Die passende Beleuchtung ist die Grundlage für erfolgreiche Machine-Vision-Applikationen. Dies gilt für KI-gestützte Systeme genauso, vor allem wenn nur begrenzte Trainingsdaten zur Verfügung stehen. Eine strukturierte Beleuchtungsstrategie hilft, Fehlerquoten zu senken, Kosten zu reduzieren und die allgemeine Systemgenauigkeit zu verbessern. Deshalb unterstützt ein Hersteller Anwender jetzt mit einem Vier-Schritte-Plan.

Bei KI-Anwendungen hält sich der Irrglaube, dass die Beleuchtung eine untergeordnete Rolle spielt, da das neuronale Netz schlechte Lichtverhältnisse während des Trainings ausgleichen könne. Bis dato gibt es zwei verbreitete Ansätze, um KI-Applikationen zu optimieren: Der modellzentrierte Ansatz, bei dem die Optimierung der Modellarchitektur und Hyperparameter im Vordergrund steht, sowie der datenzentrierte Ansatz, der auf einen hochwertigen und ausbalancierten Trainingsdatensatz setzt. Die Lösung von Maschine-Vision-Anwendungen im Bereich KI konfrontiert Unternehmen dennoch oft mit langen Projektzeiten und hohen Kosten, die auf die Verfügbarkeit begrenzter Trainingsdaten zurückzuführen sind.

Weniger Daten, höhere Präzision

Diesen Herausforderungen kann mit einer Beleuchtungsstrategie begegnet werden, die die Komplexität von Anfang an gering hält. Dieser „Illumination-Centric Approach“ lässt KI-Modelle robuster werden. Durch ein besseres Beleuchtungskonzept werden Umgebungsbedingungen kontrollierbarer und führen zu einer geringeren Varianz der Bilder. Dadurch sind weniger Trainingsbilder nötig und das System erreicht eine höhere Präzision mit weniger Daten.

Mit der gleichen Anzahl von Bildern konnte mit passender Beleuchtung die Precision von 89 auf 97 Prozent gehoben werden. Außerdem konnte bei hochqualitativer Beleuchtung eine Precision von 89 Prozent bereits auf der Basis von 45 Bildern anstatt mit 175 Bildern erreicht werden. Demnach gelang das gleiche Ergebnis bereits mit einem Viertel der Bilddaten. Diese Ergebnisse sind besonders relevant, wenn begrenzte Trainingsdaten eine Herausforderung des KI-gesteuerten Bildverarbeitungsprojekts sind. Kurz gesagt: Die richtige Beleuchtung kann der Schlüssel zum Erfolg in der maschinellen Bildverarbeitung sein. 

Die Auswahl der richtigen Beleuchtungsmethode

Der folgende Vier-Schritte-Plan ermöglicht es, die perfekte Beleuchtung zu ermitteln. Zunächst erfolgt die Auswahl des Beleuchtungsprinzips. Ziel ist es, durch die Wahl der richtigen Methode, relevante Details hervorzuheben und gleichzeitig unerwünschte Informationen zu unterdrücken. Das Portfolio von Wenglor umfasst zahlreiche Beleuchtungsmethoden, darunter typische Prinzipien wie Hellfeld, Dunkelfeld, Ring-, Hintergrund- und Dom-Beleuchtung. Je nach Anwendung kann auch eine Kombination aus mehreren Beleuchtungsmethoden sinnvoll sein.

Im zweiten Schritt gilt es, die richtige Wellenlänge zu ermitteln. Die Farbe der Lichtquelle hat erheblichen Einfluss auf die Bilddarstellung. Während beispielsweise blaues Licht blaue und weiße Bereiche hervorhebt und andere unterdrückt, verstärkt rotes Licht sämtliche Rottöne. Soll das Licht gedruckten Text oder Beschichtungen reduzieren, bietet sich Infrarotlicht an, welches tiefer in das Material eindringt und Oberflächeneffekte abschwächt. Es wird oft in der Kunststoffindustrie verwendet, um Aufdrucke unsichtbar zu machen. Bei der Auswahl sollten jeweils auch die Nachteile der Lichtarten abgewogen werden. So liefert Weißlicht zwar ein natürliches Licht, ist aber sehr empfindlich gegenüber Umgebungslicht und daher weniger gut zu kontrollieren. Die richtige Auswahl der Lichtfarbe trägt somit dazu bei, die Varianz der Prüfteile zu reduzieren. Dies kann sich im späteren Prüfablauf positiv auf die Auswertung auswirken.

Bessere Ergebnisse durch ­homogene Lichtverhältnisse

Sind Beleuchtungsprinzip und Lichtfarbe ausgewählt, liegt der Fokus im dritten Schritt auf der Homogenität der Ausleuchtung. Eine ausgewogene Ausleuchtung ist für die industrielle Bildverarbeitung immer erstrebenswert, denn eine ungleichmäßige Beleuchtung führt zu hellen und dunklen Bereichen im Bild, welche die Software nicht vollständig ausgleichen kann.

Ringlichter oder Barlights von Wenglor in Kombination mit einem verstellbaren Winkelwechsler, dem Angle Changer, helfen dabei, diese Homogenität zu erreichen. Der Angle Changer ermöglicht die flexible Anpassung der Beleuchtungseigenschaften, ohne die gesamte Beleuchtung wechseln zu müssen. Die Ausleuchtung kann fein abgestimmt werden – ohne dabei den Abstand oder die gesamte Beleuchtung ändern zu müssen. So ersetzt zum Beispiel ein einzelnes Ringlicht mit acht Angle Changern eine Vielzahl an einzelnen Beleuchtungen. Die Anpassung erfolgt mittels werkzeuglosem Schnappsystem. Da das Öffnen des Beleuchtungsgehäuses entfällt, besteht keine Gefahr die IP-Schutzart zu verletzen. Der Einsatz des Ringlichts und der Barlights mit Angle Changer reduziert die Komplexität sowie den nötigen Lager­bestand für Ersatzteile und Laborausstattung.

Im vierten Schritt lässt sich die Bild­qualität mit zusätzlichen optischen Filtern optimieren. Das Wenglor-Portfolio umfasst viele optischen Filter – von Polarisations- über Bandpass- bis Langpassfilter. Sollen Reflexionen auf glänzenden Oberflächen reduziert werden, helfen Polarisationsfilter. Soll im Bild der Kontrast verstärkt und die Robustheit gegenüber Umgebungslicht verbessert werden, kommen Bandpassfilter zum Einsatz, welche nur bestimmte Wellenlängen durchlassen. Langpassfilter verbessern bei Bedarf die Infrarot-Bildgebung, indem sie unerwünschte Lichtquellen blockieren. Auch passende Objektive sind verfügbar und können anwendungsspezifisch durch den Wenglor Vision Calculator ermittelt werden. 

Fazit

Werden diese vier Schritte befolgt, kann ein solides Beleuchtungssystem geschaffen werden, das die bestmögliche Ausgangslage für Machine-Vision-Anwendungen darstellt. Zusammenfassend lässt sich sagen, dass die richtige Beleuchtung nicht nur Fehler reduziert und die Präzision verbessert, sondern auch dazu beiträgt, KI-Modelle effizienter zu gestalten und ihre Generalisierungsfähigkeit zu erhöhen.