Warum Bildverarbeitungsprojekte scheitern (und die 7 Dinge, die sie zum Erfolg führen)

Bildverarbeitung gibt es seit über 50 Jahren. Weltweit sind Millionen von Systemen im Einsatz. Die Technologie ist ausgereift, die Komponenten sind zuverlässig, und die Software ist leistungsfähiger als je zuvor.

Warum scheitern manche Projekte dennoch?

Nach 18 Jahren, in denen wir Bildverarbeitungssysteme liefern und Ingenieure bei der Spezifikation, dem Aufbau und der Fehlerbehebung unterstützen, sehen wir dieselben Muster immer und immer wieder. Die gute Nachricht ist, dass sich die meisten Fehlschläge vollständig vermeiden lassen. Sie lassen sich auf sieben Dinge zurückführen. Wir nennen sie die 7 Teile des Bildverarbeitungs-Puzzles. Fehlt eines, zerfällt das gesamte Bild.

1. Wissen: das Teil, das alles andere beeinflusst

Dies ist die häufigste Grundursache dafür, dass Bildverarbeitungsprojekte scheitern, und sie zieht sich durch alle anderen sechs Punkte. Das ist keine Kritik. Jeder hat einmal ein erstes Projekt. Aber wenn ein Ingenieur zum ersten Mal ein Bildverarbeitungssystem spezifiziert, ist die Zahl der Entscheidungen, die richtig getroffen werden müssen, erheblich: Kameratyp, Sensorgröße, Objektivauswahl, Beleuchtungsgeometrie, Schnittstellenbandbreite, Softwareplattform, Montage, Triggerung, Umgebungsschutz. Wird auch nur eine dieser Entscheidungen falsch getroffen, kann das System schlechter als erwartet arbeiten oder ganz ausfallen.

Die Herausforderung besteht darin, dass Bildverarbeitung an der Schnittstelle von Optik, Elektronik, Software und Maschinenbau liegt. Nur sehr wenige Ingenieure verfügen über tiefgehende Fachkenntnisse in allen vier Bereichen. Ein Ingenieur, der hervorragend in der SPS-Programmierung ist, hat vielleicht noch nie ein Objektiv ausgewählt. Ein Qualitätsmanager, der seine Prüfanforderungen perfekt versteht, weiß vielleicht überhaupt nicht, welche Schnittstellenbandbreite benötigt wird.

Hier macht die Zusammenarbeit mit einem sachkundigen Lieferanten einen spürbaren Unterschied. Nicht weil Sie es nicht selbst tun könnten, sondern weil die Lernkurve steil ist und die Kosten eines Fehlers an einem Produktionssystem real sind. Das KnowHow-Schulungsprogramm von Clearview existiert genau aus diesem Grund, und unser Engineering-Team kann Sie im Spezifikationsprozess über ClearviewFormula unterstützen, damit Sie diese Entscheidungen nicht allein treffen müssen.

2. Beginnen Sie mit dem Bild, nicht mit der Software

Dies ist das wichtigste technische Prinzip in der Bildverarbeitung, und das am häufigsten ignorierte. Wenn Sie mit einem guten Bild beginnen, wird die Softwarearbeit erheblich einfacher.

Was bedeutet ein gutes Bild? Es bedeutet die richtige Kamera mit dem richtigen Sensor für Ihre Anforderungen an Auflösung und Geschwindigkeit. Es bedeutet das richtige Objektiv für Ihr Sichtfeld und Ihren Arbeitsabstand. Und vor allem bedeutet es die richtige Beleuchtung. Beleuchtung ist die am meisten unterschätzte Komponente in der Bildverarbeitung. Ingenieure investieren routinemäßig zu viel in Kameras und zu wenig in Beleuchtung. Das Ergebnis ist ein Bild, das keine Software mehr reparieren kann.

Mit guter Optik und guter Beleuchtung können Sie oft einfache, zuverlässige Algorithmen verwenden: Mustererkennung, Kantenerkennung, Blob-Analyse, einfache Schwellenwertbildung. Das sind gut verstandene Werkzeuge, die schnell laufen und konsistente Ergebnisse liefern. Ist das Bild schlecht, sind Ingenieure gezwungen, zunehmend komplexe und anfällige Ansätze zu verfolgen, um das auszugleichen, was bereits auf der optischen Stufe hätte gelöst werden sollen.

Das Prinzip ist einfach: Sorgen Sie zuerst für das richtige Bild, dann wird der Rest des Systems einfacher. Machen Sie es falsch, kämpfen Sie für die gesamte Lebensdauer des Systems gegen die Software.

