Robuste Bauteilidentifikation mittels digitaler Fingerabdrücke

Herausforderungen der Technologien und das Potenzial des digitalen Fingerprintings

Im Zeitalter von Smart Manufacturing stehen Industrien vor der Herausforderung, Produktionsprozesse effizienter, flexibler und individueller zu gestalten. Die großskalige Herstellung kundenspezifischer Produkte, die automatische Steuerung durch autonome Maschinen und die allgegenwärtige Verfügbarkeit individueller Produktionsdaten sind zu zentralen Trends geworden [1]. Diese Entwicklungen erfordern nicht nur eine Anpassung der Fertigungsprozesse, sondern machen auch die eineindeutige Identifikation von Objekten während des gesamten Produktionszyklus und darüber hinaus unerlässlich [2].

Traditionelle Identifikationstechnologien wie Barcodes, Data Matrix Codes (DMC) und RFID-Systeme werden häufig eingesetzt, um Komponenten mit eindeutigen IDs zu versehen [3]. Obwohl sie effektiv bei der Verfolgung von Teilen vom Herstellungsprozess bis zum Endkunden sind, weisen sie erhebliche Nachteile auf. Ein zentrales Problem ist ihre Anfälligkeit für Fälschungen, da IDs (Identification Numbers) leicht dupliziert werden können. Dies stellt ein erhebliches Risiko für die Produktsicherheit und die Markenintegrität dar. Zudem erfordert die Anbringung von Etiketten oder Tags stets einen separaten Prozess nach der Herstellung des Teils. Dies verursacht nicht nur zusätzliche Kosten, sondern verhindert auch die Verfolgung ab dem ersten Produktionsschritt. In einigen Fällen kann dieser Prozess das ursprüngliche Teil verändern, was seine Verwendung aus optischen oder hygienischen Gründen oder aufgrund von Zulassungsbeschränkungen einschränken kann [1].

Die RFID-Technologie bietet zwar fortschrittlichere Funktionen, bringt jedoch eigene Herausforderungen mit sich. Hohe Investitionskosten und erhöhte technische Komplexität machen RFID für kleinere Hersteller weniger praktikabel [4]. Darüber hinaus können RFID-Systeme unter Interferenzproblemen, Signalüberschneidungen und begrenzter Lesereichweite leiden, was ihre Effektivität in dicht besetzten Industrieumgebungen beeinträchtigt [5]. Die Integration in bestehende Systeme und die Gewährleistung der Kompatibilität mit verschiedenen industriellen Prozessen stellen zusätzliche Hürden dar [6].

Intelligente Etiketten und Tags, die erweiterte Funktionen bieten, stehen vor Herausforderungen hinsichtlich Haltbarkeit und Zuverlässigkeit unter rauen Industriebedingungen [7]. Extreme Temperaturen, Feuchtigkeit, Chemikalien oder mechanische Belastungen können ihre Leistung beeinträchtigen, was zu Datenverlust oder Fehlfunktionen führt. Diese Einschränkungen unterstreichen die Notwendigkeit robusterer und effizienterer Identifikationstechnologien, um den wachsenden Anforderungen von Smart Manufacturing gerecht zu werden. Als Reaktion auf diese Herausforderungen untersucht diese Studie den Einsatz von digitalem Fingerprinting zur eineindeutigen Identifikation von Produktionsbauteilen.

Digitales Fingerprinting

Digitales Fingerprinting nutzt die inhärenten mikrostrukturellen Variationen auf der Oberfläche jedes Teils, die nicht exakt repliziert werden können, und bietet somit eine robuste und fälschungssichere Identifikationsmethode. Bild 1 zeigt den grundlegenden Prozess des digitalen Fingerprintings zur eineindeutigen Identifikation von Bauteilen. Ein zu identifizierendes Bauteil wird mit einer Datenbank abgeglichen, in der die Bilddaten vektorisiert und mittels Ähnlichkeitsmatrix verglichen werden.

Bild 1

Prozess Digitales Fingerprinting

In dieser Arbeit werden zwei verschiedene Ansätze zur Implementierung des digitalen Fingerprintings für die Bauteilidentifikation untersucht: der Vision Transformer und VisionPro. Beide Methoden beginnen mit der Skalierung der Originalbilder, die eine Auflösung von 2048 × 2048 Pixeln haben, auf eine kompaktere Größe von 128 × 128 Pixeln. Dies erleichtert die Verarbeitung und reduziert den Rechenaufwand erheblich. Anschließend werden die Bilder, welche im BGR-Format (Blau-Grün-Rot) eingelesen wurden, in das gängige RGB-Format (Rot-Grün-Blau) konvertiert, um eine konsistente Farbdarstellung sicherzustellen.

