Optische Qualitätssicherung durch automatisierte Bilderkennung
Bei jeder Produktion entstehen durch verschiedenste Einflüsse Produkte, die nicht mehr den Qualitätsansprüchen genügen. Um diese aussortieren zu können, gibt es verschiedene Methoden. Die am weitesten verbreitete Methode ist die visuelle Prüfung durch Mitarbeiter.
Durch sein hochentwickeltes und improvisationsfähiges Gehirn ist der Mensch in der Lage, komplexe Prüfaufgaben verlässlich durchzuführen und bei entsprechender Abweichung intuitiv korrekt zwischen fehlerfrei und fehlerhaft zu entscheiden. Faktoren wie Aufmerksamkeit, Erfahrung, Tagesform aber auch Umgebungsbedingungen können die Prüfleistung negativ beeinträchtigen, was zu einer durchschnittliche Fehlerquote von 10-20% führt. Der hohe Personalaufwand gepaart mit schwankender Erkennung bietet großes Potential für Automatisierung durch regelbasierte oder KI-gestützte Inspektionslösungen, die die Qualitätskontrolle automatisieren.
LÖSUNG 1
Regelbasierte Bilderkennung
Mit der zunehmenden Bedeutung der Automatisierung zur Bewältigung von Kostendruck und der Sicherstellung der Wettbewerbsfähigkeit auf dem globalen Markt spielen Maschinen eine immer wichtigere Rolle in der Qualitätskontrolle. Regelbasierte Bildverarbeitungssysteme haben sich aufgrund ihrer Fähigkeit, strengen Qualitätsvorgaben zu entsprechen und gleichzeitig die notwendige Nachvollziehbarkeit von Entscheidungen zu gewährleisten, als Standard etabliert. Hersteller haben äußerst effiziente Methoden entwickelt, die in Bezug auf Geschwindigkeit und Messgenauigkeit oft die menschlichen Fähigkeiten übertreffen.
Diese Systeme haben jedoch auch Einschränkungen. Sie erfordern konstante, kontrollierte Bedingungen wie gleichmäßige Beleuchtung, präzise Arbeitsabstände, Kamerawinkel und Hintergründe der zu inspizierenden Objekte. Auch die Oberflächen der Objekte müssen eine hohe Homogenität aufweisen, um genaue Ergebnisse zu gewährleisten. Aus diesem Grund werden diese Systeme häufig in speziellen Kammern untergebracht, um die Homogenität aufrechtzuerhalten, was zu größeren und teureren Systemen führt.
Darüber hinaus erfordert jedes Produkt die Entwicklung komplexer Entscheidungsbäume, die speziell auf dieses Produkt zugeschnitten sind. Zusammengefasst lässt sich sagen, dass diese regelbasierten Systeme, obwohl sie für bestimmte Aufgaben sehr effizient sind, komplex und starr sind und auf sehr spezifische Anwendungsfälle zugeschnitten werden müssen.
LÖSUNG 2
Die automatisierte visuelle Inspektion 2.0
Der hauptsächliche Grund für die notwendige Homogenität und die “Inselbegabung” dieser Systeme liegt in deren regelbasierten Ansatz. Ein Riss könnte bspw. als eine dunkle längliche Schattierung per Regeln in das System eingebracht werden. Durch eine Änderung der Beleuchtung ist es jedoch möglich, dass der Riss nicht eine Schattierung, sondern Aufhellung darstellt und somit ggf. nicht mehr zuverlässig erkannt wird, wenn dies in den Regeln nicht mit berücksichtigt wurde.
Der Mensch hingegen verinnerlicht sein Verständnis für einen Riss hauptsächlich anhand von Beispielen, dem im KI übertragenen Sinne “überwachten Lernen”, und seinem enormen Grundwissen über natürliche Gegebenheiten wie der Wechsel von Schatten und Reflexion bei sich verändernden Lichtverhältnissen. Der Mensch hat ein generelles Verständnis für einen Riss oder Lunker in einem Gussobjekt und kann diesen anhand weniger einzelner Beispielbilder daher trotz unterschiedlicher Beleuchtung, Farbe, Blickwinkel, Hintergrund etc. als solchen wahrnehmen.
