Refine
Document Type
- Article (9)
- conference proceeding (article) (6)
- conference proceeding (presentation) (2)
- Doctoral Thesis (2)
- Part of a Book (1)
- Preprint (1)
Publication reviewed
- peer review (10)
- begutachtet (8)
- nicht begutachtet (3)
Keywords
- EffPro (2)
- physically based rendering (2)
- AI-based quality inspection (1)
- Blanking (1)
- CMOS sensors (1)
- Confocal Metrology (1)
- Effiziente Produktionstechnik (1)
- Gießerei (1)
- Light sources (1)
- Microlens array (1)
Synthetic Data Generation for AI-Based Quality Inspection of Laser Welds in Lithium-Ion Batteries
(2025)
Manufacturing companies are increasingly confronted with critical challenges such as a shortage of skilled labor, rising production costs, and ever-stricter quality requirements. These challenges become particularly acute when defect types exhibit high visual variance, making consistent and accurate inspection difficult. Traditionally, visual inspection of high variance errors is performed manually by human operators—a process that is both costly and prone to errors. Consequently, there is a growing interest in replacing human inspection with AI-based visual quality control systems. However, the adoption of such systems is often hindered by limited access to training data, labor-intensive labeling processes, or the absence of real production data during early development stages. To address these challenges, this paper presents a methodology for training AI models using synthetically generated image data. The synthetic images are created using Physically Based Rendering, which enables precise control over rendering parameters and facilitates automated labeling. This approach allows for a systematic analysis of parameter importance and bypasses the need for large real training datasets. As a case study, the focus is on the inspection of laser welds in battery connectors for fully electric vehicles—a particularly demanding application due to the criticality of each weld. The results demonstrates the effectiveness of synthetic data in training robust AI models, thereby providing a scalable and efficient alternative to traditional data acquisition and labeling methods. The trained binary classifier reaches a precision of 0.94 with a recall of 0.98 solely trained on synthetic data and tested on real image data.
Punching is an essential production process for manufacturing large volumes of uniform, cost-effective parts. Despite its widespread use, the efficiency and quality of this process are highly sensitive to numerous parameters, many of which are not fully understood. Achieving optimal, reproducible, and transparent process control, it is crucial to have a detailed understanding of the wear condition of the punching tool. Currently, direct methods for measuring tool wear are unavailable, leading to reliance on indirect measurements through physical surrogate variables. These techniques predominantly focus on indirectly monitoring the quality of the punched parts after processing. In this study, we developed an innovative pneumatic gauging system capable of periodically measuring punch wear directly. We demonstrate the feasibility of integrating a measurement nozzle into the cutting tool, which enables direct assessment of the cutting edge wear. Additionally, we have developed a dedicated measuring transducer and conducted a comparative analysis against an industrial standard. Our methodology includes a comprehensive calibration process within the punching operation. To validate our approach, we performed a series of tests and cross-validation to demonstrate that tool wear degradation can be effectively measured. We explored the potential of this monitoring approach for predicting tool wear. Our findings indicate that real-time measurement of the punch’s cutting edge wear in punching and blanking operations is achievable, which paves the way for advancements in process control and maintenance.
Aligning a lens system relative to an imager is a critical challenge in camera manufacturing. While optimal alignment can be mathematically computed under ideal conditions, real-world deviations caused by manufacturing tolerances often render this approach impractical. Measuring these tolerances can be costly or even infeasible, and neglecting them may result in suboptimal alignments. We propose a reinforcement learning (RL) approach that learns exclusively in the pixel space of the sensor output, eliminating the need to develop expert-designed alignment concepts. We conduct an extensive benchmark study and show that our approach surpasses other methods in speed, precision, and robustness. We further introduce relign, a realistic, freely explorable, open-source simulation utilizing physically based rendering that models optical systems with non-deterministic manufacturing tolerances and noise in robotic alignment movement. It provides an interface to popular machine learning frameworks, enabling seamless experimentation and development. Our work highlights the potential of RL in a manufacturing environment to enhance efficiency of optical alignments while minimizing the need for manual intervention.
