Fehler­erkennung
Lackierung

Heraus­forderung

Automobilzulieferer prüft Ergebnis eines Lackierroboters manuell unter hohem zeitlichen Aufwand und bei großer Fehleranfälligkeit.
 

 

Mehr zum Showcase

Vorgehen

• Durchführung eines zweitägigen Workshops beim Kunden Vor-Ort
• Analyse der bekannten Fehlerbilder
• Erarbeitung von relevanten Variablen auf Basis der Log-Daten
• Aufbau eines lernenden Bilderkennungs-Systems unter Anwendung von Amazon SageMaker
• Erstellung von Klassifikationsmodellen zur Erkennung der Fehlerbilder
• Trainieren von Machine Learning Algorithmen (Google Tensorflow) anhand von historischen Daten.

Ergebnis

• Erkennung von 5 bekannten Fehlerbildern mit 96% Genauigkeit
• Erkennung von 2 unbekannten Fehlerbildern mit 87% Genauigkeit
• Einsatz der Fehlererkennungs-Komponenten in nächster Produktlinie geplant