Qualitätsprobleme an Oberflächen wie Risse oder Kratzer werden in der Industrie normalerweise während des Herstellungsprozesses durch eine Sichtprüfung entdeckt. Inzwischen bieten auch Verfahren der Künstlichen Intelligenz eine automatisierte optische Prüfung, die leistungsfähiger als das menschliche Auge ist.
Das Problem: Ineffiziente Qualitätsprüfung in der Produktion
In vielen Branchen bewirken selbst kleinere Qualitätsprobleme wie Kratzer, Risse oder Eintrübungen unverkäufliche Produkte. Dies kann beispielsweise in der Autoindustrie zu kostenaufwändigen Nacharbeiten führen. In anderen Industriebetrieben entsteht sogar Ausschuss, der nicht mehr weiter verwertet werden kann.
So wollte ein Hersteller von Solarmodulen seine Qualitätsprüfungen automatisieren und verbessern. Da menschliche Qualitätsprüfer bei der Begutachtung der gefertigten Module vor tagesformabhängigen Schwankungen unterliegen und ermüden können, wurden in der Vergangenheit nicht alle Qualitätsprobleme direkt erkannt. Dies betrifft vor allem Fehler in der Glasabdeckung, die nicht durch herkömmliche Messgeräte entdeckt werden können.
Die Lösung: Künstliche Intelligenz als Qualitätsprüfer
Die elunic AG aus München entwickelt passgenaue Applikationen, um das gesamte Industrial-IoT-Potenzial von Maschinen und Anlagen der Industrie auszuschöpfen. Der Spezialist für Künstliche Intelligenz, digitale Transformation, Industrie 4.0 und das Industrial IoT (Internet of Things, Internet der Dinge) hat für das Solarunternehmen eine KI-Lösung implementiert, die Qualitätssicherung durch Bilderkennung (Computer Vision) anbietet.
Die elunic-Lösung für die automatisierte Qualitätssicherung heißt AI.SEE™ und basiert auf Machine Learning (ML) und Computer Vision. Das Produkt besteht aus der selbstlernenden Softwarelösung AI.SEE™ Control und den Hardwarekomponenten AI.SEE™ Lens, einem hochflexiblen Kamera- und Beleuchtungssystem, und AI.SEE™ Edge, das aufgenommene Bilder auswertet und den weiteren Prozess steuert.
Die KI-Anwendung lässt sich einfach in laufende Produktionsprozesse und -systeme integrieren und erfüllt im Rahmen der Qualitätsprüfung die folgenden Aufgaben:
- Texte lesen, etwa Seriennummern und Typschilder.
- Baugruppen, Komponenten und Formen erkennen, zählen und vermessen.
- Oberflächen auf Ihre Beschaffenheit prüfen und farbliche Abweichungen, Kratzer, Risse, Beulen oder Lunker erkennen.
Die Anwendung arbeitet auch unter schwierigen Bedingungen wie schwankenden Lichtverhältnissen und wechselnden Perspektiven. Mit Machine Learning lässt sie sich relativ schnell an die konkrete Qualitätsprüfung in einem bestimmten Industriebetrieb anpassen. So gibt die Möglichkeit, vortrainierte Modelle zu benutzen, die typische Qualitätsprobleme sofort erkennen. In einer kurzen Trainingsphase passt sich das Modell dann an das jeweilige Anwendungsgebiet an.
Nach dieser Anlaufzeit arbeitet die KI-Anwendung im produktiven Betrieb vergleichen mit der Sichtprüfung schneller. Darüber hinaus liefert sie immer eine optimale Erkennungsleistung – KI arbeitet ermüdungsfrei.
Das Ergebnis: Computer Vision optimiert die Produktionsqualität
Das Unternehmen konnte mit Machine Learning den Anteil an fehlerfreien, hochwertigen Teilen deutlich gegenüber der bisherigen Qualitätsprüfung steigern. Eine statistische Analyse der Qualität brachte weitere Optimierungen, so dass der Hersteller seinen Personalaufwand und die Kosten für die Qualitätssicherung senken konnte.
