Semiautomatic dimensional screening of plastic scintillator cubes using image analysis and robotics

Die Autoren stellen ein halbautomatisiertes System vor, das mittels Robotik, Bildanalyse und Kameras die präzise dimensionsmäßige Qualitätskontrolle und Sortierung von Plastikszintillatorwürfeln für zukünftige Neutrinodetektoren ermöglicht.

Das Wesentliche

Der große Baukasten für das Universum

Stellen Sie sich vor, Sie bauen das größte und präziseste Puzzle der Welt, um die Geheimnisse des Universums zu entschlüsseln. Dieses Puzzle besteht aus fast zwei Millionen kleinen Würfeln aus einem speziellen Kunststoff (einem Szintillator), die so groß sind wie ein Spielwürfel (1 cm³). Jeder dieser Würfel hat drei winzige Löcher, durch die extrem dünne Glasfasern gezogen werden müssen, um Lichtsignale zu empfangen.

Das Problem? Wenn Sie zwei Millionen dieser Würfel stapeln, reicht schon ein winziger Fehler. Stellen Sie sich vor, Sie versuchen, eine Nadel durch eine Nadelöhr-Kette zu ziehen, die aus zwei Millionen Gliedern besteht. Wenn nur ein Glied schief ist, klemmt die ganze Kette. Bei diesem Projekt war die Toleranz so gering wie ein menschliches Haar (etwa 36 Mikrometer).

Das alte Problem: Die mühsame Handarbeit

Früher haben Menschen diese Würfel geprüft. Sie haben sie in Blöcken von 15x15 angeordnet und dicke Metallstäbe durch die Löcher gestoßen. Wenn der Stab nicht glatt durchging, war der Würfel "schlecht" und wurde weggeworfen.

• Der Nachteil: Das war extrem langsam (über 16 Sekunden pro Würfel) und sehr subjektiv. "Fühlt sich der Stab etwas fest an?" – das hängt vom Gefühl des Arbeiters ab. Zudem wurden dabei viele Würfel weggeworfen, die eigentlich noch gut genug gewesen wären, wenn man sie nur anders sortiert hätte.

Die neue Lösung: Ein roboter-gesteuertes Foto-Studio

Die Forscher aus Japan haben eine clevere Maschine gebaut, die wie ein hochmodernes Foto-Studio für Würfel funktioniert. Hier ist, wie sie es gemacht haben, mit ein paar Vergleichen:

1. Der Drehstuhl und die Kameras (Das "Foto-Studio")

Stellen Sie sich einen kleinen, drehbaren Tisch vor, auf dem ein Würfel liegt.

• Der Tanz: Der Tisch dreht sich präzise. Während er sich dreht, fangen sechs hochauflösende Kameras blitzschnell Fotos von allen sechs Seiten des Würfels ein.
• Das Licht: Damit keine Schatten entstehen (wie bei einer schlechten Partybeleuchtung), leuchten ringförmige LEDs den Würfel von allen Seiten gleichmäßig an.
• Der Computer: Eine Software analysiert die Fotos sofort. Sie misst nicht nur mit einem Lineal, sondern "sieht" jede Unebenheit. Sie prüft: Ist der Würfel perfekt würfelförmig? Sind die Löcher genau dort, wo sie sein sollen? Gibt es kleine Splitter oder Erhebungen?

Das Ergebnis: Die Maschine ist viel genauer als ein menschliches Lineal (sie misst auf 10 Mikrometer genau) und braucht nur etwa 6 Sekunden pro Würfel – das ist dreimal schneller als die Handarbeit.

2. Der Roboterarm (Der "Tischler")

Am Anfang gab es ein Problem: Die Maschine war so gut, dass sie zu viele Würfel als "schlecht" ablehnte. Warum? Weil sie zu streng war.

• Die Erkenntnis: Ein Würfel mit einem Loch, das 0,3 mm zu weit links ist, ist nicht unbedingt Müll. Wenn man alle Würfel in einer Reihe findet, die genau 0,3 mm zu weit links sind, und diese hintereinander stapelt, passt das Glasfaser-System trotzdem perfekt! Es ist wie beim Schneiden von Holz: Wenn alle Bretter 2 mm zu lang sind, kann man sie trotzdem bauen, solange man sie alle gleich behandelt.
• Die Lösung: Sie fügten einen 6-Achsen-Roboterarm hinzu (wie einen sehr geschickten menschlichen Arm).
  • Statt den Würfel einfach in einen "Gut" oder "Schlecht"-Korb zu werfen, scannt der Roboterarm die Daten.
  • Er sortiert die Würfel in 48 verschiedene Schubladen ein. Jede Schublade steht für eine bestimmte Art von "Verschiebung" der Löcher.
  • Der Roboterarm dreht den Würfel dabei so, dass er in der Schublade genau so liegt wie auf dem Foto. So bleibt die Orientierung erhalten.

