DE102021123038A1 - Spritzerdetektion durch künstliche Intelligenz bei der Laserbearbeitung - Google Patents
Spritzerdetektion durch künstliche Intelligenz bei der Laserbearbeitung Download PDFInfo
- Publication number
- DE102021123038A1 DE102021123038A1 DE102021123038.1A DE102021123038A DE102021123038A1 DE 102021123038 A1 DE102021123038 A1 DE 102021123038A1 DE 102021123038 A DE102021123038 A DE 102021123038A DE 102021123038 A1 DE102021123038 A1 DE 102021123038A1
- Authority
- DE
- Germany
- Prior art keywords
- laser processing
- spatter
- optical sensor
- processing
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims description 11
- 238000013473 artificial intelligence Methods 0.000 title 1
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000003287 optical effect Effects 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 230000001276 controlling effect Effects 0.000 claims abstract description 4
- 230000001105 regulatory effect Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000003466 welding Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 239000000835 fiber Substances 0.000 description 10
- 238000005286 illumination Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 235000009499 Vanilla fragrans Nutrition 0.000 description 1
- 244000263375 Vanilla tahitensis Species 0.000 description 1
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Laser Beam Processing (AREA)
Abstract
Die Erfindung betrifft ein Verfahren (10) und eine Vorrichtung (12) zur Erfassung von Spritzern (48) bei der Laserbearbeitung eines Werkstücks (22) mit einem Bearbeitungslaserstrahl (18). Dabei wird/werden bei der Laserbearbeitung erzeugtes Prozessleuchten (24) und/oder die Reflexion (26) einer Zusatzbeleuchtung von einem optischen Sensor (28) erfasst. Der optische Sensor (28) erfasst zumindest eine Aufnahme (44a-c), insbesondere mehrere Aufnahmen (44a-c), und übermittelt dessen bzw. deren Signal (36) an eine Auswerteeinheit (38). Die Auswerteeinheit (38) weist einen Algorithmus (40) zum maschinellen Lernen auf. Der Algorithmus (40) ist durch zuvor erfasste und bewertete Aufnahmen (44a-c), insbesondere mit aufgenommenen Spritzern (46a, b), trainiert. Der Algorithmus (40) ist dazu ausgebildet, einen bei der Laserbearbeitung auftretenden Spritzer (48) zu erkennen und diese Information als Ausgabe (50) auszugeben. Die Ausgabe (50) kann an eine Steuereinheit (52) zur Steuerung oder Regelung der Laserbearbeitungsmaschine (14) erfolgen.
Description
- Hintergrund der Erfindung
- Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Spritzerdetektion bei der Laserbearbeitung.
- Der Anmelderin sind Verfahren bekannt, bei denen konventionelle Bildverarbeitungsalgorithmen eingesetzt werden, um bei der Laserbearbeitung eine Spritzererkennung zu erreichen. Es ist jedoch zu beachten, dass es sich dabei um internen unveröffentlichten Stand der Technik handeln kann.
- Bei diesen Verfahren erfolgt eine Analyse einer Aufnahme anhand fest vorgegebener geometrischer Merkmale oder anhand von fest vorgegebenen Helligkeitsmerkmalen. Wenn Art und/oder Größe der Spritzer von diesen vorgegebenen Merkmalen abweichen, erfolgt jedoch keine oder lediglich eine unzuverlässige Spritzerdetektion.
- Aufgabe der Erfindung
- Es ist daher Aufgabe der Erfindung, eine zuverlässige Spritzerdetektion bei der Laserbearbeitung eines Werkstücks zu erreichen.
- Beschreibung der Erfindung
- Diese Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren gemäß Patentanspruch 1 und eine Vorrichtung gemäß Patentanspruch 11. Die Unteransprüche geben bevorzugte Weiterbildungen wieder.
- Die in der Beschreibung dargelegten Merkmale und Vorteile betreffen dabei gleichermaßen das hier beschriebene Verfahren und die hier beschriebene Vorrichtung.
- Die erfindungsgemäße Aufgabe wird mithin gelöst durch ein Verfahren zum Erkennen eines Spritzers bei der Laserbearbeitung eines Werkstücks. Das Verfahren weist folgende Verfahrensschritte auf:
- A) Laserbearbeitung des Werkstücks mit einem Bearbeitungslaserstrahl einer Laserbearbeitungsmaschine;
- B) Erstellen zumindest einer Aufnahme von bei der Laserbearbeitung entstehender Strahlung mit einem optischen Sensor mit mehreren Pixeln;
- C) Überführen der Aufnahme an eine Auswerteeinheit mit einem trainierten Algorithmus zum maschinellen Lernen;
- D) Ausgeben einer Ausgabe von der Auswerteeinheit im Falle eines durch den Algorithmus erkannten Spritzers.
