Der Use Case 3 (UC3) im Rahmen des champI4.0ns-Projekts beschäftigt sich intensiv mit der Optimierung der Stiegenfertigung durch vernetzte Datenketten. Der Anwendungspartner, Weitzer Woodsolutions, fokussiert sich dabei auf die Qualitätssicherung bei der Herstellung von Treppen. Die Ausgangssituation zeigt, dass die Produktion von Stiegen oft auf groben Maßvorgaben basiert und die Anpassung an die Naturmaße erst vor Ort erfolgt. Obwohl bereits ein Proof of Concept (POC) zur Aufnahme der Naturmaße vor der Produktion besteht, ist ein wirtschaftlicher Einsatz aufgrund des hohen Ressourcenbedarfs bislang noch nicht möglich.

Zielbild und Lösungsansatz

Das Zielbild dieses Use Cases ist die maßgenaue Fertigung von Stiegen durch die Messung im Rohbau. Hierzu wird ein Demonstrator entwickelt, der eine einfache Datenaufnahme vor Ort ermöglicht, millimetergenau arbeitet und eine sichere Datenkommunikation gewährleistet. Diese erfassten Daten sollen in den vollautomatischen CAD-Produktionsprozess integriert und autonom von der Produktplanung bis zur Produktion verarbeitet werden. Darüber hinaus wird eine digitale Unterstützung bei der Kommissionierung der Ware angestrebt.

Der Ansatz basiert auf den Erkenntnissen aus Vorprojekten und sieht die Entwicklung eines Hardware-Demonstrators vor, der verschiedene Techniken wie die Kantendetektion und den Einsatz von künstlicher Intelligenz (KI) erforscht, um die Genauigkeit und Effizienz der Datenerfassung zu verbessern. Eine der großen Herausforderungen besteht darin, die Technologie weiterzuentwickeln, indem alternative Sensoren, die Integration von IMU und Kameras sowie Machine Learning-basierte Ansätze zur Verbesserung des Scans erforscht werden.

Technische Entwicklung und Ergebnisse

Bereits in den Zwischenergebnissen konnten bedeutende Fortschritte erzielt werden. Technisch wurde ein Testsystem entwickelt, das vier neuere Baslerkameras (zwei NIR, zwei normale) und IMU umfasst. Seit August 2023 ist ein Server verfügbar, und ein neuer Stereo-Matcher basierend auf Deep Learning wurde implementiert. Die SLAM-Ergebnisse mit Basalt sind genau genug, um den Kamerapfad live zu berechnen, und die 3D-Rekonstruktion mit Basalt ist wesentlich schneller bei ausreichender Genauigkeit. Der Deep Learning Feature Matcher liefert bessere Matching-Ergebnisse, und die Kompressionsraten für die Datenübertragung wurden bestimmt.

Vergleich kommerzieller und eigens entwickelter Lösungen

Die technische Entwicklung des Projekts hat bereits die Portierung des Demonstrators auf Tessera, den Einsatz neuer Kameras und Software-Updates von Drittanbietern abgeschlossen. Aktuell arbeitet das Team an der Integration von IMU, der Verwendung von vier Kameras, Kantendetektion und Machine Learning-basierten Alternativen zum Laser.

Fazit und Ausblick

Die Fortschritte in diesem Projekt zeigen vielversprechende Ansätze, wie vernetzte Datenketten und die intelligente Nutzung von Daten die Stiegenfertigung in der Holzindustrie revolutionieren können. Diese Technologien könnten die Produktion genauer, effizienter und wirtschaftlicher gestalten und damit einen wichtigen Beitrag zur Zukunft der Holzindustrie leisten.