Zur Qualitätskontrolle großflächiger Objekte aus der Halbleiter- und Elektronikindustrie oder zur schnellen Überprüfung biologischer Proben hat das Fraunhofer-Institut für Produktionstechnologie IPT aus Aachen ein High-Speed-Mikroskop entwickelt, das Proben mit bis zu 500 Bildern pro Sekunde digitalisiert. Auf der Control, der internationalen Fachmesse für Qualitätssicherung in Stuttgart, zeigen die Aachener Messtechniker vom 7. bis 10. Mai 2019, jetzt erstmals, wie sich dieses System anhand von Smart Glasses mit einer Gestensteuerung kombinieren und damit noch effizienter steuern und bedienen lässt.

Herkömmliche Mikroskopaufnahmen großer Bauteile dauern bei hohen Vergrößerungen oft so lange, dass 100-Prozent-Prüfungen aus Zeitgründen entfallen müssen und nur Stichproben untersucht werden können. Aus diesem Grund hat das Fraunhofer IPT einen neuen Aufnahmeprozess entwickelt, der eine große Vielzahl an Aufnahmen zu einem großen Gesamtbild kombiniert: Der Mikroskoptisch bewegt das Objekt dafür kontinuierlich während der gesamten Aufnahme, um die Probe mit sehr hohen Bildraten zu digitalisieren. Da das Objekt jeweils nur extrem kurz mit einem Blitz belichtet wird, ist die Aufnahme frei von Bewegungsunschärfe und wird dank echtzeitfähiger Hardware-Autofokussysteme an jeder Stelle scharf abgebildet.

Die zusätzlichen Smart Glasses bestehen aus einer 3D-Brille, die dem Anwender eine interaktive virtuelle Umgebung zeigt. Die Brille ist mit einem Sensor zur Gestenerkennung verbunden: Hält der Nutzer seine Hand über diesen Sensor, kann er damit das angezeigte Bild steuern. Die hochauflösenden Aufnahmen des High-Speed-Mikroskops setzt das System zu einem großen Gesamtbild zusammen, das der Anwender nicht nur betrachten, sondern mit intuitiven Handbewegungen auch verschieben, zoomen, einfrieren und speichern kann.

Der Scanprozess kombiniert ein echtzeitfähiges Datenhandling mit einer leistungsfähigen Bildvorverarbeitung, die dank GPU-Unterstützung nahezu ohne Verzögerung abläuft. Die aktuellen Entwicklungen beziehen zusätzlich Methoden des Maschinellen Lernens wie Deep Learning und Convolutional Neuronal Networks (CNN) ein.