Der Vision Transformer basiert auf der Transformer-Architektur, die ursprünglich für Aufgaben der natürlichen Sprachverarbeitung entwickelt wurde, wie z. B. in General Pre-trained Transformer (GPT, also auch ChatGPT) oder Bidirectional Encoder Representations from Transformers (BERT), und inzwischen erfolgreich auf den Bereich der Computer Vision übertragen wurde. Dieses Modell segmentiert Eingabebilder in kleine Patches und behandelt diese als Sequenz, um die Beziehungen zwischen den Segmenten mittels Selbstaufmerksamkeitsmechanismen zu analysieren. Während des Trainingsprozesses wird das Modell darauf optimiert, den Unterschied zwischen den Eingabebildern und den rekonstruierten Bildern zu minimieren.

Bild 2 zeigt die Grundarchitektur eines Autoencoders, bestehend aus Encoder, latentem Raum und Decoder. Der Encoder ist der Teil des Modells, der das Eingabebild in eine komprimierte Darstellung im latenten Raum umwandelt. Diese niedrigdimensionale Darstellung enthält die wesentlichen Merkmale des Bildes, wobei irrelevante oder redundante Informationen herausgefiltert werden. Der Decoder rekonstruiert das ursprüngliche Bild aus dieser komprimierten Darstellung und versucht dabei, die Informationen so wiederherzustellen, dass sie dem Eingabebild möglichst ähnlich sind.

Bild 2

Grundarchitektur eines Autoencoders

Um einen stabilen und generalisierenden Lernprozess zu gewährleisten, erfolgt das Training des Vision-Transformer-basierten Autoencoders in mehreren Schritten unter Einsatz von Optuna zur systematischen Hyperparameteroptimierung. Zunächst wird der Datensatz in Trainings- und Validierungsdaten aufgeteilt (80 % zu 20 %), um potenzielle Überanpassungen frühzeitig zu erkennen. Im anschließenden Optuna-Suchlauf werden zentrale Hyperparameter wie Lernrate (z. B. 1 × 10^-5 bis 1 × 10^-3), Batchgröße (z. B. 16, 32 oder 64), Anzahl der Encoder-Layer und die Gewichtung der Regularisierung (Weight Decay) in definierten Bereichen variiert. Für jede getestete Konfiguration wird das Modell mithilfe des Adam-Optimierungsalgorithmus trainiert, wobei nach jeder Epoche die mittlere quadratische Abweichung (MSE) auf den Validierungsdaten zur Bewertung herangezogen wird. Sobald Optuna die Hyperparameter gefunden hat, die die geringste MSE auf den Validierungsdaten liefern, wird das Modell mit dieser optimalen Parametereinstellung abschließend trainiert. Nach Abschluss des Trainings werden das finale Modell, die gesamte Trainingshistorie, Beispielrekonstruktionen sowie sämtliche getesteten Hyperparameter-Kombinationen dokumentiert und gesichert. Dieses mehrstufige Vorgehen gewährleistet eine robuste Modellauswahl und erleichtert die spätere Reproduktion der Ergebnisse.

VisionPro ist ein Ansatz, der konventionelle Bildverarbeitungstechniken verwendet, um die digitalen Fingerabdrücke von Produktionsbauteilen zu analysieren. Um die charakteristischen Oberflächenmerkmale, wie z. B. Riefen oder Korngrenzen, hervorzuheben, werden drei verschiedene Kantendetektionsfilter angewendet: Sobel, Canny und Laplace. Bild 3 zeigt das jeweilige Resultat der Anwendung dieser Filter.

Bild 3

Funktionsweise der Filter

Jeder Filter segmentiert das Eingabebild, indem er Kanten und Gradientenänderungen betont, die durch Unregelmäßigkeiten in der Oberfläche entstehen. Die Ergebnisse der einzelnen Filter werden zu einem Kompositbild kombiniert, das ein einzigartiges Profil des Bauteils darstellt und eine klare Unterscheidung von anderen Bauteilen ermöglicht. Die erzeugten Kompositbilder werden vektorisiert und für spätere Bildabgleichsoperationen in einer Datenbank gespeichert. Für die Identifikation neuer Bauteile wird ein Algorithmus eingesetzt, der Schlüsselpunkte und Deskriptoren sowohl in den gespeicherten Kompositbildern als auch in den Testbildern erkennt. Für den Vergleich der Merkmale im Bild wird die Fast Library for Approximate Nearest Neighbors (FLANN) verwendet. Dabei wird ein sogenannter Ratio-Test angewendet, der sicherstellt, dass nur die besten Übereinstimmungen berücksichtigt werden.

