Dieser Aufbau ermöglicht die parallele Verarbeitung der Daten sämtlicher Bildpunkte. Die einzelnen Zellen des Sensorsystems sind zudem mit den jeweils unmittelbar benachbarten Zellen verbunden. Hierdurch entsteht ein Netzwerk einzeln verarbeitender Elemente (Bild 1). Die interzellularen Verbindungen führen dazu, dass die Zellen nicht nur die Daten eines einzelnen Pixels verarbeiten, sondern gleichzeitig miteinander interagieren können. Dieser Aufbau ist an das Vorbild natürlicher neuronaler Netzwerke angelehnt, wobei die einzelnen Zellen des CNN biologischen Nervenzellen nachempfunden sind. Unter Vorgabe geeigneter Algorithmen ermöglicht die CNN-Architektur die besonders schnelle Verarbeitung von Bilddaten. Der zellulare Aufbau des Systems führt jedoch dazu, dass die verarbeiteten Daten abermals in Bildform ausgegeben werden. In entsprechenden Kamerasystemen wird der CNN-basierte Prozessor in Fokalebene durch ein nachgeschaltetes FPGA ergänzt. Dieses steuert den Fokalprozessor und interpretiert die ausgegebenen Daten. Da die Daten bereits in vorverarbeiteter Form vorliegen, ist durch den FPGA-Prozessor eine wesentlich geringere Rechenleistung aufzubringen, als dies bei einer direkten Auswertung der Bilddaten der Fall wäre. Insgesamt befähigt dieser Aufbau das System zu einer internen Datenverarbeitung bei sehr hohen Verarbeitungsgeschwindigkeiten, wobei Bildraten von mehr als 10.000 frames per second erreicht werden können. Das Ergebnis der Auswertung kann durch das Kamerasystem direkt als Regelungs- oder Steuersignal ausgegeben werden. Somit ist es nicht notwendig, die aufgenommenen Bilddaten zur weiteren Auswertung zunächst an einen Messrechner zu übertragen. Hierdurch wird ein typischer Engpass von Bildverarbeitungssystemen umgangen und die Notwendigkeit vermieden, aufwendige Zusatzhardware für die Übertragung, Speicherung und Echtzeitverarbeitung großer Datenmengen einzusetzen. Dies stellt jedoch einen Nachteil dar, sofern eine Speicherung der Bilddaten, z.B. zu Dokumentationszwecken, ausdrücklich gefordert wird. Zwar ist es möglich, diese Anforderung mit einem CNN-basierten Kamerasystem zu erfüllen, die Vorteile der hohen Bildverarbeitungsraten aufgrund der pixelparallelen Verarbeitung können in diesem Fall jedoch nicht vollumfänglich genutzt werden.
Echtzeit-Überwachung/-Regelung beim Schweißen
Aufgrund der dargestellten Vorteile besitzen CNN-Kamerasysteme eine hohe Eignung zur Verwendung in den Bereichen der Echtzeit-Überwachung und der Echtzeit-Regelung. Eine Beispielanwendung in diesem Bereich wurde durch Abt et al. realisiert [1]. Diese besteht in der Echtzeit-Regelung eines Laserstrahltiefschweißverfahrens für überlappende Bleche. Der Prozess wird in diesem Fall koaxial durch die Laserschweißoptik mit Hilfe eines CNN-basierten Kamerasystems überwacht. Durch Überwachung und Analyse der für den Tiefschweißprozess typischen Dampfkapillare und des umgebenden Schmelzbads ermöglicht das Kamerasystem, den aktuellen Prozesszustand zu ermitteln. Für die betreffende Anwendung sind im Wesentlichen drei mögliche Zustände relevant. Die Position A in Bild 2 zeigt einen Prozesszustand, bei welchem nur in das Deckblech des Überlappstoßes eingeschweißt wird. Das Deckblech wird nicht vollständig durchdrungen und es kommt keine Anbindung zustande. Der mittig dargestellte Zustand B zeigt das Prozessverhalten bei Erhöhung der Einschweißtiefe. Hierbei wird das Deckblech vollständig durchschweißt und an das darunterliegende Blech stoffschlüssig angebunden, ohne die Rückseite