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.