- Das erfindungsgemäße Verfahren erlaubt eine Spritzererkennung bei der Laserbearbeitung unabhängig von der Temperatur (Leuchtstärke), der geometrischen Ausprägung und/oder Geschwindigkeit der Spritzer. Eine eindeutige Unterscheidung zwischen Spritzern und sonstigen, bei der Laserbearbeitung auftretenden Leuchterscheinungen wird ermöglicht. Weiterhin kann eine frühzeitige Warnung bei einer Spritzerzunahme ausgegeben werden.
- Das Erstellen der Aufnahmen kann aus verschiedenen Blickwinkeln (Perspektiven) erfolgen.
- Die Aufnahme(n) kann/können in Form eines Graustufenbildes erstellt werden, um die Verarbeitung der Aufnahme(n) zu beschleunigen. Weiter bevorzugt wird/werden eine/mehrere Aufnahme(n) in Form eines Graustufenbildes mit einer Größe von 256x256 Pixeln oder 128x128 Pixeln eingegeben. Die Aufnahme(n) kann/können dabei ursprünglich mit einer höheren Auflösung, beispielsweise 720x540 Pixeln, erstellt werden.
- Besonders bevorzugt wird beim Erstellen der Aufnahme(n) die optische Abbildung so gewählt, dass zumindest die gesamte Prozesszonenbreite abgebildet wird.
- Als Bearbeitungslaserstrahl wird vorzugsweise ein Laserstrahl mit einer Wellenlänge von 400nm bis 450nm (blau), 515nm (grün) und/oder von 800nm bis 1200nm (IR), insbesondere von 1030nm oder 1070nm, eingesetzt.
- Der Trainingsdatensatz mit verifizierten Aufnahmen kann auf vorteilhafte Art und Weise durch Rotation, vertikale Verschiebung, horizontale Verschiebung, vertikale Spiegelung, horizontale Spiegelung, Anpassung des Helligkeitsbereichs, Zoom und/oder Scherung vergrößert werden.
- Die Pixel der verifizierten Aufnahmen können in „Hintergrund“, „Prozessleuchten“ und „Spritzer“ eingeteilt werden.
- Der Algorithmus zum maschinellen Lernen kann ein neuronales Netz aufweisen.
- Das neuronale Netz kann in Form eines Convolutional Neural Network ausgebildet sein. Das Convolutional Neural Network erlaubt das umfassende Training des neuronalen Netzes anhand nur weniger Aufnahmen. Alternativ oder zusätzlich dazu kann das neuronale Netz mittels Transfer Learning mit wenigen Aufnahmen trainiert werden.
- In besonders bevorzugter Ausgestaltung des Verfahrens kann das neuronale Netz eine Semantic Segmentation durchführen. Hierdurch kann eine pixelgenaue Auflösung erreicht werden.
- Das neuronale Netz kann eine U-net Architecture aufweisen.
- Der optische Sensor kann in Form eines orts- und zeitauflösenden Flächensensors ausgebildet sein. Der optische Sensor kann über eine Netzwerkverbindung mit der Auswerteeinheit verbunden sein.
- Die Belichtungszeit (exposure time) des optischen Sensors beträgt pro Aufnahme vorzugsweise zwischen 1µs und 20000µs, insbesondere zwischen 1µs und 1000µs.
- Der beobachtete Wellenlängenbereich beträgt vorzugsweise zwischen 300nm und 2000nm, insbesondere zwischen 800nm und 1100nm.
- In besonders bevorzugter Ausgestaltung des erfindungsgemäßen Verfahrens wird die Wellenlänge des Bearbeitungslaserstrahls vor dem optischen Sensor durch einen optischen Filter geblockt. Hierzu kann beispielsweise ein Bandpassfilter für Wellenlängen zwischen 800nm und 1000nm eingesetzt werden. Alternativ oder zusätzlich dazu kann ein Breitbandfilter eingesetzt werden, dessen spektrale Breite vorzugsweise kleiner oder gleich 200nm ist.
- Durch den Einsatz eines optischen Filters kann zusätzlich dazu ein verbesserter Kontrast zwischen einem Spritzer und der Lichtemission aus der Prozesszone erreicht werden.
- Die Spritzer können sich von einem dunklen Hintergrund abheben, wenn keine zusätzliche externe Beleuchtung eingesetzt wird. Alternativ zu dieser bevorzugten Ausführungsform kann eine Zusatzbeleuchtung eingesetzt werden. In diesem Fall heben sich dunkle Spritzer vom hellen Hintergrund ab. Als Zusatzbeleuchtung kann insbesondere ein Beleuchtungslaser mit einer Wellenlänge zwischen 800nm und 1000nm eingesetzt werden.