Das Endergebnis

Durch diese clevere Kombination aus Fotografie, Computeranalyse und Roboter-Sortierung haben die Forscher zwei Dinge erreicht:

1. Geschwindigkeit: Die Prüfung geht viel schneller.
2. Ressourcenschonung: Statt 20 % der Würfel wegzuwerfen (wie bei der alten Methode), konnten sie die Ausschussrate auf nur 3,1 % senken.

Die Moral der Geschichte:
Statt alles, was nicht 100 % perfekt ist, sofort zu verwerfen, hat die Maschine gelernt, die kleinen Fehler zu verstehen und die Teile intelligent zu gruppieren. So wird aus einem "fehlerhaften" Teil ein wertvoller Baustein für das riesige Experiment. Es ist wie ein Meisterkoch, der nicht einfach verdorbene Zutaten wegwerfen würde, sondern sie so verarbeitet, dass am Ende trotzdem ein perfektes Gericht entsteht.

Dieses System ist ein Vorbild für die Zukunft, wenn Wissenschaftler noch größere Detektoren bauen wollen, bei denen Millionen von Teilen präzise zusammenarbeiten müssen.

Technische Zusammenfassung

Titel: Semiautomatische dimensionsbasierte Sortierung von Plastikszintillator-Würfeln mittels Bildanalyse und Robotik

Autoren: Tatsuya Kikawa et al. (Kyoto University, Tohoku University, KEK)
Ziel: Entwicklung eines automatisierten Systems zur Qualitätskontrolle von Plastikszintillator-Würfeln für große Teilchendetektoren (z. B. SuperFGD im T2K-Experiment und zukünftige Neutrinodetektoren).

---

1. Problemstellung und Motivation

Großskalige Teilchendetektoren bestehen oft aus Millionen von Komponenten, deren mechanische Präzision die Gesamtleistung des Detektors kritisch beeinflusst. Ein spezifisches Beispiel ist das SuperFGD-Detektorsystem des T2K-Experiments, das aus fast 2 Millionen Plastikszintillator-Würfeln (1 cm³ Volumen) besteht. Jeder Würfel verfügt über drei orthogonale Bohrungen (1,5 mm Durchmesser) für Wellenlängenverschiebungsfasern (WLS-Fasern, 1,0 mm Durchmesser).

• Herausforderung: Selbst geringe Abweichungen in den Würfelabmessungen oder der Position der Bohrungen summieren sich bei der dreidimensionalen Stapelung auf. Eine Fehlausrichtung von mehr als 0,5 mm zwischen benachbarten Würfeln verhindert das Einfädeln der Fasern.
• Bestehende Methode: Die bisherige Qualitätskontrolle in Russland erfolgte manuell durch das Einführen von Stahlstäben (1,4 mm) in angeordnete Würfelblöcke. Dies war extrem zeitaufwendig (>16 Sekunden pro Würfel), subjektiv und nicht reproduzierbar. Zudem führte dies zu einem Ausschuss von ca. 5 %, wobei viele Würfel fälschlicherweise als defekt eingestuft wurden, obwohl ihre Bohrungsabweichungen in eine Richtung konsistent waren und somit durch Gruppierung nutzbar wären.

2. Methodik und Systemaufbau

Die Autoren entwickelten ein zweistufiges System: einen Prototypen und eine vollendete Version mit Roboterarm.

A. Optisches und Mechanisches System (Prototyp)

• Aufbau: Ein rotierender Tisch mit 8 Plattformen, angetrieben von einem Schrittmotor.
• Bildaufnahme: 6 hochauflösende USB-Kameras (8 MP) mit 2x-Telekonverter-Linsen (ca. 15 µm/Pixel). Ring-LEDs sorgen für eine gleichmäßige Ausleuchtung von drei Seiten, um Schatten durch die chemisch geätzte Oberfläche zu minimieren.
• Prozess: Der Würfel wird manuell platziert. Der Tisch dreht sich in 45°-Schritten, um zwei Positionen (Imaging Point 1 & 2) zu erreichen, an denen jeweils drei Seiten des Würfels fotografiert werden. Durch Schwerkraft rollt der Würfel auf der Plattform, um die verdeckten Seiten freizulegen.
• Sortierung: Ein Servo-Motor steuert ein Ventil, das den Würfel basierend auf der Analyse in einen "akzeptierten" oder "defekten" Kasten fallen lässt.

