Instrumental fungiert als technischer Multiplikator, indem es automatisierte Fehlererkennung, Ursachenanalyse, Berichterstattung, Produktdatenmanagement und native Tools für die Zusammenarbeit anbietet. Die Produktionsoptimierungs-Plattform aggregiert Bilder und funktionale Testdaten aus der gesamten Lieferkette und nutzt KI, um mögliche Ursachen automatisch einzuordnen. Bei der Massenproduktion setzen die Montagelinien-Bediener die Produkte in Bildgebungsstationen, drücken eine Taste und warten vier bis fünf Sekunden auf ein grünes oder rotes Licht. Die Bediener überprüfen das Produkt im Bildgebungssystem mehrmals zwischen den wichtigsten Montageschritten und stellen so den Kunden wertvolle Bilddaten sowie Pass-/Fail-Ergebnisse für das Produkt in seinen verschiedenen Stadien zur Verfügung. Das System bietet auch eine API für elektronische Tests, Messungen und andere relevante Daten, die auf der Fertigungslinie gesammelt werden. Diese Informationen sind in einer Cloud-Software für verschiedene Benutzer verfügbar. „Instrumental konzentriert sich darauf, die Daten für Benutzer aussagekräftiger zu machen, wodurch diese agiler sind und ihr Werk aus der Ferne verwalten können“, erläutert Tobias Harrison-Noonan, Direktor für geschäftliche Entwicklung und Lösungen bei Instrumental. „Dies erwies sich während der Covid-19-Pandemie als besonders nützlich, als die Ingenieure die Produktionsstätten nicht mehr betreten durften.“
Kamera SDK als Entscheidungsgrund
Instrumental bietet eine Drop-in-Bildgebungsstation, in der sich eine 20MP Farbkamera von Teledyne Flir befindet. Kunden haben die Wahl, die Station als sofort einsatzbereite Lösung zu nutzen, die von Expertenteams in den USA und China koordiniert wird oder können auch ihre eigene Hardware verwenden. Instrumental entschied sich wegen des Spinnaker SDK für die Teledyne Flir-Kameras. Harrison-Noonan: „Basierend auf unserer Forschung sah das Spinnaker-SDK extrem zugänglich aus und schien relativ einfach zu integrieren, was sich dann auch als richtig erwies.“ Darüber hinaus gibt es eine große Familie von Kameras der Blackfly S-Serie, was den Kunden die Flexibilität bietet, die Kamera mit minimaler Softwareentwicklung auszutauschen. „Als wir beispielsweise kürzlich die USB3-Kamera von 20MP Blackfly S als Standard einsetzten, benötigte das Team eine Blackfly S-Kamera mit einem globalen Blendenverschluss, um Bewegungsunschärfe bei einer sich bewegenden Förderbandanwendung zu reduzieren. Wir mussten sehr wenig Software-Modifikationen vornehmen, weil die Kamera zur gleichen Familie gehörte.“
Einrichtung innerhalb von 24h
Das Defekt-Training wird in der Cloud durchgeführt, und Instrumental berücksichtigt etwaige Sicherheitsbedenken, indem neue Benutzer auf der unternehmenskonformen Hosting-Sicherheitslösung für die verwaltete Cloud-Plattform zahlreiche Maßnahmen und Protokolle durchlaufen müssen. Der maschinelle Lernprozess erfordert weniger Bilder, als dies bei einer Deep Learning-Inspektion erforderlich wäre. Die Software analysiert mehrere Terabytes an Daten und stellt Korrelationen her. „Die Plattform ist absichtlich so konzipiert, dass sie allgemein wirksam ist. Es handelt sich also gerade nicht um AI-as-a-Service, bei dem das Team zwei Monate lang mit der Entwicklung eines sehr spezifischen Algorithmus beschäftigt wäre“, erklärt Harrison-Noonan. „In der Regel benötigen wir nur 30 Bilder eines Produkts, und die KI beginnt automatisch, neue Probleme ohne Benutzereingabe zu identifizieren, was den gesamten Prozess für einen Nicht-Vision-Spezialisten vereinfacht.“ Die Inferenz findet an der Peripherie statt, typischerweise auf einem Dell-Computer mit einer GPU, sodass das System schnellere Entscheidungen treffen und im Falle eines Internetausfalls weiterarbeiten kann. Sobald das System über 30 Bilder verfügt, beginnt es damit, Daten zu analysieren und Auffälligkeiten für den Bediener hervorzuheben, der dann ein markiertes Problem bestätigen oder entfernen kann. Darüber hinaus können mehrere Benutzer von überall auf der Welt auf ein einzelnes Projekt zugreifen, Daten in die Schulungsphase einbringen und dann dieses Verzeichnis als zentrale Plattform für die Zusammenarbeit nutzen.
µm-Defekt-Erkennung
Für Aufgaben wie die Inspektion von Mobiltelefonen misst Instrumental die Optik, stellt den Arbeitsabstand entsprechend ein und berechnet auf dieser Grundlage die Auflösung. „Instrumental verwendet einen Rechner, mit dem wir Schätzungen darüber anstellen können, wie viele Pixel erforderlich sind, um einen Defekt aufzuspüren“, erläutert Harrison-Noonan. „Normalerweise sind etwa fünf oder sechs Pixel erforderlich, um einen Defekt zu erfassen, was in etwa einer Defektgröße von 150 bis 200µm für gebräuchliche mobile Elektronikgeräte bedeutet. Das ist im Allgemeinen auch der Wert, den wir in solchen Anwendungen anstreben.“ Während das System bisher meist eine Farbkamera verwendet, hat das Unternehmen seine Palette vor kurzem um neue Datenquellen wie Infrarot- und sogar Röntgen- und 3D-Bildgebung-Technologien erweitert.
www.flir.de
www.instrumental.com