- Die Architektur des neuronalen Netzes basiert vorzugsweise auf einer von Wang et. al. vorgestellten Architektur eines gestapelten dilatierten U-Netzes (SDU-Netz) [Wang, S.; Hu, S.Y.; Cheah, E.; Wang, X.; Wang, J.; Chen, L.; Baikpour, M.; Ozturk, A.; Li, Q.; Chou, S.H.; Lehman, C.D.; Kumar, V.; Samir, A. U-Net using stacked dilated convolutions for medical image segmentation. arXiv, 2020] (Die Abkürzung SD steht für stacked dilated). Es gibt weitere U-Netz-Modifikationen namens SDU-Net, bei denen die Abkürzung SD für verschiedene Konzepte steht. Zum Beispiel gibt es das sphärische deformierbare U-Netz (SDU-Netz) von Zhao et al., das für die medizinische Bildgebung im inhärenten sphärischen Raum entwickelt wurde [Zhao, F.; Wu, Z.; Wang, L.; Lin, W.; Gilmore, J.H.; Xia, S.; Shen, D.; Li, G. Spherical Deformable U-Net: Application to Cortical Surface Parcellation and Development Prediction. IEEE Transactions on Medical Imaging 2021. doi: 10.1109/TMI.2021.3050072.]. Ein weiteres SDU-Netz, das als Modifikation des U-Netzes bezeichnet wird, ist das strukturierte Dropout-U-Netz von Guo et. al. [Guo, C.; Szemenyei, M.; Pei, Y.; Yi, Y.; Zhou, W. SD-Unet: A Structured Dropout U-Net for Retinal Vessel Segmentation. Proceedings - 2019 IEEE 19th International Conference on Bioinformatics and Bioengineering, BIBE 2019, 2019. doi: 10.1109/BIBE.2019.00085.]. Anstelle des traditionellen Dropouts für Faltungsschichten schlagen sie ein strukturiertes Dropout zur Regularisierung des U-Netzes vor. Gadosey et al. präsentieren das Stripping Down U-Net, mit der gleichen Abkürzung für die Segmentierung von Bildern auf einer Plattform mit geringem Rechenbudget. Durch die Verwendung von tiefenweise trennbaren Faltungen entwerfen sie eine leichtgewichtige tiefe neuronale Netzarchitektur, die vom U-Net-Modell inspiriert ist [Gadosey, P.K.; Li, Y.; Agyekum, E.A.; Zhang, T.; Liu, Z.; Yamak, P.T.; Essaf, F. SD-UNET: Stripping down U-net for segmentation of biomedical images on platforms with low computational budgets. Diagnostics 2020, 10. doi:10.3390/diagnostics10020110.].
- Vorzugsweise wird eine SDU-Net-Modifikation mit gestapelten Faltungsschichten verwendet. Diese U-Net-Variante übernimmt die Architektur des Vanilla U-Net, verwendet aber gestapelte dilatierte Faltungen. Anstelle von zwei Standardfaltungsschichten in jeder Kodier- und Dekodieroperation verwendet das SDU-Netz eine Standardfaltungsschicht, gefolgt von mehreren dilatierten Faltungsschichten, die als Eingabe für die nächste Operation verkettet werden. Daher ist das SDU-Netz tiefer als eine vergleichbare U-Netz-Architektur und hat ein größeres rezeptives Feld.
- Der optische Sensor kann in Form einer Kamera ausgebildet sein. Die Kamera kann in Form einer high-speed Kamera ausgebildet sein.
- Die Kamera kann einen CMOS-Sensor und/oder einen CCD-Sensor aufweisen.
- In weiter bevorzugter Ausgestaltung kann der optische Sensor koaxial zum Bearbeitungslaserstrahl angeordnet sein.
- Im Verfahrensschritt B) können mehrere Aufnahmen erstellt werden. Diese können im Verfahrensschritt C) der Auswerteeinheit zur Erkennung eines oder mehrerer Spritzer übergeben werden. Alternativ oder zusätzlich dazu können während der Laserbearbeitung Maximalwertbilder von der Auswerteeinheit bewertet werden. Hierdurch kann die zeitliche Veränderung des Spritzerverhaltens während der Laserbearbeitung besonders gut erfasst werden.
- Die Aufnahmerate der Kamera ist vorzugsweise größer als 20 Hz, insbesondere größer als 100 Hz.
- In besonders bevorzugter Ausgestaltung der Erfindung weist das Verfahren folgenden Verfahrensschritt auf:
- E) Steuern oder Regeln des Bearbeitungslaserstrahls im Falle des Erkennens eines oder mehrerer Spritzer.
- Besonders bevorzugt erfolgt die Laserbearbeitung in Form von Laserschweißen. Beim Laserschweißen werden vorzugsweise zumindest zwei metallische Komponenten, beispielsweise auf Eisen-, Kupfer- und/oder Aluminiumbasis, verbunden. Die Komponenten können dabei aus gleichem oder verschiedenem Material bestehen. Die Einschweißtiefe beträgt vorzugsweise mehr als 100µm und weniger als 20mm. Das Aspektverhältnis von Tiefe zu Breite der Schweißnaht beträgt vorzugsweise mehr als 0,5:1, sodass ein Tiefschweißen erfolgt.
