Anzeige
Beitrag drucken

Qualitätssicherung

KI-gestützte Bilderkennung bei der Homologation

Die industrielle Bildverarbeitung nimmt in der Qualitätssicherung einen immer höheren Stellenwert ein. Bei der Bilderkennung hilft künstliche Intelligenz, die Genauigkeit sowie die Produktionsgeschwindigkeit zu steigern – auch bei der Homologation von Kraftfahrzeugen.

Der Inhalt des Aufklebers wird in Echtzeit mit einem Handscanner gelesen und die Position des Aufklebers bestimmt. Sind beide Merkmale korrekt, vibriert das Gerät. (Bild: Elunic AG)

Der Inhalt des Aufklebers wird in Echtzeit mit einem Handscanner gelesen und die Position des Aufklebers bestimmt. Sind beide Merkmale korrekt, vibriert das Gerät. (Bild: Elunic AG)

In einer weltweiten Umfrage von IFS unter 1400 IT-Entscheidern kam heraus, dass die wesentlichen Anwendungsfelder künstlicher Intelligenz heute in den Bereichen Data Analytics (25 Prozent), Business Intelligence (22 Prozent) und Finanzen (17 Prozent) liegen. Allerdings unterscheiden sich dabei Deutschland, Österreich und Schweiz in einem Punkt deutlich von ihren weltweiten Kollegen: In den drei Ländern steht die Qualitätssicherung mit 22 Prozent an erster Stelle.

Manuell vs. automatisiert

In nahezu allen produzierenden Unternehmen ist die Qualitätssicherung ein fester Bestandteil. Entweder wird diese mit Hilfe verschiedener Inspektoren erledigt oder sie läuft automatisiert ab – beispielsweise mittels klassischer Bilderkennung. Dabei sind fest programmierte Regeln wie etwa Form, Anzahl oder Lage der Objekte entscheidend. Für Erkennungsfehler sorgt es, wenn Licht, Schatten oder Bildhintergründe die Systeme irritieren. Gerade aus diesem Grund erweisen sich die Möglichkeiten, die sich aus der Kombination von Qualitätssicherung und KI ergeben, für viele Unternehmen als besonders spannend, denn die Fehleranfälligkeit wird minimiert und zugleich sind die Systeme heute finanziell erschwinglicher. Die KI orientiert sich, ähnlich wie der Mensch, an gemeinsamen Merkmalen der Objekte und kann durch maschinelles Lernen vergleichbare Ergebnisse erzielen. Dazu genügt es, ausreichend viele Bilder unterschiedlichen Typs auszuwerten und für die KI zu markieren, wo sich der Fehler im Bild befindet. Sie lernt Muster zu erkennen, mit denen sie die Fehler in Zukunft ohne menschliches Zutun identifizieren kann.

Falsch geklebt

Zu Beginn des Jahres steckten tausende Teslas am chinesischen Zoll fest. Der Grund waren fehlerhafte Kennzeichnungen der Autos. Diese ist Teil des Zulassungsprozesses, der sogenannte Homologation, die sich immer wieder als Nadelöhr erweist, wodurch vielen Automobilherstellern Zeit verloren geht. Das betrifft auch die Aufbringung von Aufklebern, die wichtige Daten zum Fahrzeug enthalten. Wenn diese falsch gesetzt sind, muss oft vieles noch einmal manuell geprüft werden. Gerade im Ausland können so weitere Verzögerungen entstehen. Um das zu vermeiden, hat sich ein Automobilhersteller dazu entschieden, mit KI die Qualitätssicherung innerhalb der Homologation zu optimieren.

Die Daten der Prüfzeichen werden mit einem Handscanner eingelesen. (Bild: Zebra Technologies Germany GmbH)

Die Daten der Prüfzeichen werden mit einem Handscanner eingelesen. (Bild: Zebra Technologies Germany GmbH)

Aufkleber analysieren

Am Anfang des Projekts stand ein zweitägiger Kunden-Workshop vor Ort. Darin wurden gemeinsam die verschiedenen Arten der Aufkleber analysiert und relevante Variablen auf Basis der Log-Daten erarbeitet. Zudem wurden neue Trainingsbilder erstellt und in das System eingefügt. Je nach Aufgabe können die Prüfobjekte, in diesem Fall die Sticker, aus unterschiedlichen Blickwinkeln und vor verschiedenen Hintergründen dargestellt werden. Der Machine- Learning-Prozess wurde durch Google TensorFlow ermöglicht. Damit können Entwickler Datenfluss-Grafiken erstellen, die beschreiben, wie sich Daten durch ein Diagramm oder eine Reihe von Verarbeitungsknoten bewegen. Die Anwendung koordiniert dabei hunderte von Rechenkernen (Tensor Cores). TensorFlow stellt dies über die Programmiersprache Python dar. Die mathematischen Operationen, also die Bibliotheken von Transformationen, die über das Tool verfügbar sind, werden als C++ Binärdateien und Cuda (Compute Unified Device Architecture) verarbeitet. Python organisiert nur den Datenverkehr zwischen den Teilen und bietet Abstraktionen auf hoher Ebene, um sie miteinander zu verbinden. Die Tensor Cores machen die KI überhaupt erst möglich, denn durch TensorFlow werden jene Modelle entwickelt, die für die späteren Vorhersagen verwendet werden. Die dazu benötigte Hardware liegt preislich in einem unteren bis mittleren vierstelligen Eurobereich und stellt somit bei der Implementierung von KI kein nennenswertes Hindernis mehr dar. Es ist sogar möglich, mit herkömmlichen Computern Bilder mit deren Grafikprozessoren zu erkennen, allerdings sind Tensor Processing Units (TPUs) besser geeignet. Sie sind günstiger, leistungsfähiger und benötigen weniger Strom, da sie für die benötigten Matrixmultiplikationen konzipiert sind. Auch die Cloud kann eine einfache Option sein. Entscheidend ist jedoch, wie zeitkritisch die Anwendung ist, das heist ob die Bilderkennung in Echtzeit oder eine Auswertungen am Ende eines Produktionsprozesses erfolgen soll. Daraus ergeben sich die entsprechenden Kosten.