B. Bildanalyse und Algorithmen

Die Software nutzt OpenCV und benutzerdefinierte Algorithmen:

1. Vorverarbeitung: Graustufenkonvertierung, Gauß-Filterung zur Rauschunterdrückung und Binarisierung.
2. Konturerkennung: Extraktion der Würfelränder und Bohrungskonturen.
3. Hough-Transformation: Erkennung von Linien (Würfelkanten) und Kreisen (Bohrungen) zur groben Bestimmung von Größe und Position.
4. Ausrichtungskorrektur: Korrektur systematischer Neigungen durch Anpassung der Kantensteigungen.
5. Präzisionsanpassung: Least-Squares-Kreisfitting für die Bohrungen nach Aussortieren von Schattenbereichen.
6. Kalibrierung: Lineare Korrektur von Beleuchtungs- und Ausrichtungsartefakten durch Vergleich mit einer Referenzkonfiguration (16 Würfel, 96 Proben).
7. Klassifizierung: Bewertung basierend auf Bohrungspositionen ($x_{hole}, y_{hole}$), Würfelgröße ($L_x, L_y$) und einem "Protrusions-Index" (Oberflächenunebenheiten).

C. Vollendetes System mit Roboterarm

Um die Sortiergenauigkeit zu erhöhen und die Orientierung der Würfel zu erhalten:

• Roboter: Ein 6-Achsen-Roboterarm (UFACTORY xArm 6) mit Vakuumgreifer ersetzt das einfache Sortierventil.
• Strategie: Statt Würfeln mit Bohrungsabweichungen pauschal zu verwerfen, werden sie in 48 Gruppen eingeteilt. Die Gruppierung basiert auf der relativen Verschiebung der Bohrungen auf den X- und Y-Faces, wobei die Orientierung (Z-Face) erhalten bleibt.
• Ablauf: Der Roboter greift den Würfel nach der Bildaufnahme, behält die Orientierung bei und platziert ihn in eine der 48 Fächer eines Sortierkastens. Nur Würfel mit kritischen Fehlern (Größe, Protrusionen oder extreme Bohrungsabweichungen) werden als defekt verworfen.

3. Ergebnisse

Prototyp-Leistung

• Messgenauigkeit: Die Standardabweichung der Messungen wurde durch Korrekturen von 23 µm auf 10 µm reduziert.
• Vergleich mit manueller Prüfung: Das System erreichte eine Übereinstimmung von über 80 % mit der manuellen Sortierung (basierend auf Stahlstäben).
• Geschwindigkeit: Ca. 6 Sekunden pro Würfel (ein Drittel der manuellen Zeit).
• Ausschussrate (Prototyp): Ca. 20 % der Würfel wurden als defekt klassifiziert, hauptsächlich aufgrund von Bohrungsabweichungen, die bei manueller Prüfung oft toleriert wurden, wenn sie konsistent waren.

Vollendetes System (mit Roboter)

• Testlauf: Überprüfung von ca. 6.500 Würfeln.
• Durchlaufzeit: Ca. 15 Sekunden pro Würfel (durch den Greifvorgang verlängert), immer noch deutlich schneller als die manuelle Methode.
• Ausschussrate: Durch die intelligente Gruppierung sank die Defektrate signifikant auf 3,1 %.
• Präzision: Innerhalb der 48 Gruppen lag die maximale Positionsvariation unter 500 µm, was innerhalb der Toleranz für das Einfädeln der Fasern liegt.
• Stabilität: Der Roboterarm handhabte die Würfel zuverlässig ohne nennenswerte Ausfälle (z. B. Fallenlassen).

4. Wichtige Beiträge und Signifikanz

1. Quantitative Qualitätskontrolle: Ersetzung einer subjektiven, manuellen Prüfung durch ein präzises, messbares und reproduzierbares System.
2. Innovative Sortierstrategie: Der Ansatz, Würfel nicht nur nach "gut/schlecht" zu trennen, sondern basierend auf der Richtung der Bohrungsverschiebung in viele Untergruppen zu klassifizieren, maximiert die Ausbeute nutzbarer Komponenten für große Detektoren.
3. Skalierbarkeit: Das System ist für die Anforderungen zukünftiger, noch größerer Neutrinodetektoren (wie DUNE) geeignet, wo die manuelle Prüfung nicht mehr praktikabel wäre.
4. Automatisierungspotenzial: Die Demonstration, dass der Roboterarm auch das Beladen der Plattform übernehmen kann, ebnet den Weg für eine vollständig automatisierte, unbeaufsichtigte Produktionslinie.

Fazit

Das vorgestellte System bietet eine skalierbare, präzise und effiziente Lösung für die Qualitätskontrolle von Millionen von Detektorkomponenten. Durch die Kombination von Hochgeschwindigkeits-Bildanalyse und Robotik wurde es gelungen, die Ausschussrate drastisch zu senken und gleichzeitig die mechanische Präzision für den Bau komplexer Teilchendetektoren sicherzustellen.