Detektion von Verunreinigungen in der industriellen Bauteilereinigung mit Hilfe von Computer Vision

Die Sicherstellung technischer Sauberkeit ist in der industriellen Fertigung von großer Bedeutung, da bereits kleine partikuläre Verunreinigungen die Funktion von Bauteilen und Baugruppen beeinträchtigen können. Insbesondere metallische Späne stellen ein Risiko für nachgelagerte Prozesse und die Zuverlässigkeit technischer Systeme dar. Etablierte Prüfverfahren liefern zwar reproduzierbare Ergebnisse, sind jedoch meist laborbasiert, zeitaufwendig und nicht für eine unmittelbare Inline-Überwachung geeignet. Vor diesem Hintergrund untersucht die vorliegende Arbeit, ob sich Deep-Learning-basierte Computer-Vision-Verfahren zur Detektion von Metallspänen auf Bauteiloberflächen einsetzen lassen. Dazu wurde zunächst der Stand der Wissenschaft eingeordnet und eine Forschungslücke hinsichtlich lernbasierter Spanerkennung im Kontext der industriellen Bauteilereinigung identifiziert. Anschließend wurde eine kontrollierte Versuchsumgebung aufgebaut, mit der reproduzierbare Bildaufnahmen metallischer Bauteile mit und ohne Späne erstellt werden konnten. Die aufgenommenen Bilder wurden aufbereitet, manuell annotiert und zum Training verschiedener You Only Look Once (YOLO)v11-Modellvarianten verwendet. Zusätzlich wurde der Trainingsdatensatz durch Random-Crop-Datenaugmentation erweitert. Die Evaluation anhand etablierter Metriken der Objektdetektion zeigt, dass Metallspäne unter kontrollierten Aufnahmebedingungen grundsätzlich zuverlässig erkannt werden können. Die Ergebnisse weisen zugleich darauf hin, dass die präzise Lokalisierung kleiner und unregelmäßig geformter Verunreinigungen anspruchsvoller ist als deren reine Erkennung. Darüber hinaus zeigte sich, dass eine standardisierte Bildaufnahme sowie eine geeignete Datensatzgestaltung, insbesondere eine konsistente Annotation, eine getrennte Aufteilung in Trainings-, Validierungs- und Testdaten sowie die gezielte Erweiterung des Trainingsdatensatzes durch Random-Crop-Datenaugmentation, wesentliche Voraussetzungen für belastbare Detektionsergebnisse sind. Insgesamt belegt die Arbeit, dass YOLO-basierte Objektdetektion einen vielversprechenden Ansatz für die bildbasierte Erkennung partikulärer Verunreinigungen im Kontext industrieller Bauteilereinigung darstellt. Sie liefert damit eine methodische Grundlage für weiterführende Untersuchungen unter realitätsnäheren Produktionsbedingungen und für eine perspektivische Integration in automatisierte Prüfprozesse.

Ensuring technical cleanliness is of great importance in industrial manufacturing, as even small particulate contaminations can impair the functionality of components and assemblies. Metallic chips in particular pose a risk to downstream processes and to the reliability of technical systems. Established inspection methods provide reproducible results, but they are usually laboratory-based, time-consuming, and not suitable for immediate inline monitoring. Against this background, this thesis investigates whether deep-learning-based computer vision methods can be used to detect metallic chips on component surfaces. For this purpose, the current state of research was first analyzed, and a research gap was identified regarding learning-based chip detection in the context of industrial component cleaning. Subsequently, a controlled experimental setup was developed to enable reproducible image acquisition of metallic components with and without chips. The recorded images were prepared, manually annotated, and used to train different variants of the YOLOv11 architecture. In addition, the training dataset was extended using random-crop data augmentation. The evaluation based on established object detection metrics shows that metallic chips can generally be detected reliably under controlled imaging conditions. At the same time, the results indicate that the precise localization of small and irregularly shaped contaminations is more challenging than their detection alone. Furthermore, the findings show that standardized image acquisition and suitable dataset design are essential prerequisites for reliable detection results. Overall, this thesis demonstrates that YOLO-based object detection is a promising approach for the image-based detection of particulate contaminations in the context of industrial component cleaning. It therefore provides a methodological basis for further investigations under more realistic production conditions and for a possible future integration into automated inspection processes.