- Die erfindungsgemäße Aufgabe wird weiterhin gelöst durch eine Vorrichtung zum Erkennen eines Spritzers bei der Laserbearbeitung eines Werkstücks, insbesondere durch eine Vorrichtung zur Durchführung eines hier beschriebenen Verfahrens. Die Vorrichtung weist eine Laserbearbeitungsmaschine mit einem Bearbeitungslaserstrahl, einen optischen Sensor mit mehreren Pixeln zur Aufnahme von bei der Laserbearbeitung entstehender Strahlung, eine Auswerteeinheit mit einem Algorithmus zum maschinellen Lernen zur Erkennung eines Spritzers sowie eine Ausgabeeinheit zum Ausgeben einer Ausgabe im Falle eines erkannten Spritzers auf.
- Die Vorrichtung kann ein Lichtleitkabel umfassen, das aktiv, insbesondere für einen Faserlaser, oder passiv, insbesondere für einen Scheibenlaser, genutzt wird. Das Lichtleitkabel kann eine Kernfaser aufweisen, die von einer Ringfaser umgeben ist. Die Kernfaser kann vorzugsweise einen Durchmesser zwischen 10µm und 50µm oder zwischen 50µm und 400µm, insbesondere zwischen 50µm und 200µm, aufweisen. Der Außendurchmesser der Ringfaser beträgt vorzugsweise zwischen 40µm und 2000µm, insbesondere zwischen 80µm und 800µm. In besonders bevorzugter Ausgestaltung beträgt das Durchmesserverhältnis von Kernfaser zur Ringfaser 1:2 bis 1:10, insbesondere 1:4.
- Der Strahldurchmesser des Kernstrahls auf dem Werkstück beträgt vorzugsweise zwischen 10µm und 300µm, insbesondere zwischen 30µm und 70µm im Single-Mode bzw. zwischen 50µm und 1200µm im Multi-Mode. Das Strahlparameterprodukt des Kernstrahls beträgt vorzugsweise zwischen 0,38mm*mrad und 16mm*mrad, insbesondere weniger oder gleich 0,6mm*mrad im Single-Mode bzw. weniger oder gleich 8mm*mrad im Multi-Mode.
- Das Lichtleitkabel kann eine Single-Spot-Faser aufweisen.
- Die Laserbearbeitungsmaschine kann eine Scanneroptik und/oder eine „fliegende Optik“ aufweisen. Das Abbildungsverhältnis beträgt vorzugsweise 1:1 bis 5:1, insbesondere 1,5:1 bis 2:1.
- Die Vorrichtung ist vorzugsweise in Form einer Laserschweißmaschine ausgebildet.
- Weitere Vorteile der Erfindung ergeben sich aus der Beschreibung und der Zeichnung. Ebenso können die vorstehend genannten und die noch weiter ausgeführten Merkmale erfindungsgemäß jeweils einzeln für sich oder zu mehreren in beliebigen Kombinationen Verwendung finden. Die gezeigten und beschriebenen Ausführungsformen sind nicht als abschließende Aufzählung zu verstehen, sondern haben vielmehr beispielhaften Charakter für die Schilderung der Erfindung.
- Figurenliste
-
-
1 zeigt eine schematische Darstellung des erfindungsgemäßen Verfahrens und der erfindungsgemäßen Vorrichtung. -
1 zeigt eine erfindungsgemäße Vorrichtung 10 zur Durchführung eines erfindungsgemäßen Verfahrens 12. Die Vorrichtung 10 weist eine Laserbearbeitungsmaschine 14, insbesondere in Form einer Laserschweißmaschine, auf. Die Laserbearbeitungsmaschine 14 weist eine Bearbeitungslaserstrahlquelle 16 zur Abgabe eines Bearbeitungslaserstrahls 18 auf. Der Bearbeitungslaserstrahl 18 kann durch einen ersten halbdurchlässigen Spiegel 20 in das optische System der Laserbearbeitungsmaschine 14 eingekoppelt werden und schließlich auf ein Werkstück 22 treffen. Der erste halbdurchlässige Spiegel 20 ist vorzugsweise in Form eines Dichroitspiegels oder eines Lochspiegels ausgebildet. - Vom Werkstück 22 geht durch die Laserbearbeitung Prozessleuchten 24 aus. Alternativ oder zusätzlich dazu kann vom Werkstück 22 die Reflexion 26 einer Zusatzbeleuchtung (nicht gezeigt), insbesondere die Reflexion 26 eines Zusatz-Beleuchtungslasers, ausgehen. Das Prozessleuchten 24 und/oder die Reflexion 26 einer Zusatzbeleuchtung (allgemein „Strahlung“) kann/können von einem optischen Sensor 28 detektiert werden.