KI-Training mit Deep Learning in der Qualitätssicherung
Das Prinzip des konzeptionellen, überwachten Lernens anhand von Beispielen ist auch die Grundlage von maschinellem Lernen, welches durch automatisierte, hierarchische Merkmalsextraktion der Deep Neural Networks ergänzt wird, was zusammengefasst auch als Deep Learning bekannt ist. Natürlich hat ein noch so komplexes künstliches neuronales Netz nicht das gleiche Vorwissen, das ein Mensch einbringt, sondern muss dieses anhand vieler Beispielbilder auf einen speziellen Fall bezogen erlernen. Vortrainierte Netze z. B. von ähnlichen Prüfaufgaben reduzieren die Menge an Beispieldaten erheblich, da das Netz grundsätzliche Konzepte wie Kanten, Schattierungen oder auch Risse oder Kratzer in anderem Kontext bereits erlernt hat. Das Konzept dahinter wird als Transfer Learning bezeichnet und ermöglicht eine automatisierte Bilderkennung mit einer Erkennungsgenauigkeit von bis zu 100%, die damit die Leistung menschliche Prüfung in den allermeisten Anwendungsfällen übersteigt.
Anwendungsfälle für KI-Bilderkennung entdecken
Mit Hilfe von Deep Learnings als Verknüpfung zwischen dem natürlichen, intuitiven Verständnis von Konzepten des Menschen und dem automatisierten Auswerten können aus beiden Welten die wesentlichen Vorteile genutzt werden. Entdecken Sie unsere Lösung AI.SEE™ im Einsatz:
-
Industrielle Beschichtung
Industrielle Beschichtung einfach mit KI prüfen – von Aluminium- bis galvanischer Beschichtung automatisiert mit AI.SEE™.
-
KI-basierte Qualitätskontrolle in der Pharmaindustrie
Automatisierte Fehlererkennung in der pharmazeutischen Produktion durch KI-Qualitätskontrolle.
-
Qualitätssicherung in der Solarindustrie
Automatisierte Inspektion und Fehlererkennung in der Solarproduktion.
-
-
-
Automatische Oberflächenprüfung in der Produktion
Schnelle und zuverlässige Oberflächenprüfung mit KI
-
-
Automatische Schweißnahtprüfung
Schnelle und zuverlässige Schweißnahtprüfung zur zerstörungsfreien Qualitätssicherung
-
Automatisierte Erkennung von Gussfehlern
Lunker, Poren, Risse, Kaltläufe. KI-Inspektion für Druckguss, Sandguss und Kokillenguss.
-
Automatische Qualitätssicherung bei der Batteriezellenprüfung
Zuverlässige und effiziente Prüfung von Schweißnähten, Oberflächenmerkmalen und Durchgängigkeit von Batteriezellen.
-
Smart Press Shop – Qualitätssicherung durch KI
KI gestützte In-Line Qualitätsprüfung für Presswerke
-
voestalpine – End-to-End Qualitätsprüfung mit KI
End-zu-End Qualitätsprüfung durch künstliche Intelligenz
-
Automatisierte Schliffbildanalyse durch KI
Schnelle und zuverlässige Schliffbildprüfung mit KI
-
-
Güterwagenprüfung
Mit KI-gestützter Bildanalyse automatisieren Sie die Güterwagenprüfung, reduzieren Kosten und steigern die Instandhaltungseffizienz.
-
DB Cargo – Präventive Inspektion von Autozügen
Mit KI-gestützter Bildanalyse automatisiert DB Cargo die Inspektion von Autozügen.
-
Thyssenkrupp Automotive Body Solutions automatisiert die Oberflächenprüfung
Im gemeinsamen Projekt mit AI.SEE™ optimiert thyssenkrupp Automotive Body Solutions die optische Prüfung von Türen auf Oberflächendefekte.
Jetzt anfragen.
Sie haben eine Projektanfrage? Zögern Sie nicht, Kontakt mit uns aufzunehmen – wir antworten Ihnen gerne und umgehend.
