist es, was eine seltene Lesung mit niedriger Konfidenz davon abhält, zum Crash zu werden.

Wie bildet sich jedes Erkennungsergebnis auf ein Roboterprogramm ab?

Eine Einheit deckt Variantenerkennung und das Rückfallverhalten ab, und jedes Ergebnis verlässt sie als Signal, das die Steuerung bereits versteht.

Sollten Sie die Auswahl über einen Feldbus tragen oder auf E/A bitkodieren?

Es gibt zwei Wege, die Auswahl zum Roboter zu bringen, und welcher passt, hängt davon ab, wie viele Varianten Sie fahren. Eine über einen Feldbus getragene Auswahl-Ganzzahl skaliert auf viele Programme, während das Bitkodieren über Digitalausgänge der einfachste Weg ist, wenn eine Station nur wenige handhabt.

Die Einheit hat 4 Ausgänge mit 24V, die einen kleinen Satz von Varianten direkt bitkodieren können: vier Ausgänge decken mehrere Programmcodes mit Platz für eine Fehlerleitung ab, genug für eine Station, die zwei oder drei Teile fährt. Für einen größeren Programmsatz ist eine Auswahl-Ganzzahl über den Feldbus, den Ihre Steuerung bereits spricht, sauberer als zusätzliche E/A. In der Industrieautomatisierung ist die übliche Paarung PROFINET auf Siemens-Steuerungen und EtherNet/IP auf Rockwell-Steuerungen, und die Einheit trägt die Auswahl über das, was die SPS bereits spricht, das Erkennungsergebnis und die Ausschleus-Aktion reiten also auf demselben Bus, auf dem die Linie gebaut wurde.

Welchen Träger Sie auch wählen, behalten Sie die Fehler- und Nicht-bereit-Leitungen im Plan. Eine Erkennungszelle ist nur sicher, wenn der Roboter den Unterschied zwischen einer gültigen Auswahl, einer mehrdeutigen Lesung und gar keinem Signal erkennen kann.

Was macht dies zu einer Trainingsaufgabe statt einer Neukonstruktionsaufgabe?

Später eine dritte oder vierte Variante hinzuzufügen ist eine Aufnahme- und Trainingsaufgabe, keine Neukonstruktionsaufgabe. Sie erfassen rund 20 Gutbilder der neuen Variante, das Modell lernt sie, und das Training ist in unter 48 Stunden abgeschlossen, ein neues Teil öffnet also nicht die mechanische Auslegung der Zelle erneut.

Weil das Modell nur mit Gutteilen trainiert, müssen Sie nicht zuerst einen Katalog jedes Fehlers sammeln, was den Datenbedarf klein hält. Die Einheit fährt fünf Modi, Anomalie- & Defekterkennung, Montage & fehlende Teile, Code-Lesung, Messung und Teile-Identifikation, und kombiniert klassische Bildverarbeitung für die Messung mit KI-Inferenz für das Urteil, sodass sie neben der Wahl des Roboterprogramms auch einen Oberflächenfehler oder einen fehlenden Clip am selben Teil melden kann. Wann KI-Erkennung statt einer regelbasierten Prüfung zu nutzen ist, zeigt der Schwesterbeitrag zu regelbasierter versus KI-Bildverarbeitung, und wie ein semantisches Protokoll reichere Ergebnisse trägt, die Notiz zu OPC UA für die Prüfung. Die vollständige Methode hinter Few-Shot-Erkennung und Anomalieerkennung steht im Leitfaden, und die Erkennungs- und Fehlerfähigkeiten hinter diesem Muster stehen auf der Adente-Vision- Anwendungsseite.