3. KI ist nicht immer die Antwort

Aktuell herrscht große Begeisterung für KI und Deep Learning in der Bildverarbeitung, und das aus gutem Grund. Für bestimmte Anwendungen, insbesondere die Fehlerklassifizierung auf variablen oder komplexen Oberflächen, liefert Deep Learning Ergebnisse, die klassische Algorithmen nicht erreichen können.

Aber KI ist keine universelle Lösung. Deep-Learning-Modelle benötigen Trainingsdaten, Rechenleistung und laufende Wartung, wenn sich die Produktionsbedingungen ändern. Für viele Prüfaufgaben übertrifft ein gut konzipiertes klassisches Bildverarbeitungssystem mit guter Beleuchtung und Standardalgorithmen einen KI-Ansatz in Geschwindigkeit, Zuverlässigkeit und Kosten.

Die richtige Frage lautet nicht „sollten wir KI einsetzen?“, sondern „wie sieht das Bild aus, wenn Beleuchtung und Optik stimmen?“ Ist der Fehler klar sichtbar und konsistent, werden klassische Algorithmen die Aufgabe mit ziemlicher Sicherheit erledigen. Ist der Fehler variabel, subjektiv oder mit Regeln schwer zu definieren, dann ist das der Punkt, an dem Deep Learning seinen Platz verdient.

4. Komplexität tötet: Halten Sie die Bedienoberfläche einfach

Ein Bildverarbeitungssystem, das im Labor perfekt funktioniert, wird an der Produktionslinie versagen, wenn die Personen, die es bedienen, es nicht verstehen können. Dabei geht es nicht um Intelligenz. Es geht darum, für die Umgebung zu gestalten. Produktionsmitarbeiter sind beschäftigt, sie steuern mehrere Aufgaben gleichzeitig und brauchen ein System, das ihnen ein klares Bestanden/Nicht-bestanden-Ergebnis mit eindeutigem visuellem Feedback liefert, wenn etwas schiefgeht.

Die besten Bedienoberflächen zeigen das Referenzbild neben dem Testbild, heben das fehlerhafte Merkmal mit einer klaren visuellen Kennzeichnung hervor und stellen das Ergebnis so dar, dass keine Interpretation nötig ist. Wenn ein Bediener ein Handbuch lesen muss, um zu verstehen, was ihm das System mitteilt, hat die Bedienoberfläche versagt.

Das betrifft auch Umrüstung und Einrichtung. Wenn der Wechsel zwischen Produktvarianten einen Spezialisten erfordert, der das System neu programmiert, haben Sie sich einen Engpass eingebaut, der Sie jede Woche Produktionszeit kostet. Softwareplattformen wie Zebras Design Assistant ermöglichen es Mitarbeitern ohne Softwarekenntnisse, Anwendungen mithilfe flussdiagrammbasierter Programmierung zu konfigurieren und zu warten. Das bedeutet, dass die Personen, die der Produktionslinie am nächsten sind, das System unterstützen können, ohne bei jeder Änderung auf externe Hilfe warten zu müssen.

5. Flexibilität: Machen Sie sich nicht abhängig

Manche Bildverarbeitungsplattformen binden Sie an das Ökosystem eines einzigen Lieferanten. Die Kamera funktioniert nur mit dessen Software. Die Software läuft nur auf dessen Hardware. Wenn Sie etwas ändern müssen, brauchen Sie wieder diesen Lieferanten. Ist dessen Support gut, kann das funktionieren. Ist er es nicht, sitzen Sie fest.

Die Alternative besteht darin, auf offenen Standards aufzubauen. GeniCam-konforme Kameras funktionieren mit jeder GeniCam-kompatiblen Software. Standardschnittstellen wie GigE Vision und CoaXPress werden von mehreren Herstellern unterstützt. Das gibt Ihnen die Freiheit, Komponenten auszutauschen, Kameras verschiedener Lieferanten hinzuzufügen und Ihr System unabhängig zu warten.

Das erleben wir regelmäßig. Ein Kunde hat ein gut funktionierendes System mit GeniCam-Kameras, möchte aber die Stückkosten senken, indem er auf MIPI-Sensoren umsteigt. Der Preisunterschied sieht auf dem Papier attraktiv aus. In der Praxis benötigen MIPI-Kameras andere Treiber, andere Integrationsansätze und andere Fachkenntnisse. Wir haben erlebt, dass Unternehmen viele Monate in Forschung und Entwicklung investiert haben, um Low-Cost-Kameras zum Laufen zu bringen, nur um festzustellen, dass die gesamten Entwicklungskosten das, was sie bei der Hardware gespart hätten, bei weitem übersteigen. Die gesamte Zeit für Forschung und Entwicklung ist verlorene Kosten. Die Einsparungen bei den Kameras haben sich nie realisiert, weil der Entwicklungsaufwand sie um ein Vielfaches aufgezehrt hat.

