Syntax-Starterpaket mit ‚Lookout for Vision‘ von AWS

Machine Vision aus der Cloud beziehen

Dem Einsatz von industrieller Bildverarbeitung stehen oft Bedenken hoher Einstiegs- und Betriebskosten entgegen. Neue Technologien und Servicepakete können mittelständischen Unternehmen den Einstieg in Machine Vision vereinfachen.

 (Bild: ©xiaoliangge/stock.adobe.com)
(Bild: ©xiaoliangge/stock.adobe.com)

Die Qualitätssicherung ist ein wesentlicher Bestandteil der Produktion. Es geht darum, eventuelle Schäden am Produkt vor der Auslieferung zu erkennen, um unnötige Kosten oder Reputationsverluste zu vermeinden. In einem typischen Machine Vision-Szenario machen Kameras entlang einer Linie Bilder des Produkts in verschiedenen Fertigungsphasen. Diese Aufnahmen werden anschließend vom einem KI-Algorithmus mit einem Idealbild verglichen und auf Anomalien untersucht. Dieser Abgleich funktioniert dabei idealerweise möglichst in Echtzeit. Pro Sekunde werden also teils mehrere Hundert Bilder erfasst, verglichen und bewertet. Je mehr Bilddaten vorliegen, desto besser wird das statistische Modell trainiert. In der Folge sinkt der Produktionsausschuss und Abläufe sowie Ergebnisse werden transparenter. Damit ein solches System funktioniert, müssen drei Komponenten ineinandergreifen: vernetzte Maschinen, Machine-Vision-Hardware und die Auswertung der Bilddaten, traditionell auf Hardware ‚on Edge‘ oder auch in der Cloud.

Die Grundlage schaffen

Grundvoraussetzung für den Einsatz von Machine Vision ist die Einbindung der Ergebnisse in bestehende Produktionsprozesse. Dazu müssen die beteiligten Maschinen miteinander kommunizieren. Nur wer relevante Daten über die gesamte Fertigungskette hinweg auf dem Shopfloor digital erfasst – etwa über Sensoren, per MES oder via IIoT-Netzwerk – kann die Abläufe entsprechend abbilden und nachvollziehen. Während neuere Anlagen die dafür benötigten Komponenten mitbringen, müssen ältere Modelle oft mit Sensoren und Co. nachgerüstet werden. IT-Dienstleister wie Syntax halten dafür Einstiegsangebote mit befristeter Laufzeit und inklusive der benötigten Hardware bereit.

 (Bild: ©xiaoliangge/stock.adobe.com)
(Bild: ©xiaoliangge/stock.adobe.com)

Machine Vision testen

Ähnliche Probe-Angebote gibt es auch für Machine-Vision-Systeme als Teil des IIoT-Netzwerks.So lässt sich mit bestimmten Paketen schnell ein erster Proof of Concept erstellen. Solche Sets enthalten sowohl Hardwarekomponenten wie Kamera, Processing Board, Kabel, Halterung und Licht als auch Softwarekomponenten. Diese Testballons sollen vor allem Vorbehalte gegenüber vermeintlich hochkomplexen Entwicklungs- und Planungsprozessen abbauen. Unternehmen können ohne größeres finanzielles Risiko feststellen, wie wirtschaftlich die Einführung eines größer skalierten Projektes gleicher Art ist.

Anbindung an die Cloud

Die Einführung der Syntax-Starterpakete für Machine Vision benötigt eine Cloud-Anbindung. In vorgefertigten Lösungen von Hyperscalern wie etwa ‚Lookout for Vision‘ von AWS gibt es statistische Standardmodelle, deren Algorithmen sich auf Basis von KI für die unternehmensspezifischen Anforderungen trainieren lassen. Die Vorhersagegenauigkeit der Modelle hängt letztlich von Qualität und Quantität der bereitgestellten Daten ab. Je zahlreicher und hochwertiger die analysierten Bilder sind, desto besser erkennt und meldet das System Fehler. Die Anbindung an die Cloud ermöglicht den Anwendern, die Rechenleistung für die KI-Anwendung bedarfsorientiert abzurufen. Historische Daten wie nicht mehr aktuell benötigte Trainingsdaten lassen sich über die Archivierungsangebote der Cloud-Provider in Speichern mit weniger Verfügbarkeit lagern.

Nicht ohne Domänenwissen

Neben technischen Aspekten kommt es auch auf den Input der Belegschaft an. Die Erfahrung des Personals muss beim Justieren des Auswertungsalgorithmus mit einfließen – sowohl am Anfang, vor allem aber bei der Fehlerkontrolle. Erst im Zusammenspiel von Mensch und Technik liefert die industrielle Bildverarbeitung die gewünschten Ergebnisse.

Erkenntnisse bewerten

Wer industrielle Bildverarbeitung in Verbindung mit Cloud-basierter Datenanalyse in bestehende Produktionsprozesse einbindet, kann die Produktqualität steigern und den Ausschuss reduzieren. Weitere Effekte ergeben sich, wenn die im Shopfloor gewonnenen Erkenntnisse im Gesamtkontext betrachtet werden. Voraussetzung dafür eine vernetzte Fabrik, in der IT-Systeme verzahnt sind und miteinander kommunizieren können. Dann lässt sich die gesamte Supply Chain vom Einkauf über die Fertigung bis hin zu Versand und Afterservices digital abbilden und steuern.





  • Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise

    Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen…


  • Warum ein MES-Projekt Change Management braucht

    Verspätete Wareneingänge, Mitarbeiterausfälle, Störungen und Planänderungen können massiv auf die Produktion, Montage und Liefertermine einwirken. Automatische Planung löst nicht alle Probleme, reduziert…


  • Mit Strategie gegen Silos

    Hersteller investieren viel Zeit und Geld, um die Wertschöpfungskette kontinuierlich zu verbessern. Dabei entstehen oft Silo-Systeme, die isoliert voneinander arbeiten und wenig…


  • Datenpunkte in der Batteriezellfertigung setzen

    In der Batteriezellfertigung erzeugen heterogene Quellen enorme Datenmengen. Um die Produktion mit Digitaltechnik aufzurüsten, müssen die verschiedenen Datenquellen an die IT-Systeme in…


  • MES und Lean-Management im Zusammenspiel

    Fertigungsunternehmen suchen stets nach Möglichkeiten, ihre Workflows zu optimieren, Verschwendung zu reduzieren und Ressourcen optimal einzusetzen. Der Lean-Ansatz ist hier ein bewährtes…