Prototypische Validierung

Die in dieser Studie vorgestellten Ansätze wurden auf einem umfangreichen öffentlichen Datensatz [8] von 636 Blechen aus verzinktem Stahl getestet und evaluiert. Der Datensatz enthält von jedem Blech pro Seite vier Bilder, die unter unterschiedlichen Bedingungen aufgenommen wurden, was zu insgesamt 5.088 Bildern führt. Die Aufnahmebedingungen variieren hinsichtlich der Lichtverhältnisse – Studiobeleuchtung oder Umgebungslicht – sowie der Orientierung, d. h. Vorder- oder Rückseite sowie Aufnahmewinkel von 75 Grad oder 90 Grad.

Die Testergebnisse zeigten, dass beide Ansätze – sowohl der Vision Transformer als auch VisionPro – unter identischen Orientierungen und konstanten Beleuchtungsverhältnissen eine 100 Prozent Genauigkeit bei der Bauteilidentifikation erreichten. Bei anderer Beleuchtung oder abweichendem Aufnahmewinkel sinkt die Erkennungsrate deutlich. Die Modelle zeigen sich weniger robust gegenüber Veränderungen in Lichtintensität, Schattenwurf und Perspektive, was zu fehlerhaften Identifikationen oder zu einer erhöhten Anzahl nicht erkannter Bauteile führt.

Herausforderungen bei der industriellen Applikation

Die Implementierung des digitalen Fingerabdrucks in industriellen Umgebungen erfordert die Standardisierung der Bildaufnahmebedingungen. Insbesondere müssen die Bilder aus konsistenten Winkeln erfasst werden, da Variationen in der Perspektive die mikrostrukturellen Merkmale der Bauteiloberflächen beeinflussen und somit die Identifikation erschweren können. Ebenso sind konstante Beleuchtungsverhältnisse von entscheidender Bedeutung, da Änderungen in Lichtintensität und -richtung die Detektion und Analyse der Oberflächenstrukturen beeinträchtigen. Darüber hinaus muss das verwendete Aufnahmegerät, insbesondere die Kamera, einheitlich und kalibriert sein, um eine gleichbleibende Bildqualität und -auflösung sicherzustellen. Diese Faktoren sind essenziell, um die Zuverlässigkeit und Reproduzierbarkeit der Bauteilidentifikation mittels digitalen Fingerabdrucks zu gewährleisten.

Zusammenfassung

Die vorliegende Studie demonstriert, dass digitales Fingerprinting unter Verwendung von KI-gestützten Bildverarbeitungsmethoden ein effektiver und robuster Ansatz zur eindeutigen Identifikation von Bauteilen in der Smart Factory ist. Durch die Ausnutzung der natürlichen mikrostrukturellen Variationen auf den Bauteiloberflächen kann eine fälschungssichere Identifikation ohne physische Markierungen erreicht werden. Sowohl der Vision Transformer als auch Vision-Pro haben gezeigt, dass sie wertvolle Beiträge zu diesem Ziel leisten können. Es wurde deutlich, dass die Auswahl des Kamerasystems und dessen Anpassung an verschiedene Anwendungsfälle entscheidend für den Erfolg der Methode sind. Je komplexer der Anwendungsfall, desto komplexer gestaltet sich auch das erforderliche System, insbesondere hinsichtlich der Bildaufnahmebedingungen und der Datenverarbeitung. Die Materialeigenschaften spielen dabei eine wesentliche Rolle: Die Struktureigenschaften von Oberflächen sind stark vom verwendeten Material abhängig, wobei Kunststoffe in der Regel schwieriger zu identifizieren sind als Metalle aufgrund geringerer mikrostruktureller Variationen. Auch die Datensicherung stellt eine wichtige Herausforderung dar. Es muss berücksichtigt werden, wie lange Teile rückverfolgbar sein sollen und ob generell in Chargen gearbeitet wird, was Einfluss auf die Menge der zu speichernden Daten und die Anforderungen an das Datenmanagement hat. Trotz dieser Herausforderungen bietet der Ansatz ein erhebliches Potenzial, um den Anforderungen moderner Fertigungsprozesse gerecht zu werden und die Effizienz sowie Sicherheit in der Bauteilidentifikation zu erhöhen.