- Der optische Sensor 28 ist vorliegend koaxial zum Bearbeitungslaserstrahl 18 ausgerichtet. Ein optischer Filter 30 kann zum Schutz des optischen Sensors 28 vor dem Bearbeitungslaserstrahl 18 vorgesehen sein. Dem optischen Sensor 28 kann eine Kollimationslinse 32 vorgeschaltet sein. Der optische Sensor 28 ist vorzugsweise in Form einer Kamera, insbesondere mit CMOS oder CCD-Sensor, ausgebildet.
- Zur Umlenkung des Prozessleuchtens 24 bzw. der Reflexion 26 einer Zusatzbeleuchtung kann ein zweiter halbdurchlässiger Spiegel 34 vorgesehen sein. Der zweite halbdurchlässige Spiegel 34 kann in Form eines Dichroitspiegels oder eines Lochspiegels ausgebildet sein.
- Ein Signal 36 des optischen Sensors 28 wird einer Auswerteeinheit 38 zugeführt, die einen Algorithmus 40 zum maschinellen Lernen aufweist. Der Algorithmus 40 kann dabei ein neuronales Netz 42 aufweisen.
- Das neuronale Netz 42 ist vorzugsweise in Form eines Convolutional Neural Network ausgebildet. Es kann eine U-net Architecture aufweisen und/oder dazu ausgebildet sein, eine Semantic Segmentation durchzuführen.
- Der Algorithmus 40 zum maschinellen Lernen wurde bzw. ist durch mehrere Aufnahmen 44a, 44b, 44c trainiert. Auf zumindest einigen Aufnahmen 44a-c sind aufgenommene Spritzer 46a, 46b abgebildet. Der Algorithmus 40 ist dadurch dazu ausgebildet, einen bei der der Laserbearbeitung auftretenden Spritzer 48 zu detektieren. Die Vorrichtung 10 bzw. das Verfahren 12 sind dazu ausgebildet, eine Ausgabe 50 auszugeben, wenn ein Spritzer 48 detektiert wurde. Die Ausgabe 50 kann unmittelbar nach der Detektion des Spritzers 48 oder zeitlich versetzt zur Detektion des Spritzers 48 erfolgen. Die auftretenden Spritzer 48 können nach ihrer Verifizierung als aufgenommene Spritzer 46a, b zum weiteren Training des Algorithmus 40 eingesetzt werden.
- Die Ausgabe 50 kann einer Steuereinheit 52 der Vorrichtung 10 zugeführt werden, um die Laserbearbeitungsmaschine 14 zu steuern oder zu regeln.
- Bei Betrachtung der Zeichnung betrifft die Erfindung somit zusammenfassend ein Verfahren 10 und eine Vorrichtung 12 zur Erfassung von Spritzern 48 bei der Laserbearbeitung eines Werkstücks 22 mit einem Bearbeitungslaserstrahl 18. Dabei wird/werden bei der Laserbearbeitung erzeugtes Prozessleuchten 24 und/oder die Reflexion 26 einer Zusatzbeleuchtung von einem optischen Sensor 28 erfasst. Der optische Sensor 28 erfasst zumindest eine Aufnahme 44a-c, insbesondere mehrere Aufnahmen 44a-c, und übermittelt dessen bzw. deren Signal 36 an eine Auswerteeinheit 38. Die Auswerteeinheit 38 weist einen Algorithmus 40 zum maschinellen Lernen auf. Der Algorithmus 40 ist durch zuvor erfasste und bewertete Aufnahmen 44a-c, insbesondere mit aufgenommenen Spritzern 46a, b, trainiert. Der Algorithmus 40 ist dazu ausgebildet, einen bei der Laserbearbeitung auftretenden Spritzer 48 zu erkennen und diese Information als Ausgabe 50 auszugeben. Die Ausgabe 50 kann an eine Steuereinheit 52 zur Steuerung oder Regelung der Laserbearbeitungsmaschine 14 erfolgen.