des Unterblechs zu schädigen. Das Prozessfenster, in welchem dieser Zustand erreicht werden kann, ist jedoch vergleichsweise klein. Der dritte dargestellte Prozesszustand zeigt eine vollständige Durchschweißung beider Bleche. Der Prozesszustand C zeichnet sich durch eine hohe Reproduzierbarkeit aus. Das Durchschweißen wird daher bereits seit Jahren erfolgreich industriell eingesetzt, um überlappende Bleche zu fügen. Hierbei wird die Rückseite des unteren Blechs jedoch sichtbar durch die entstehende Nahtwurzel sowie durch potenzielle Auswürfe und Spritzer beeinträchtigt. Daher ist das partielle Einschweißen nach Variante B für viele Anwendungen einer vollständigen Durchschweißung vorzuziehen. Hierzu muss jedoch sichergestellt werden, dass dieser Zustand reproduzierbar erreicht werden kann. Dies ist in der industriellen Anwendung aufgrund von Einflüssen wie Prozessrauch, verunreinigter Schutzgläser oder einer unstetigen Bahnführung nur durch eine Echtzeitregelung der Einschweißtiefe zu gewährleisten. Unter den verfügbaren Prozessparametern eignet sich insbesondere die Laserleistung als Stellgröße, um den Übergang zwischen den Prozesszuständen A, B und C zu regeln. Die Laserleistung zeichnet sich gegenüber Parametern wie der Bahngeschwindigkeit oder des Arbeitsabstands dadurch aus, dass sie mit besonders kurzer Reaktionszeit an den Prozesszustand angepasst und dadurch für eine hochdynamische Regelung der Einschweißtiefe verwendet werden kann. Als Kriterien für die Detektion des partiellen Einschweißens werden die Form und der Kontrast der Dampfkapillare verwendet. Die Prozessüberwachung erfolgt hierbei im Nahinfrarot-Bereich. Pro Einzelbild wird eine Verarbeitungszeit von ca. 42 µs benötigt. Theoretisch ist somit eine Bildverarbeitungsrate von mehr als 23 kHz erreichbar. In der Praxis wurde mit einem weiterentwickelten, richtungsunabhängigen Algorithmus eine maximale Bildrate von 6 kHz erzielt. Diese wird bei Zwischenspeicherung jedes zwanzigsten Einzelbilds weiter auf 5,5 kHz reduziert. Das Ergebnis der Auswertung wird durch das Kamerasystem ausgegeben und zur Vorgabe der Laserleistung in ein Analogsignal konvertiert. Die Laserleistung der verwendeten Strahlquelle kann hierbei mit einer Frequenz von bis zu 10 kHz moduliert werden.
Fazit
Das hier angeführte Anwendungsbeispiel im Bereich des Laserstrahlschweißens illustriert das hohe Potenzial CNN-basierter Sensorsysteme in der kamerabasierten Prozessüberwachung und belegt die Leistungsfähigkeit anhand konkreter Zahlenbeispiele. Das Beispiel zeigt auch, welches Potenzial die integrierte Signalverarbeitung bietet, um echtzeitfähige Regelungsysteme für die digitale Produktion zu entwickeln. Ein weiteres aussichtsreiches Anwendungsgebiet für diese Technologie ist die Robotik. In entsprechenden Forschungsarbeiten konnte bereits gezeigt werden, dass CNN-Systeme geeignet sind, autonom agierende Roboter durch Objektverfolgung und Objekterkennung in Echtzeit zu steuern. Die Erschließung neuer Einsatzgebiete wird jedoch durch die geringe maximale Bildauflösung aktuell verfügbarer Kamerasysteme auf CNN-Basis gehemmt. Ein typisches Modell der aktuellen Generation erreicht eine maximale Auflösung von 176 x 144 Bildpunkten. Dies ist durch den vergleichsweise komplexen Aufbau des CNN-Fokalprozessors im Vergleich zu konventionellen Bildsensoren bedingt. n
Literatur
[1] Abt, F.; Heider, A.; Weber, R. et al.: Camera Based Closed Loop Control for Partial Penetration Welding of Overlap Joints; Physics Procedia, No. 12, pp. 730-738, 2011.