Bevor Sie sich für eine Plattform entscheiden, fragen Sie sich: Wenn ich in 18 Monaten etwas ändern muss, kann ich das selbst tun? Wenn die Antwort Nein lautet, überlegen Sie genau, ob sich die kurzfristige Ersparnis gegenüber der langfristigen Abhängigkeit lohnt.

6. Einrichtung und Umgebung: Die Produktionslinie ist nicht das Labor

Ein Bildverarbeitungssystem, das auf der Werkbank fehlerfrei funktioniert, kann schon Stunden nach der Installation an einer Produktionslinie versagen. Die Gründe sind fast immer umgebungsbedingt: Temperaturschwankungen, die das Sensorrauschen und den Objektivfokus beeinflussen, Vibrationen, die die Kameraausrichtung verschieben, Umgebungslicht, das strukturierte Beleuchtung stört, sowie Staub und Feuchtigkeit, die optische Oberflächen mit der Zeit beeinträchtigen.

Dasselbe gilt für die Verarbeitungshardware. Wir sehen regelmäßig Kunden, die Consumer-PCs einsetzen, die nie für Industrieumgebungen konzipiert wurden. Sie überhitzen, verfügen über keine Echtzeit-I/O-Fähigkeit und sind nicht für den Dauerbetrieb ausgelegt. Ein Industrie-PC mit Echtzeit-I/O, passiver Kühlung und geeignetem Schutz gegen Eindringen ist kein Luxus. Er ist eine Grundvoraussetzung für jedes System, das zuverlässig in einer Produktionshalle laufen muss.

Triggerung und I/O-Architektur spielen eine größere Rolle, als man erwarten würde. Der Unterschied zwischen Polling-I/O und Echtzeit-I/O kann den Unterschied ausmachen zwischen einem System, das jedes Teil erfasst, und einem, das gelegentlich Teile verpasst. Wenn Ihre Linie schnell läuft und Ihre Toleranzen eng sind, ist das kein Bereich, bei dem Sie Kompromisse eingehen sollten.

7. Kosten: Das billigste System ist am Ende selten das günstigste

Der Instinkt, die Anfangskosten zu minimieren, ist verständlich. Aber in der Bildverarbeitung führt das Sparen an Komponenten fast immer zu höheren Kosten auf lange Sicht. Ein billiges Objektiv, das Verzerrungen verursacht, bedeutet eine aufwendigere Kalibrierung. Eine Billigkamera mit schlechter Rauschleistung bedeutet eine aggressivere Bildverarbeitung. Unzureichende Beleuchtung bedeutet, dass die Software mehr leisten muss, was mehr Entwicklungszeit bedeutet, was wiederum mehr Kosten bedeutet.

Dann ist da noch die Frage der Open-Source-Software. Kostenlose Tools wie OpenCV sind leistungsstark, und für manche Anwendungen sind sie die richtige Wahl. Aber wenn um 2 Uhr nachts an der Produktionslinie etwas schiefgeht, wer unterstützt Sie dann? Wenn Sie eine neue Funktion brauchen, wer entwickelt sie? Die Gesamtbetriebskosten „kostenloser“ Software übersteigen oft die Kosten einer unterstützten kommerziellen Plattform, sobald man die Entwicklungszeit für Wartung, Fehlerbehebung und Erweiterung einrechnet.

Das Argument ist einfach: Investieren Sie in die Bildqualität (Kamera, Objektiv, Beleuchtung) und Sie sparen bei der Software. Eine detaillierte Aufschlüsselung dessen, was Bildverarbeitungssysteme tatsächlich kosten, finden Sie auf unserer Preisseite.

Das Puzzle ist lösbar

Keines dieser sieben Teile ist ein unlösbares Problem. Es sind vorhersehbare, gut verstandene Herausforderungen, mit denen sich die Branche seit Jahrzehnten befasst. Der Unterschied zwischen erfolgreichen und mühsamen Projekten liegt fast immer in der Vorbereitung: sich die Zeit zu nehmen, richtig zu spezifizieren, gründlich zu testen und Komponenten und Plattformen zu wählen, die der Anwendung über Jahre hinweg dienen, nicht nur die erste Demo bestehen.

Wenn Sie ein neues Bildverarbeitungsprojekt starten oder eines mit Problemen beheben, das nicht wie erwartet funktioniert, kann Ihnen das Engineering-Team von Clearview helfen. Unsere Insights-Testlabore sind genau dafür eingerichtet: Ihre Muster unter kontrollierten Bedingungen zu bewerten, verschiedene Kombinationen aus Kamera, Objektiv und Beleuchtung zu testen und zu validieren, dass das System in Ihrer Produktionsumgebung funktioniert, bevor Sie sich zum Kauf entschließen.

Kontaktieren Sie uns: info@clearview-imaging.com | +44 (0)1844 217270