Digitale Bildauswertung zur Hafteigenschaftsanalyse von Klebstoffen

Automatisierte Pipeline für die objektive Bruchbildanalyse im Bead-Peel-Test. Von standardisierter Bildaufnahme bis KI-Klassifikation.

Ausgangslage

Die Qualitätsprüfung industrieller Klebstoffe via Bead-Peel-Test erfolgt heute weitgehend manuell und ist damit zeitaufwändig sowie subjektiv. Diese Arbeit entwickelt und evaluiert eine digitale, automatisierte Auswertungspipeline, die die Bruchbildanalyse effizienter und standardisierter gestaltet.

Zielsetzung

Verglichen werden ein klassischer Bildverarbeitungsansatz (Pixelzählung) und Deep-Learning-Modelle. Datengrundlage sind 1’008 Post-Peel-Bilder und 75 Referenz-/Nachher-Bildpaare (18 Klebstofftypen, 18 Substrate). Die Aufnahmen entstehen in einer eigens entwickelten Fotobox; eine Algorithmenkette erkennt Klebestreifen automatisch und übernimmt Zuschnitt sowie Ausrichtung für die Klassifizierung.

Ergebnisse

Die Klebstoffe wurden in fünf Qualitätsklassen (1 = sehr gut, 5 = sehr schlecht) eingeteilt. Aufgrund starken Klassenungleichgewichts diente der Macro-F1-Score als Leitscore. Der klassische Ansatz erreicht binär (gut/schlecht) einen Macro-F1 von 0.85, bricht bei fünf Klassen jedoch ein. Deep-Learning übertrifft den klassischen Workflow deutlich.

Bestes Modell: Vision Transformer in drei Klassen (Fehlerklasse, 1+2, 3+4+5) mit Macro-F1 0.924 ± 0.007 (Validierung). ResNet-18 folgt mit 0.911 ± 0.011, das CNN liegt bei 0.784 ± 0.026. Die Ergebnisse wurden in eine produktionsnahe Lösung überführt: eine Flask-Webapplikation zur Bildaufnahme und Klassifikation mit automatischem Zuschnitt, Ausrichtung, Versionierung und Archivierung. Für den Praxiseinsatz stellt die Drei-Klassen-Konfiguration einen tragfähigen Kompromiss zwischen Aussagekraft und Robustheit dar. Insgesamt reduziert die Pipeline Subjektivität, erhöht Reproduzierbarkeit und ermöglicht eine verlässliche, automatisierte Qualitätsbeurteilung.

Technische Schlüsselbegriffe

• Bead-Peel-Test Verfahren in der Industrie um die adhesiven Kräfte eines Klebstoffes zu messen
• Substrat Untergrund Material, auf welches die Klebstoffe aufgetragen wurden
• Klassenungleichgewicht Klasse 1 und 5 sind viel häufiger im Datensatz als Klassen 2, 3 oder 4
• CNN Convolutional Neural Network, eine Klasse von Deep-Learning-Modellen zur Bildverarbeitung
• ResNet-18 Residual Network mit 18 Schichten, ein leistungsfähiges Deep-Learning-Modell
• Vision Transformer Transformer-Architektur für Bilddaten, die auf Selbstaufmerksamkeit basiert
• Macro-F1 Metrik zur Evaluierung der Modelle mit Einbezug des Klassenungleichgewichts
• Flask verwendetes Webframework zur Erstellung der Webapplikation
• Fotobox Fotovorrichtung aus Holz, wird benötigt um standardisierte Bildakquise zu ermöglichen

Kunde

Sika Services AG
Unternehmenswebsite

Team