- Bezugszeichenliste
-
- 10
- Vorrichtung
- 12
- Verfahren
- 14
- Laserbearbeitungsmaschine
- 16
- Bearbeitungslaserstrahlquelle
- 18
- Bearbeitungslaserstrahl
- 20
- erster halbdurchlässiger Spiegel
- 22
- Werkstück
- 24
- Prozessleuchten
- 26
- Reflexion einer Zusatzbeleuchtung
- 28
- optischer Sensor
- 30
- optischer Filter
- 32
- Kollimationslinse
- 34
- zweiter halbdurchlässiger Spiegel
- 36
- Signal des optischen Sensors 28
- 38
- Auswerteeinheit
- 40
- Algorithmus zum maschinellen Lernen
- 42
- neuronales Netz
- 44a-c
- Aufnahme
- 46a, b
- aufgenommener Spritzer
- 48
- bei der Laserbearbeitung auftretender Spritzer
- 50
- Ausgabe
- 52
- Steuereinheit
Claims (12)
- Verfahren (12) zum Erkennen eines Spritzers (48) bei der Laserbearbeitung eines Werkstücks (22) mit den Verfahrensschritten: A) Laserbearbeitung des Werkstücks (22) mit einem Bearbeitungslaserstrahl (18) einer Laserbearbeitungsmaschine (14); B) Erstellen zumindest einer Aufnahme (44a-c) von bei der Laserbearbeitung ausgehender Strahlung mit einem optischen Sensor (28), wobei der optische Sensor (28) mehrere Pixel zur Aufnahme der Strahlung aufweist; dadurch gekennzeichnet, dass das Verfahren (12) folgende Verfahrensschritte aufweist: C) Zuführung der Aufnahme (44a-c) an eine Auswerteeinheit (38) mit einem Algorithmus (40) zum maschinellen Lernen, wobei der Algorithmus (40) mit verifizierten Aufnahmen (44a-c) von Spritzern (46a, b) trainiert wurde und einen oder mehrere Spritzer (48) in der zugeführten Aufnahme (44a-c) erkennt; D) Ausgeben einer Ausgabe (50) im Falle eines erkannten Spritzers (48).
- Verfahren nach
Anspruch 1 , bei dem der Algorithmus (40) zum maschinellen Lernen ein neuronales Netz (42) aufweist. - Verfahren nach
Anspruch 2 , bei dem das neuronale Netz (42) in Form eines Convolutional Neural Network ausgebildet ist. - Verfahren nach
Anspruch 2 oder3 , bei dem das neuronale Netz (42) eine Semantic Segmentation durchführt. - Verfahren nach einem der
Ansprüche 2 bis4 , bei dem das neuronale Netz (42) eine U-net Architecture aufweist. - Verfahren nach einem der vorhergehenden Ansprüche, bei dem der optische Sensor (28) in Form einer Kamera ausgebildet ist.
- Verfahren nach einem der vorhergehenden Ansprüche, bei dem der optische Sensor (28) koaxial zum Bearbeitungslaserstrahl (18) angeordnet ist.
- Verfahren nach einem der vorhergehenden Ansprüche, bei dem im Verfahrensschritt B) sequenziell mehrere Aufnahmen (44a-c) erstellt werden und im Verfahrensschritt C) der Auswerteeinheit (38) zum Erkennen eines oder mehrerer Spritzer (48) zugeführt werden.
- Verfahren nach einem der vorhergehenden Ansprüche, bei dem das Verfahren (12) folgenden Verfahrensschritt aufweist: E) Steuern oder Regeln des Bearbeitungslaserstrahls (18) beim Erkennen eines im Verfahrensschritt C) erkannten Spritzers (48) oder mehrerer im Verfahrensschritt C) erkannter Spritzer (48).
- Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Laserbearbeitung im Verfahrensschritt A) in Form von Laserschweißen erfolgt.
- Vorrichtung (10) zum Erkennen eines Spritzers (48) bei der Laserbearbeitung eines Werkstücks (22), insbesondere zur Durchführung eines Verfahrens (12) nach einem der vorhergehenden Ansprüche, mit den Merkmalen: a) Einer Laserbearbeitungsmaschine (14) mit einem Bearbeitungslaserstrahl (18); b) einem optischen Sensor (28) zum Erstellen zumindest einer Aufnahme (44a-c) von bei der Laserbearbeitung ausgehender Strahlung, wobei der optische Sensor (28) mehrere Pixel zur Aufnahme der Strahlung aufweist; dadurch gekennzeichnet, dass die Vorrichtung (10) folgende Merkmale aufweist: c) eine Auswerteeinheit (38) mit einem Algorithmus (40) zum maschinellen Lernen, wobei die Aufnahme (44a-c) der Auswerteeinheit (38) zuführbar ist, und wobei der Algorithmus (40) mit verifizierten Aufnahmen (44a-c) von Spritzern (46a, b) trainiert ist, um einen oder mehrere Spritzer (48) in der zugeführten Aufnahme (44a-c) zu erkennen; und d) einer Ausgabeeinheit zum Ausgeben einer Ausgabe (50) im Falle eines erkannten Spritzers (48).
