Maßgeschneiderte Inspektion
Bild: Zebra Technologies Europe LtdDie Firma TAS, spezialisiert auf Oberflächentechnik für Automobilkomponenten, setzt bei der Qualitätskontrolle von Batteriefachabdeckungen für Elektrofahrzeuge auf eine Deep-Learning-gestützte Bildverarbeitungslösung. Diese Abdeckungen sind sicherheitsrelevante Bauteile, da sie Hochvoltbatterien vor Umwelteinflüssen wie Feuchtigkeit schützen und so potenzielle Brandrisiken durch Korrosion verhindern. Zur Erkennung von Oberflächenfehlern wie Kratzern, Unregelmäßigkeiten der Beschichtung oder fehlerhafter Lasermarkierung verwendet TAS ein maßgeschneidertes Kamerasystem von ID Engineering in Kombination mit der Bildverarbeitungssoftware Aurora Vision Studio und dem Deep Learning Add-On von Zebra Technologies. Die Lösung ermöglicht eine präzise, automatisierte Inspektion jeder einzelnen Abdeckung. Das System arbeitet auf Basis annotierter Bilddatensätze, mit denen es trainiert wird, definierte Fehlerarten zu erkennen und zu klassifizieren. Eine Nachschulung auf neue Fehlermerkmale oder eine Feinjustierung bestehender Klassifikationen ist jederzeit möglich. Dadurch bleibt die Bildverarbeitung auch bei sich ändernden Produktionsbedingungen anpassungsfähig und leistungsfähig - ein Vorteil gegenüber klassischen, regelbasierten Bildverarbeitungssystemen.
Die Deep-Learning-Technik wird in einer Flowchart-basierten No-Code-Umgebung implementiert, was eine schnelle Anpassung und einfache Bedienung erlaubt. Das reduziert Entwicklungszeiten und erhöht die Effizienz bei der gleichzeitigen Analyse großer Bilddatenmengen. Insgesamt ermöglicht die Lösung eine stabile und skalierbare Qualitätskontrolle, die den hohen Standards der Automobilindustrie entspricht und die Produktsicherheit bei Elektrofahrzeugen nachhaltig verbessert.
Bild: Zebra Technologies Europe LtdDie Firma TAS, spezialisiert auf Oberflächentechnik für Automobilkomponenten, setzt bei der Qualitätskontrolle von Batteriefachabdeckungen für Elektrofahrzeuge auf eine Deep-Learning-gestützte Bildverarbeitungslösung. Diese Abdeckungen sind sicherheitsrelevante Bauteile, da sie Hochvoltbatterien vor Umwelteinflüssen wie Feuchtigkeit schützen und so potenzielle Brandrisiken durch Korrosion verhindern. Zur Erkennung von Oberflächenfehlern wie Kratzern, Unregelmäßigkeiten der Beschichtung oder fehlerhafter Lasermarkierung verwendet TAS ein maßgeschneidertes Kamerasystem von ID Engineering in Kombination mit der Bildverarbeitungssoftware Aurora Vision Studio und dem Deep Learning Add-On von Zebra Technologies. Die Lösung ermöglicht eine präzise, automatisierte Inspektion jeder einzelnen Abdeckung. Das System arbeitet auf Basis annotierter Bilddatensätze, mit denen es trainiert wird, definierte Fehlerarten zu erkennen und zu klassifizieren. Eine Nachschulung auf neue Fehlermerkmale oder eine Feinjustierung bestehender Klassifikationen ist jederzeit möglich. Dadurch bleibt die Bildverarbeitung auch bei sich ändernden Produktionsbedingungen anpassungsfähig und leistungsfähig - ein Vorteil gegenüber klassischen, regelbasierten Bildverarbeitungssystemen.
Die Deep-Learning-Technik wird in einer Flowchart-basierten No-Code-Umgebung implementiert, was eine schnelle Anpassung und einfache Bedienung erlaubt. Das reduziert Entwicklungszeiten und erhöht die Effizienz bei der gleichzeitigen Analyse großer Bilddatenmengen. Insgesamt ermöglicht die Lösung eine stabile und skalierbare Qualitätskontrolle, die den hohen Standards der Automobilindustrie entspricht und die Produktsicherheit bei Elektrofahrzeugen nachhaltig verbessert.
Zebra Technologies Europe Ltd
Dieser Artikel erschien in ROBOTIK UND PRODUKTION Newsletter 21 2025 - 05.06.25.Für weitere Artikel besuchen Sie www.robotik-produktion.de
