Neue B2B-Commerce Studie
Jetzt downloaden
Material- und Montagefehler frühzeitig erkennen
Computer Vision für eine verbesserte Qualitätssicherung
Einsatz von künstlicher Intelligenz für die Automatisierung von Produktions- und Kontrollprozessen.
Qualität ist grundlegend
Qualitätsmängel in der Produktion können nicht nur zu Unzufriedenheit der Kund:innen führen, sondern im schlimmsten Fall sogar Schäden in der Produktionslinie verursachen. Um einen hohen Qualitätsstandard zu gewährleisten, findet in vielen Unternehmen eine ständige Kontrolle statt, die heute oft manuell erfolgt.
Der Einsatz von neuen Technologien kann in diesem Prozess eine massive Arbeitserleichterung bewirken: eine Kombination aus klassischer Bildverarbeitung und neuesten Ansätzen des maschinellen Lernens ermöglicht die Erkennung und Unterscheidung bekannter Fremdobjekte oder sogar solchen mit unerwarteten Dimensionsabweichungen.
Die Herausforderung
Erkennen von Oberflächenfehlern und Fremdkörpern
In der Produktion gibt es Unregelmäßigkeiten, die toleriert werden können, und andere, die entdeckt werden müssen: So wird der Versand von Materialien mit Oberflächenfehlern höchstwahrscheinlich zur Unzufriedenheit der Kund:innen führen. Fremdkörper hingegen können, wenn sie unentdeckt bleiben, die Maschine, in der sie sich befinden, schwer beschädigen.
In beiden Fällen geht es um vermeidbare Kosten und umfangreiche Qualitätssicherungsmaßnahmen. Inspektionen werden oft noch manuell durchgeführt, was aus mehreren Gründen nicht optimal ist. Zum einen handelt es sich dabei oft um eine wenig erfüllende, sich wiederholende Aufgabe, die von Menschen über längere Zeiträume hinweg hohe Konzentration verlangt – etwas, was unser Gehirn bekanntermaßen nicht gut kann. Zum anderen ist sie mit hohen Kosten verbunden, zumal der Mensch eine solche Prüfung nur in einem bestimmten Rhythmus durchführen kann.
Die Lösung
Kombination verschiedener Methoden für ein einwandfreies Ergebnis
Zur Durchführung solcher Quality Assurance (QA)-Aufgaben setzen wir Methoden der Computer Vision ein.
Wir betrachten sowohl Bilder, die einwandfrei gefertigte Gegenstände zeigen, als auch Bilder, die verschiedene Arten von Fehlern aufweisen. Zu den Methoden, die wir anwenden, gehören klassische Ansätze wie Bildverbesserung oder Hintergrundentfernung, aber auch Algorithmen des maschinellen Lernens zur Objekterkennung und -klassifizierung sowie zur Erkennung von Anomalien.
Ein häufiges Szenario ist eine Kamera, die auf einen bestimmten Teil einer Maschine oder einer Fertigungsstraße schaut. Unser Ansatz ist jedoch nicht auf einen bestimmten Sensor beschränkt – wir arbeiten mit verschiedenen Datenquellen wie Infrarotkameras, Zeilenscannern, Röntgentechnik oder 3D-Punktwolken.
Wir lesen Pixeldaten ein und berechnen eine Entscheidung, ob der Inhalt die Akzeptanzkriterien erfüllt oder nicht.
Wir verfügen über mehrere Tools, die diesen Prozess unterstützen, von der Annotation von Test- und Trainingsdaten bis hin zur Verwaltung von Pipelines für maschinelles Lernen, einschließlich Bewertung und Hyperparameteroptimierung. Am Ende optimieren wir die gelernten Modelle für den effizienten Einsatz in der Produktion.
Werfen wir einen Blick auf zwei spezifische Anwendungsfälle.
Erkennung von Oberflächenfehlern
Unregelmäßigkeiten in der Oberfläche eines Materials können einerseits ein ästhetisches Problem darstellen, andererseits aber auch seine Verwendung in bestimmten Fällen verhindern. Um das richtige Qualitätsniveau eines hergestellten Artikels zu gewährleisten, erkennen wir jede sichtbare Unregelmäßigkeit.
Darüber hinaus berechnen wir nicht nur Metriken wie die Form oder das Ausmaß eines Fehlers, sondern wenden auch eine Klassifizierung seiner Art an. Während bestimmte Arten von Fehlern tolerierbar sind, sind andere eher hinderlich. Diese Informationen helfen auch dabei, die Ursache des Fehlers zu ermitteln.
Erkennung von Fremdkörpern
In einer Produktionslinie oder beim Verpacken werden sehr detaillierte Annahmen über das eingehende Material getroffen. Fremdkörper, die in eine Maschine eingebracht werden, könnten die Maschine selbst zerstören oder, wenn sie verpackt und ausgeliefert werden, den Verbraucher/die Verbraucherin schädigen oder zumindest verärgern.
Daher ist die Erkennung von Fremdkörpern notwendig, um präventive Maßnahmen zu ergreifen. In der obigen Abbildung sehen Sie einen Stein, der fälschlicherweise zusammen mit Äpfeln geerntet wurde und der vor der Weiterverarbeitung aussortiert werden muss.