- Vorrichtung nach
Anspruch 11 , bei der die Laserbearbeitungsmaschine (14) in Form einer Laserschweißmaschine ausgebildet ist.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021123038.1A DE102021123038A1 (de) | 2021-09-06 | 2021-09-06 | Spritzerdetektion durch künstliche Intelligenz bei der Laserbearbeitung |
CN202280060254.5A CN117916767A (zh) | 2021-09-06 | 2022-09-01 | 在激光加工过程中通过人工智能检测飞溅物 |
PCT/EP2022/074377 WO2023031353A1 (de) | 2021-09-06 | 2022-09-01 | Spritzerdetektion durch künstliche intelligenz bei der laserbearbeitung |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021123038.1A DE102021123038A1 (de) | 2021-09-06 | 2021-09-06 | Spritzerdetektion durch künstliche Intelligenz bei der Laserbearbeitung |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021123038A1 true DE102021123038A1 (de) | 2023-03-09 |
Family
ID=83400558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021123038.1A Pending DE102021123038A1 (de) | 2021-09-06 | 2021-09-06 | Spritzerdetektion durch künstliche Intelligenz bei der Laserbearbeitung |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN117916767A (de) |
DE (1) | DE102021123038A1 (de) |
WO (1) | WO2023031353A1 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116493735A (zh) * | 2023-06-29 | 2023-07-28 | 武汉纺织大学 | 一种万瓦级超高功率激光焊接过程运动飞溅实时跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130178953A1 (en) | 2010-06-28 | 2013-07-11 | Precitec Itm Gmbh | Method for controlling a laser processing operation by means of a reinforcement learning agent and laser material processing head using the same |
DE102019209100A1 (de) | 2019-06-24 | 2020-12-24 | Robert Bosch Gmbh | Qualitätsüberwachung für einen Laserstrahl-Schweißprozess |
DE102019214180A1 (de) | 2019-09-18 | 2021-03-18 | Robert Bosch Gmbh | Überwachungsvorrichtung zur Überwachung von einem Schmelzprozess, Verfahren zur Überwachung von einem Schmelzprozess, Computerprogramm sowie maschinenlesbares Speichermedium |
CN113207286A (zh) | 2018-12-19 | 2021-08-03 | 松下知识产权经营株式会社 | 外观检查装置及使用该外观检查装置判定焊接部位有无形状不良及形状不良的种类的判定精度的提高方法、焊接系统及使用该焊接系统的工件的焊接方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018129441B4 (de) * | 2018-11-22 | 2023-11-16 | Precitec Gmbh & Co. Kg | System zur Überwachung eines Laserbearbeitungsprozesses, Laserbearbeitungssystem sowie Verfahren zur Überwachung eines Laserbearbeitungsprozesses |
-
2021
- 2021-09-06 DE DE102021123038.1A patent/DE102021123038A1/de active Pending
-
2022
- 2022-09-01 WO PCT/EP2022/074377 patent/WO2023031353A1/de active Application Filing
- 2022-09-01 CN CN202280060254.5A patent/CN117916767A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130178953A1 (en) | 2010-06-28 | 2013-07-11 | Precitec Itm Gmbh | Method for controlling a laser processing operation by means of a reinforcement learning agent and laser material processing head using the same |
CN113207286A (zh) | 2018-12-19 | 2021-08-03 | 松下知识产权经营株式会社 | 外观检查装置及使用该外观检查装置判定焊接部位有无形状不良及形状不良的种类的判定精度的提高方法、焊接系统及使用该焊接系统的工件的焊接方法 |
DE102019209100A1 (de) | 2019-06-24 | 2020-12-24 | Robert Bosch Gmbh | Qualitätsüberwachung für einen Laserstrahl-Schweißprozess |
DE102019214180A1 (de) | 2019-09-18 | 2021-03-18 | Robert Bosch Gmbh | Überwachungsvorrichtung zur Überwachung von einem Schmelzprozess, Verfahren zur Überwachung von einem Schmelzprozess, Computerprogramm sowie maschinenlesbares Speichermedium |
Non-Patent Citations (4)
Title |
---|
GADOSEY, Pius Kwao [u.a.]: SD-UNet: Stripping down U-Net for segmentation of biomedical images on platforms with low computational budgets. In: Diagnostics, Vol. 10, 2020, No. 2, Artikelnummer: 110 (S. 1-18). - ISSN 2075-4418. DOI: 10.3390/diagnostics10020110. URL: https://www.mdpi.com/2075-4418/10/2/110/pdf [abgerufen am 2021-10-20] |
GUO, Changlu [u.a.]: SD-Unet: A structured dropout U-Net for retinal vessel segmentation. In: 2019 IEEE 19th International Conference on Bioinformatics and Bioengineering (BIBE), 28-30 Oct. 2019, Athens, Greece, S. 439-444. - ISBN 978-1-7281-4618-8. DOI: 10.1109/BIBE.2019.00085. URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8942005 [abgerufen am 2021-10-20] |