Die individuelle Markierung von Gussteilen ermöglicht die direkte Zuordnung von Prozesseinflussgrößen aus Teilprozessen wie Formen, Schmelzen und Gießen zu beliebigen Qualitätskenngrößen. Sie bietet damit den Schlüssel zu einer datenbasierten Analyse der Wirkzusammenhänge zwischen Prozess und technischen, ökologischen und ökonomischen Eigenschaften eines Gussteils sowie einer darauf basierenden KI-gestützten Prozesskontrolle.
In Deutschland gibt es basierend auf Berechnungen des Bundesministeriums für Familie, Senioren, Frauen und Jugend aus dem Jahr 2020 etwa 4,8 Millionen pflegende Angehörige (Bundesministerium für Familie, Senioren, Frauen und Jugend, 2020). Diese nehmen im deutschen Pflegesystem eine zentrale Schlüsselrolle ein, da von den 5 Millionen pflegebedürftigen Menschen in Deutschland 2,55 Millionen ausschließlich durch pflegende Angehörige ohne Beteiligung von professionellen Pflegediensten versorgt werden (Kuhlmey & Budnick, 2023). Damit diese Gruppe bestmöglich während ihrer Pflegetätigkeit entlastet und unterstützt werden kann, versuchen verschiedene Forschungsgruppen mit Förder-/Forschungs- und Praxisprojekten soziotechnische Unterstützungsanwendungen zur Entlastung von pflegenden Angehörigen zu entwickeln. Dabei setzen sich die Anwendungen oftmals Ziele wie beispielsweise eine verbesserte Vereinbarkeit von Pflege, Familie und Beruf, eine vereinfachte Organisation des Sorge- und Pflegearrangements, zeitliche Entlastung, Stärkung der sozialen Teilhabe oder Reduzierung des physischen und psychischen Belastungserlebens von pflegenden Angehörigen zu ermöglichen. Da sich die entstehenden Lösungen an den Bedürfnissen der späteren Nutzenden orientieren und diese im besten Fall befriedigen sollen, ist eine frühzeitige und kontinuierliche Einbindung dieser wünschenswert. Gerade da die Nutzendengruppe der pflegenden Angehörigen eine sehr heterogene und diverse Zielgruppe darstellt, ist eine frühzeitige Beteiligung im Sinne der Partizipation sehr zu empfehlen und teilweise bereits Voraussetzung zur Bewilligung von Fördermitteln.
The spectrometer-free chromatic confocal measurement technique enables 3D surface measurements with just one exposure and without scanning. To reduce the need for a spectrometer for the spectral analysis of the reflected light composition and thus the extraction of the local surface height, an optical spectral analysis unit is used. This unit determines the first momentum of the spectral composition reflected from the surface under probe for a large number of lateral measurement points simultaneously. This work investigates the impact of the spectral composition and light power of the light source on the sensitivity and accuracy of this method. A thorough optimization of the light source will be conducted, demonstrating the impact of various spectral compositions and light source power on the system performance, taking into account the system-related etendue. In addition, the optimization of the spectral transmission filter used in the optical spectral analysis unit and its influence on the accuracy and sensitivity of the system over the entire measurement range is shown.
In an industrial context, AI-based methods are becoming increasingly important in the optical systems used for identification, inspection and classification. The reasons for this are that AI-based image processing algorithms are easy to use on the operator side and often achieve superior results. E.g. in complex classification tasks. In the sand cast industry, the complexity in optical inspection of cast parts is connected with strong variations in the local surface topography and in the global object geometry change. Despite the great potential of AI-based methods, application is often hindered by the immense effort involved in acquiring a suitable training dataset. This refers not only to the acquisition of the required number of images but also to the tedious labelling. In this work, we investigate the capabilities and limits of synthetic training data on an AI-based optical scanner used to identify and track cast parts. The optical scanner is capable of detecting and classifying a codification specifically designed for the casting industry. By reading the code, the scanner can deduce the specific number of the cast part. For synthetic image generation, we use physically based rendering, which has advantage of full control over all rendering parameters. This allows for both a systematic investigation of the importance of the parameters and, an automatic labelling process of the training datasets. Our results show that, in particular, a detailed geometric modelling of the local surface topography and global object geometry of the pins have a positive influence on the recognition rate of the neural network. With that accuracy rates up to 56 % are achieved using synthetic training datasets, only.
