Echtzeit-Objekterkennung mit KI für die automatisierte Montage und Demontage

Elektronik- und Maschinenkomponenten bestehen heute aus Dutzenden winziger Verbindungselemente. Solange Kameras und klassische Bildverarbeitung diese Schrauben, Nieten oder Clips nicht sicher finden – besonders wenn sie verdeckt, verschlissen oder verschmutzt sind – bleibt die (De-)Montage Handarbeit. Das kostet Zeit, bindet Fachkräfte und macht automatisierte Recycling-, Refurbishment- oder Qualitätsprozesse nahezu unmöglich.

Intelligente Sichtprüfung in Echtzeit

Unsere Computer-Vision-Technologie kombiniert hochauflösende optische Messtechnik mit lernfähigen Algorithmen und erkennt Verbindungselemente samt Lage- und Zustandsdaten in unter 50 Millisekunden. Diese Informationen fließen direkt in Roboter- oder CAx-Systeme ein, um manuelle Montage- und Demontageschritte zu automatisieren, Taktzeiten zu stabilisieren und Fachpersonal zu entlasten.

Der weltweite Elektronikschrott wächst laut UN aktuell um rund 3 bis 4 Prozent pro Jahr.¹ Um wertvolle Rohstoffe wie Kupfer, Gold oder seltene Erden zurückzugewinnen, müssen Produkte jedoch zunächst sauber in ihre Einzelkomponenten zerlegt werden.

Verbindungselemente wie Schrauben oder Nieten sind im industriellen Kontext eine besondere Herausforderung für automatisierte Erkennungssysteme – vor allem dann, wenn Produkte am Ende ihres Lebenszyklus stehen oder aus unterschiedlichen Quellen stammen. Zwar existieren seit vielen Jahren optische Prüf- und Kamerasysteme, doch deren Einsatz stößt in der Praxis schnell an Grenzen.

Die Ursachen dafür sind vielfältig:
Zum einen sind Verbindungselemente oft nur wenige Millimeter groß und teilweise von anderen Bauteilen verdeckt oder verschattet. Zum anderen variiert ihr Erscheinungsbild stark, abhängig von Verschmutzung, Gebrauchsspuren, Korrosion oder Fertigungstoleranzen. Gerade bei Rückläufern, gebrauchten Komponenten oder Elektronikschrott ist das äußere Erscheinungsbild selten standardisiert.

Hinzu kommt, dass klassische Bildverarbeitungssysteme in der Regel auf fest definierte Bildmerkmale und gleichmäßige Lichtverhältnisse angewiesen sind. Schon kleine Abweichungen – etwa durch wechselnde Beleuchtung, spiegelnde Oberflächen oder unterschiedliche Kamerapositionen – führen zu Erkennungsfehlern oder Komplettausfällen. Die Folge: automatisierte Montageschritte oder robotergestützte Demontageprozesse sind nicht zuverlässig möglich.

Das macht viele Abläufe teuer, langsam und fehleranfällig, obwohl die grundlegenden Tätigkeiten, wie das Auffinden und Lösen einer Schraube, eigentlich standardisierbar wären.

_{¹ Global E-waste Monitor 2024, United Nations University.}

Echtzeitfähige Objekterkennung für dynamische Umgebungen

Unsere Technologie kombiniert optische Messtechnik mit einem speziell trainierten Deep-Learning-Modell, das Verbindungselemente wie Schrauben oder Nieten auch unter schwierigen Bedingungen zuverlässig erkennt – zum Beispiel bei wechselnden Lichtverhältnissen, bewegten Werkstücken oder Teilverdeckungen durch andere Komponenten.

Die Bildverarbeitung erfolgt auf handelsüblicher Rechen-Hardware mit GPU-Beschleunigung. Eine Bildinferenz dauert typischerweise weniger als 50 Millisekunden. Die Detektion liefert nicht nur die Objektklasse, sondern auch präzise Lagekoordinaten und bestimmte Zustandsinformationen (z. B. Teilverdeckung). Die Daten werden in standardisierten Formaten ausgegeben und können direkt in CAD-, Roboter- oder Digital-Twin-Systeme übernommen werden.

Ein eigenes, voll annotiertes Bilddatenset – das IFF Fastener Dataset – dient als Grundlage für das KI-Training. Es umfasst mehrere tausend hochauflösende Aufnahmen gängiger Verbindungselemente in verschiedenen Beleuchtungssituationen. Neue Objektklassen lassen sich innerhalb weniger Wochen nachtrainieren und in das System integrieren ohne zusätzliche Hardwareanpassungen.

Technische Leistungsdaten auf einen Blick

• Detektionsgenauigkeit: 99,35 % (mAP)
  Getestet auf realen Verbindungselementen unter variierenden Lichtverhältnissen und Objektzuständen.
• Inferenzgeschwindigkeit: ≤ 50 ms pro Bild
  Echtzeitfähig – auch bei bewegten Werkstücken und wechselnden Kameraperspektiven.
• Trainierte Objektklassen: aktuell 10, erweiterbar
  Unterstützung für gängige Schrauben- und Nietprofile; neue Klassen per Transfer Learning integrierbar.
• Bildauflösung: bis zu 12 Megapixel
  Präzise Erkennung selbst kleinster Verbindungselemente (Ø < 3 mm).
• Schnittstellen: JSON, OPC UA, MQTT, ROS 2
  Einfache Integration in Roboterzellen, Digital-Twin-Umgebungen oder bestehende MES-Systeme.

Automatisierte Demontage im industriellen Umfeld

Die entwickelte Objekterkennung lässt sich flexibel in verschiedene industrielle Anwendungsbereiche integrieren – überall dort, wo Verbindungselemente erkannt, bewertet und automatisiert bearbeitet werden sollen. Die folgenden Beispiele zeigen typische Szenarien in Produktion, Instandhaltung und Kreislaufwirtschaft:

Roadmap und Erweiterbarkeit

Das System wurde bislang für zehn häufige Verbindungselemente wie Schrauben- und Nietprofile trainiert und im Technikum des Fraunhofer IFF erfolgreich getestet. Der Trainingsprozess basiert auf einem umfassenden, selbst erstellten Bilddatensatz, der typische Demontageszenarien unter verschiedenen Lichtverhältnissen und Perspektiven abbildet.

Neue Objektklassen können auf dieser Grundlage in kurzer Zeit integriert werden. Dafür wird das bestehende Modell mittels Transfer Learning gezielt weiterentwickelt – eine vollständige Neuerfassung oder Umstrukturierung ist nicht erforderlich. Auch die Erweiterung um andere Bauteile ist technisch bereits vorgesehen.

Ein weiterer Entwicklungsschritt ist die automatisierte Zustandsbewertung, etwa zur Erkennung von Korrosion, Materialverformung oder Beschädigung. Die Kombination aus Objekt- und Zustandsinformation schafft zusätzliche Anwendungsmöglichkeiten in der Reparaturvorbereitung, im Qualitätsmonitoring oder bei der Bauteilklassifizierung für Sortierprozesse. Erste interne Tests zu dieser Funktion laufen, eine Validierung unter realen Bedingungen ist für die kommenden Monate geplant.