Ergebnisse in kurzer Zeit

Im Falle der Prüfzeichenerkennung wurden die Daten durch einen Handscanner eingelesen und zum Abgleich in die Bibliothek geladen. Das heißt, der Inhalt des Aufklebers wird in Echtzeit gelesen und die Position des Aufklebers bestimmt. Sind beide Merkmale korrekt, vibriert das Gerät und dem Prüfer wird angezeigt, dass alles in Ordnung ist. Zudem wurde das MES, dort werden die Fehler dokumentiert, mit angebunden. Alle erfassten Daten werden zeitgleich in das Tool Dataface, eine IIoT-Suite von Elunic, integriert, wo die Vorgänge und Fehler weiterhin abrufbar sind. So kann das System ständig weiter optimiert werden. Machine Learning für die Homologation ist nur ein Beispiel dafür, wie KI für die Qualitätssicherung eingesetzt werden kann. Die intelligente Bilderkennung ist für viele Problemstellungen eine günstige und effektive Lösung, gerade wenn es darum geht die manuelle Kontrolle zu ersetzen.


Das könnte Sie auch interessieren:

In München wurde das neue Fraunhofer-Institut für Kognitive Systeme IKS  eröffnet. Schwerpunkt der Forschung soll auf der Absicherung künstlicher Intelligenz (Safe Intelligence) liegen.

‣ weiterlesen

Nach einer kurzfristigen Entspannung im September liegt der Auftragseingang im Maschinen- und Anlagenbau im Oktober elf Prozent unter dem Vorjahreswert.‣ weiterlesen

Ein wesentliches Ziel der Fertigungsplanung ist die optimale Auslastung der Produktion. Mit Algorithmen zum Reinforcement Learning lassen sich hervorragende Planungsergebnisse erzielen.‣ weiterlesen

Wartung vorrauschauend und planbar machen, dieses Ziel verfolgt Igus mit seinen Smart-Plastics-Lösungen. Intelligente Sensoren messen so beispielsweise den Verschleiß von Energieketten, Leitungen, Rundtischlagern oder Linearführungen. Mit dem neuen Kommunikationsmodul Icom.plus kann der Kunde jetzt entscheiden, in welcher Form er die gewonnen Daten der Sensoren einbinden möchte. Von einer Offline-Version für restriktive Umgebungen bis hin zur Anbindung der Werte an den Igus-Server, zur automatischen Ersatzteilbestellung, ist es dem Anwender frei möglich seine Daten zu integrieren und auszulesen.‣ weiterlesen

Im Maschinen- und Anlagenbau sind laut der aktuellen Ingenieurerhebung des VDMA 199.800 Ingenieure beschäftigt – Rekordniveau, wie der Branchenverband mitteilt. Dennoch haben die Unternehmen Schwierigkeiten entsprechende Stellen zu besetzen.‣ weiterlesen

Bei der Alfred Härer GmbH aus Lorch weiß das eingesetzte Manufacturing Execution System am besten, wie die Maschinen optimal belegt werden und reduziert die Liegezeiten auf ein Bruchteil. Für die Firma heißt das: Mehr Projekte und mehr Umsatz.‣ weiterlesen

Ab dem nächsten Frühjahr sollen die Arbeiten am InformatiKOM auf dem Campus Süd des Karlsruher Instituts für Technologie beginnen. Auf 10.000m² entstehen zwei Gebäude, in denen unterschiedliche Disziplinen zusammengebracht werden sollen.‣ weiterlesen

Die große Mehrheit der im Rahmen einer IFS-Studie befragten Unternehmen plant, in KI-Technologien zu investieren. Davon erhoffen sie sich an erster Stelle Produktivitätssteigerungen der Belegschaft.‣ weiterlesen

Im neuen Projekt ‘PQC4MED‘ arbeitet das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI) gemeinsam mit mehreren Partnern an Verfahren daran, medizinische Daten durch updatefähige Systeme langfristig vor Attacken durch Quantencomputer zu schützen.‣ weiterlesen

Das IAB-Arbeitsmarktbarometer ist im November gestiegen. Gegenüber dem Vormonat legte der Frühindikator des Instituts für Arbeitsmarkt- und Berufsforschung (IAB) um 0,5 auf 102,1 Punkte zu. Verbessert hat sich der Ausblick auf die Entwicklung der Arbeitslosigkeit.‣ weiterlesen

Von Rittal zu MR: Zum April nächsten Jahres stößt Holger Michalka zur Maschinenfabrik Reinhausen und übernimmt dort die Leitung des Geschäftsbereichs ‘Products und Operations‘.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige