Um Bauteile, beispielsweise die eines Motors, wiederzuverwenden, muss ihr Zustand aufwendig analysiert werden. Nur eine genaue Inspektion der Oberfläche und Beschaffenheit gibt Aufschluss, ob die Komponente erneut einsatzfähig ist. In Zeiten knapper Rohstoffe wird die effiziente Durchführung solcher Analysen immer wichtiger. Gängig bisher ist der Abgleich von Einzelbildern beziehungsweise Bildern von Zeilenkameras mit einem bekannten, intakten Abbild des zu analysierenden Gegenstands, häufig ein 3D-(CAD-)Modell. Dieses Vorgehen stellt hohe Anforderungen an die Kalibrierung und setzt die Bekanntheit der Lage des Bauteils im Raum voraus. Weicht der Gegenstand minimal vom Modell ab, weil es sich zum Beispiel um eine andere Version oder um ein Bauteil mit Gebrauchsspuren handelt, gibt es kein verwertbares Ergebnis.

Forschende des Instituts für Industrielle Informationstechnik (IIIT) am KIT haben nun ein Verfahren entwickelt, das Objekte auf Basis von Videodaten und maschinellem Lernen analysiert. Auf Grundlage von vorhergehenden Inspektionen wird automatisch eine geeignete Trajektorie für die bewegbare Kamera ermittelt, so dass die relevanten Objektbereiche gut sichtbar sind. Mit Trajektorie wird in der Physik der Verlauf einer Raumkurve bezeichnet, entlang der sich ein Körper oder ein Punkt bewegt. Die industrielle 3D-Kamera umfährt auf einer solchen Raumkurve das ausgeleuchtete Objekt und erfasst es als Videostrom. Bei größeren Objekten ist auch der Einsatz einer Drohne denkbar. Aus den Videodaten wird eine 2D-Darstellung der Oberfläche erstellt. Ein trainiertes neuronales Netz kennt verschiedene Bauformen und Zustände, so dass es große Varianzen von Modellen und Zuständen eines Bauteils in Echtzeit analysieren kann. Zur Beschleunigung arbeitet das System mit zwei Auflösungen: In der niedrigen Auflösung werden die relevanten Oberflächenbereiche erkannt. Diese werden dann mit hochauflösenden Bildern auf Defekte untersucht.

Die automatische, intelligente optische Sichtprüfung ermöglicht, Komponenten mit einer großen Varianz von Modellausprägung und Zuständen effizient zu analysieren. Die Verwendung von Videodaten sorgt für Effizienz und geringere Fehleranfälligkeit, da die relevanten Oberflächen gemeinsam und nicht als Einzelbilder betrachtet werden. Das Verfahren arbeitet daher unabhängig von der Lage der Objekte zur Kamera.

Video