Noch basiert eine große Zahl der installierten Bildverarbeitungssysteme zur Qualitätskontrolle in Produktionsanlagen auf regelbasierten Systemen. Sie sind zuverlässig darin, sowohl eindeutige Gut-Teile als auch klar definierten Ausschuss zu erkennen und entsprechend zu sortieren.
Jährliche Gesamtersparnis bis zu 350.000 Euro
Voraussetzung dafür sind jedoch konstant optimale Bedingungen. Selbst kleine Veränderungen in den aufgenommenen Bildern, etwa durch Produktionsschwankungen oder Umgebungsveränderungen, stellen aufgrund der starren Schwellwerte eine Herausforderung für sie dar. Die Erkennungszuverlässigkeit für Gut-Teile sinkt, der Pseudoausschuss wächst und es entstehen zusätzliche Kosten.
Überwachte KI-Modelle als Lösung
Wesentlich besser agieren dagegen Modelle mit überwachten KI-Algorithmen (Supervised AI). Sie lernen aus zuvor annotierten Daten nicht nur, welche Pixel oder Regionen zu Gut-Teilen passen, sondern auch, welche zu konkreten Fehlerklassen gehören. Grundvoraussetzung dafür sind konsistente Daten als Lernsignal für die KI. Ein konsistentes Lernsignal erfordert ein sehr striktes Regime bei der Annotation von Daten für den Lernprozess des KI-Systems. Typischerweise werden Daten – soweit sie nicht synthetisch generiert sind – von Menschen annotiert. Der Mensch bleibt also ein kritischer Faktor. So kann beispielsweise ein Kratzer auf einem Bauteil als Nicht-OK markiert sein, während ein ähnlicher Kratzer auf anderen Prüfteilen bei der Annotation übersehen wird. Als Folge erhält das KI-System in der Anlernphase bei dieser Fehlstelle kein konstantes Lernsignal.
KI-Angebot mit fairer Preisgestaltung
Da die Maddox AI Software Annotationen hocheffizient vereinheitlicht und in kurzer Zeit präzise KI-Modelle liefert, arbeitet Maddox AI erfolgsbasiert: Abgerechnet werden nur Implementierungen, die eine zuvor vereinbarte Mindestsenkung des Pseudoausschusses erreichen. Bleibt die vereinbarte Verbesserung aus, fallen keine Kosten an.
Entscheidend für die Effizienz eines KI-Systems ist somit die Erzeugung eines konsistenten, sauberen Datensatzes. Um diesen kritischen Schritt zu meistern, benötigen Anwender Unterstützung. Hier setzt eine von Maddox AI konzipierte Plattform an. Die Bandbreite ihrer Tools reicht von einfachen Übersichts- und Filtermöglichkeiten bis hin zu KI-basierter Labeling-Unterstützung. Z.B. kann der Nutzer eine Auswahl aller Annotationen einer Defektklasse auf einen Blick sehen und überprüfen, ob die Konsistenz innerhalb dieser Fehlerklasse gegeben ist.
Alternativ lassen sich alle Bilddaten mittels Similarity Search auf visuelle Muster hin durchsuchen. So werden Inkonsistenzen in den Annotationen angezeigt und können in einem Korrekturvorgang beseitigt werden. Allen betroffenen Bildern im Datensatz kann dieselbe Aktion zugeordnet werden, beispielsweise dass Kratzer unter 2mm grundsätzlich ignoriert werden. Durch die intuitive Nutzeroberfläche lassen sich neue Produktmodelle einfach trainieren und in die Produktion überführen. Die gute Datengrundlage steigert die Erkennungsgenauigkeit der Algorithmik und senkt den Pseudoausschuss spürbar. Darüber hinaus schlägt das System in großen Bildmengen genau die Bilder vor, die ‚interessant‘ sind. Der Experte bekommt aus archivierten Bilddaten eine übersichtliche Auswahl vorgeschlagen, was eine mühsame manuelle Suche erspart.
Anwendungsbeispiele
Konkret hat Maddox im Retrofit etwa bei einem Hersteller von Kugellagern die bestehende Kamerahardware durch ein vollautomatisches und KI-basiertes System ergänzt, welches anhand einer präzisen Fehlerdefinition die Produktion nach Schlagstellen, falsch montierten Komponenten sowie Kratzern an Kugellagern überprüft. Das bewirkte eine Reduzierung des Pseudoausschusses um mehr als 90 Prozent bei einer aktuellen Inspektionsgeschwindigkeit von 30 Teilen pro Minute. Die zuvor manuelle Nachkontrolle entfällt komplett. Auch die Wartungsarbeiten verringerten sich um 98 Prozent, da das KI-System nicht regelmäßig rekalibriert werden muss. Die neue KI-gestützte Qualitätsprüfung bringt dem Unternehmen eine jährliche Gesamtersparnis bis zu 350.000 Euro.
In der Oberflächeninspektion von Magnetschaltern für die Automobilindustrie ebnete Maddox AI den Weg hin zur automatisierten Erkennung typischer Beschichtungsfehler wie Kratzer, Einschlüsse oder Lackrückstände – komplett integriert in eine bestehende Roboteranlage des Kunden. Damit wurde die bisherige Qualitätskontrolle der täglich rund 15.000 produzierten Magnetschalter durch vier Mitarbeitende vollständig abgelöst.
