Schneller am Ziel

Wann und warum lohnt sich der Einsatz von KI-Vision?
In der Praxis lässt sich meist einfach entscheiden, ob KI das beste Verfahren für die jeweilige Aufgabe der optischen Qualitätssicherung ist. Je schwieriger die Gut-/Schlecht-Unterscheidung, desto mehr brilliert sie. Richtig durchgeführte KI-Projekte sparen Produktionskosten oder können sogar den Markteintritt um Monate vorverlagern.
Bild 1 | Bei der KI-Software AI.see werden neue Produktbilder mit annotierten Fehlern dem KI-Modell im laufenden Betrieb beigefügt. Eingriffe durch die Entwickler und mehrfacher Austausch des KI-Modells in der Produktion sind dabei nicht erforderlich.
Bild 1 | Bei der KI-Software AI.see werden neue Produktbilder mit annotierten Fehlern dem KI-Modell im laufenden Betrieb beigefügt. Eingriffe durch die Entwickler und mehrfacher Austausch des KI-Modells in der Produktion sind dabei nicht erforderlich. (©Gorodenkoff/shutterstock.com / elunic AG)

Optische Qualitätssicherung mit KI entfaltet ihre Stärken dort, wo konventionelle regelbasierte Bildverarbeitung an ihre Grenzen stößt. Das betrifft alle Fehler, die mit einprogrammierten Regeln schwer oder nicht zu erfassen sind. Typische Beispiele dafür sind Verschmutzungen, Risse und Kratzer – also Fehler, die keinen linearen Regeln folgen. Sie können so viele Formen annehmen, dass ihre Programmierung praktisch nicht möglich ist. Erschwerend für traditionelle Vision-Systeme wirken auch Faktoren wie Reflexionen, unterschiedliche Oberflächengüten oder die notwendige Flexibilität für eine chaotische Fertigung. Können solche Fehler- und Störgrößen in einer Produktion auftreten, ist eine optische Qualitätssicherung mit Machine Learning (ML) meist ein effizientes Mittel der Wahl, denn eine ML-Software muss nicht jede einzelne Fehlermöglichkeit kennen. Sie erfasst stattdessen das Prinzip des Fehlers. Deswegen wird sie zum Beispiel Lunker und Risse auch in unterschiedlichen Formen und Ausdehnungen erkennen. Diese Fehlererkennung wird im Verlauf des Anlageneinsatzes immer besser, bis sie die Anforderungen erfüllt und schließlich übertrifft.

Zeit sparen

Vor dem Start eines ML-Projekts führt elunic in der Regel eine Machbarkeitsstudie durch. Bei der Entscheidung für oder gegen ein KI-Projekt werden die Verantwortlichen auch die Projektdauer beachten. Bei Computer Vision wird jede einzelne Fehlermöglichkeit einprogrammiert oder parametriert. Die robuste Etablierung dauert Monate, oft ein halbes Jahr oder länger – abhängig von der Applikationskomplexität. Gerade bei hohen Produktionsgeschwindigkeiten wie z.B. in der Coil-Fertigung gibt es aber Hürden in der Sichtprüfung und schlussfolgernd in der Programmierung des Bildeinzuges. Dann kann die Qualitätsoptimierung erst beginnen, wenn auch die Bildakquise abgeschlossen ist, um entstehende Bildfehler in die Regeln als Varianz einfließen zu lassen. Dagegen sind KI-Projekte in der Regel deutlich kürzer (Start der Produktivsetzung), da nicht jeder Fehler einzeln programmiert wird.

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren

Einstapelroboter

Einstapelroboter

Mit dem Ziel, die Uptime von Presslinien bei einem Automobilhersteller zu erhöhen, hat VMT mit FrameSense ein neuartiges 3D-Messsystem für die Prüfung von Stapelbehältern und das automatische Einstapeln von Fertigteilen per Roboter entwickelt.

Bild: Click-Ins, Ltd.
Bild: Click-Ins, Ltd.
Click-Ins erhält 7,5Mio.USD

Click-Ins erhält 7,5Mio.USD

Click-Ins hat 7,5 Mio. USD eingeworben. Das 2014 von Eugene Greenberg, Dimitry Geyzersky, Ronen Abergel und Zeev Hazan gegründete Unternehmen hat eine automatische, KI-gestützte Lösung entwickelt, mit der versicherungsrelevante Schäden an Fahrzeugen ausschließlich anhand von Bildern, die von einem beliebigen Mobilgerät aufgenommen wurden, in Echtzeit untersucht werden.

Bild: TeDo Verlag GmbH
Bild: TeDo Verlag GmbH
Webinar: Automotive Inspection Systems

Webinar: Automotive Inspection Systems

Am 16. Mai findet um 14 Uhr das inVISION TechTalks Webinar ‚Inspektionssysteme für die Automobilindustrie‘ statt. Dabei stellt Infratec ‚Thermografie in der Automobilindustrie‘ vor, Volume Graphics beschreibt ‚Analyse und Visualisierung von CT-Daten‘ und Visometry erklärt, wie ‚Visuelle Inspektionen und Soll-Ist-Vergleiche mit Augmented Reality und Computer Vision‘ funktionieren.