The spectrometer free areal chromatic confocal metrology (ChromaCAM) is an optical 3D surface measurement technology, which allows a simultaneous measurement of a large array of measuring points within a single exposure. In this work, we investigate the accuracy of a first prototype sensor system utilizing this new singleshot 3D measurement technique. It is found that surface height measurement errors smaller 1μm within a total measurement range of about 1000 μm are achievable. Furthermore, several influential factors are investigated showing the advantages and limits of the presented system. Investigating different surface materials it is found that frame rates up to approximately 800 fps for highly reflecting surfaces and up to 30 fps for ceramics, aluminum, and plastics are achievable.
The dissertation presents two approaches for novel and improved measurement techniques, in the area of optical confocal surface metrology.
Firstly, a highly miniaturized endoscopic point distance sensor based on a spatial confocal measurement principle is presented. The sensor utilizes a new technique called spatial confocal point distance measurement. A special feature of the proposed sensor design is the high degree of miniaturization through femto-second direct laser writing and the use of optical fiber bundles, which enable an endoscopic application.
The second part of the dissertation will present a novel method for chromatic confocal metrology, that enables high-speed and high-resolution one-shot areal surface metrology without the need for a spectrometer. After deriving the theoretical basis of the approach, an optical design is conducted and verified using a preliminary optical simulation, After the design of a suitable housing and implementation of a calibration and processing algorithm, the experimental validation and the acquired results will be presented.
In summary, this work adds two novel measurement techniques to the field of fast in-line optical confocal metrology.
In der vorliegenden Arbeit werden Methoden zur datengetriebenen Qualitäts- und Verschleißbestimmung beim Scherschneiden entwickelt. Zunächst wird ein optisches Überwachungssystem in einen Scherschneidprozess integriert und eine Inline-Überwachung in Bezug auf die Schnittflächenkenngrößen ermöglicht. Für die automatische Qualitätsbestimmung wird am Beispiel der Glattschnitthöhe ein Algorithmus zur automatisierten Bildverarbeitung gezeigt. Die neuen Möglichkeiten, die durch diese Entwicklung entstehen, werden anhand einer Fallstudie analysiert. Um die Schwächen des entwickelten Algorithmus mit Blick auf die Verarbeitungszeit auszugleichen, werden ebenfalls neuronale Netzwerke zur Bildverarbeitung untersucht. Zunächst wird hierzu eine Datenmenge aus dem Fertigungsprozess aufgezeichnet und ein manuelles Labelling sowie eine künstliche Datenerweiterung durchgeführt. Beruhend auf Normen und Expertenwissen, wird eine Methode zur Bewertung der Prognosegüte entwickelt. Diese beinhaltet eine Bewertung anhand von verschiedenen Koeffizienten, die sowohl konturbasierte als auch regionenbasierte Ansätze kombinieren. Durch einen Vergleich unterschiedlicher Netzwerkarchitekturen zur Bildsegmentierung und deren Optimierung wird eine Netzwerkarchitektur ermittelt, die die Qualitätsbewertung im Hinblick auf die Glattschnitthöhe innerhalb des Fertigungsprozesses ermöglicht.
Abschließend wird ein Sensornetzwerk bestehend aus unterschiedlichen Sensoren und dem entwickelten Überwachungssystem an einem Scherschneidprozess installiert. In einer Versuchsreihe werden Daten der unterschiedlichen Datenquellen über die Lebensdauer eines Schneidstempels aufgezeichnet. Zusätzlich wird zu definierten Intervallen der vorliegende Schneidstempelverschleiß ermittelt. Die Daten werden in Verschleißklassen eingeteilt und durch unterschiedliche Datenvorverarbeitung entstehen mehrere Merkmalsräume. Diese unterscheiden sich zum einen durch die Kombination der Datenquellen als auch durch die angewendete Datenreduzierung. Die unterschiedlichen Merkmalsräume dienen zum Training von sowohl klassischen Algorithmen des maschinellen Lernens als auch neuronalen Netzwerken. Eine Bewertung und Analyse erfolgt anhand der jeweiligen Konfusionsmatrix und mittels SHAP-Werten. Es zeigte sich, dass durch eine Vorhersage der Verschleißklassen beruhend auf den Bildaufnahmen der Glattschnittfläche nur minimal schlechtere Ergebnisse erzielt werden als durch ein Sensornetzwerk beruhend auf einer Kombination aller Datenquellen.