WANG, Shuhang [u.a.]: U-Net using stacked dilated convolutions for medical image segmentation. 10-04-2020. arXiv:2004.03466v2. S. 1-8. URL: https://arxiv.org/pdf/2004.03466v2 [abgerufen am 2021-10-20] |
ZHAO, Fenqiang [u.a.]: Spherical deformable U-Net: Application to cortical surface parcellation and development prediction. In: IEEE Transactions on Medical Imaging, Vol. 40, 2021, No. 4, S. 1217-1228. - ISSN 0278-0062 (P); 1558-254X (E). DOI: 10.1109/TMI.2021.3050072. URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9316936 [abgerufen am 2021-10-20] |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116493735A (zh) * | 2023-06-29 | 2023-07-28 | 武汉纺织大学 | 一种万瓦级超高功率激光焊接过程运动飞溅实时跟踪方法 |
CN116493735B (zh) * | 2023-06-29 | 2023-09-12 | 武汉纺织大学 | 一种万瓦级超高功率激光焊接过程运动飞溅实时跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023031353A1 (de) | 2023-03-09 |
CN117916767A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102014212246B3 (de) | Verfahren und Vorrichtung zur Qualitätssicherung | |
DE102014208768B4 (de) | Verfahren und Vorrichtung zur Qualitätssicherung | |
DE102018129441B4 (de) | System zur Überwachung eines Laserbearbeitungsprozesses, Laserbearbeitungssystem sowie Verfahren zur Überwachung eines Laserbearbeitungsprozesses | |
DE102015204554B4 (de) | Verfahren zum Prüfen von Zahnrädern | |
EP2942130B1 (de) | Vorrichtung und Verfahren zur generativen Herstellung zumindest eines Bauteilbereichs | |
EP3095591B1 (de) | Verfahren und vorrichtung zum zumindest bereichsweisen ermitteln einer kontur wenigstens einer generativ hergestellten bauteilschicht | |
WO2016113253A1 (de) | Vorrichtung zur generativen herstellung dreidimensionaler bauteile | |
DE102014110131A1 (de) | Bildaufnahmevorrichtung und Bildaufnahmeverfahren | |
DE102009056428A1 (de) | Endoskopsystem mit Abtastfunktion | |
DE10103255B4 (de) | Verfahren zur automatischen Beurteilung von Laserbearbeitungsprozessen | |
DE102019127323B4 (de) | Laserbearbeitungssystem zum Durchführen eines Bearbeitungsprozesses an einem Werkstück mittels eines Laserstrahls und Verfahren zur Überwachung eines Bearbeitungsprozesses an einem Werkstück mittels eines Laserstrahls | |
EP3525975A1 (de) | Verfahren und vorrichtung zur bestimmung und zur regelung einer fokusposition eines bearbeitungsstrahls | |
DE102015207834A1 (de) | Bearbeitungsmaschine für ein mit einem Laserstrahl durchzuführendes Produktionsverfahren und Verfahren zu deren Betrieb | |
DE102021123038A1 (de) | Spritzerdetektion durch künstliche Intelligenz bei der Laserbearbeitung | |
DE102014203645A1 (de) | Verfahren und Vorrichtung zum optischen Bestimmen eines Abstandes | |
DE102015107406A1 (de) | Kamera für ein Kraftfahrzeug mit zumindest zwei Lichtleitern und einem optischenFilterelement, Fahrerassistenzsystem sowie Kraftfahrzeug | |
DE102007036616A1 (de) | Optische Kontrolle von Produkten der Tabak verarbeitenden Industrie | |
EP3880395A1 (de) | Verfahren und vorrichtung zur überwachung eines schweissprozesses zum verschweissen von werkstücken aus glas | |
DE102018207405A1 (de) | Verfahren und Vorrichtung zum Herstellen einer Schicht auf einem Träger und Bauteil mit der Schicht | |
EP3885069A1 (de) | Qualitätskontrolle eines laserbearbeitungsprozesses mittels maschinellem lernen | |
DE10222786A1 (de) | Verfahren zur Positionierung von Werkstücken bei Laserbearbeitungsprozessen | |
EP1457286A2 (de) | Verfahren, Überwachungsvorrichtung und deren Anwendung und Laserbearbeitungsanlage mit Fehlstellenüberwachung einer optischen Komponente | |
DE10244767A1 (de) | Verfahren und Vorrichtung zum Bestimmen des Abstands zwischen einer Referenzebene und einer inneren oder äußeren optischen Grenzfläche eines Objekts sowie Verwendung derselben zum Bestimmen eines Oberflächenprofils eines, inbesondere metallischen, Objekts, Autofokus-Modul, Mikroskop und Verfahren zum Autofokussieren eines Mikroskops | |
EP4087701A1 (de) | Verfahren und vorrichtung zur kontrollierten bearbeitung eines werkstücks mittels konfokaler abstandsmessung | |
WO2022049169A1 (de) | Verfahren zum analysieren einer werkstückoberfläche für einen laserbearbeitungsprozess und eine analysevorrichtung zum analysieren einer werkstückoberfläche |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed |