Sichtprüfungen Visuelle Inspektion: So verbessert KI die Qualitätssicherung

Anbieter zum Thema

GFT Technologies SE Corporate Center

NTT DATA Deutschland SE

Schneider Electric GmbH

PSI Software SE | Business Unit Discrete Manufacturing

Manuelle Sichtprüfungen sind ein unverzichtbarer Teil der Qualitätssicherung in der Fertigung. Nun revolutioniert die Verknüpfung mit künstlicher Intelligenz und maschinellem Lernen diese Methode, indem sie die visuelle Inspektion (VI) automatisiert und den Weg ebnet für eine vorausschauende Produktion. Wie Unternehmen vom Zusammenspiel der Technologien profitieren und die Kombination erfolgreich umsetzen können.

Höhere Durchsatzraten, hohe Produktqualität und eine Senkung der Produktionskosten sind wichtig für jedes produzierende Unternehmen. Koppeln Verantwortliche die klassische Qualitätskontrolle per Bildverarbeitung mit KI, können sie gleich mehrfach profitieren: Ein verbesserter Produktionsprozess und eine daraus resultierende Fehlerreduktion tragen dazu bei, weniger Material und Energie zu verbrauchen und damit Kosten zu senken. Zudem werden hochqualifizierte Experten entlastet und können ihr Wissen gewinnbringend an anderer Stelle einbringen. Möglich macht dies die effizientere Automatisierung der visuellen Inspektion mit KI. Was braucht es aber konkret, um den neuen Ansatz in der Praxis zu realisieren?

Die richtige Basis für eine gelungene visuelle Inspektion schaffen

Die Grundlage für eine effektive Kombination aus visueller Inspektion und KI ist eine hohe Datenqualität, denn ohne klares Bild keine präzise Fehlererkennung. Daher ist die Auswahl des passenden Tools für die Bilderfassung zentral. Kommen bei der Kontrolle von Glasflaschen zum Beispiel Infrarotkameras zum Einsatz, sind etwa Zeilenkameras besonders für Scans an Fließbändern geeignet. Um die nötige Rechenleistung bei der Modellerstellung zu gewährleisten, ist der Einsatz von Cloud-Lösungen sinnvoll. Besonders für Projekte, die mit der Zeit wachsen, ist zudem eine skalierbare Lösung nützlich. Um von Beginn an eine umfassende Expertise in das Projekt zu bringen, sollte ein integriertes Team aus Experten für KI, Daten, Bildverarbeitung, Cloud und Automatisierung für Roboter aufgestellt werden.

Schritt für Schritt zum passenden Machine-Learning-Szenario

Bevor es an die konkrete Umsetzung geht, ist zu klären, welche Herausforderungen genau mit der Kombination aus visueller Inspektion und KI gelöst werden sollen. So individuell wie die Challenges muss nämlich auch die Lösung sein. Um ein Machine-Learning-Modell entwickeln und trainieren zu können, sind im nächsten Schritt Bilder als Datengrundlage aus dem konkreten Anwendungsfall nötig, die der Algorithmus verarbeiten kann. Die gleichbleibende Qualität und ausreichende Menge an Bildern von Schlechtteilen sind entscheidend dafür, dass die KI produktiv lernen und arbeiten kann.

Die Auswahl der richtigen Prototyping-Methode

Für die folgende Entwicklung und Prüfung eines Prototyps gibt es verschiedene Methoden. In der Praxis hat sich die Anwendung eines Proof of Concept (PoC) bewährt, um schnell Ergebnisse zu erzielen und zu testen, ob die Anwendung das Problem lösen kann. Diesem kann eine Machbarkeitsstudie vorgeschaltet werden. Dabei werden verschiedene Analysen des Problems oder auch möglicher Risiken durchgeführt sowie die Verfügbarkeit und Qualität der Bilddaten und die technische Umsetzbarkeit geprüft. Die Ergebnisse der Machbarkeitsstudie unterstützen die Entscheidungsträger und stellen sicher, dass das Projekt auf einer soliden Grundlage gestartet wird sowie realistische Erwartungen hinsichtlich Durchführbarkeit und Auswirkungen bestehen.

Nach Entwicklung und erster Prüfung des PoC lässt sich dieser in die bestehende IT-Umgebung integrieren und als Minimum Viable Product (MVP) ausrollen. Das MVP ist die Version des KI-Systems, die schon produktiv genutzt werden kann, aber noch nicht alle Fehlerklassen oder Bauteile beinhaltet. Hat ein externes Team das Szenario entwickelt, sollte zudem spätestens jetzt ein gezielter Wissenstransfer in das Unternehmen stattfinden, damit die Mitarbeitenden die Lösung eigenständig weiterentwickeln und betreuen lernen. So können sie im produktiven Einsatz der KI-Lösung für die visuelle Inspektion mit geringem Aufwand Modelle anpassen, weiterentwickeln und neue Modelle für weitere Bauteile entwickeln, um nachhaltig die höchstmögliche Qualität zu sichern.

Das macht visuelle Inspektion und KI zum Traumpaar

Sind Unternehmen die genannten Schritte gegangen, profitieren sie von folgenden Vorteilen der Kombination von VI und KI:

Effizienz und Geschwindigkeit: Die Implementierungskosten für eine Fehlererkennung lassen sich mit der Kombination aus visueller Inspektion und KI deutlich verringern, da Use Cases innerhalb kurzer Zeit einsatzbereit sind. Der Zeitaufwand für die Entwicklung von Algorithmen entfällt und das KI-System lernt mit jedem Nutzungstag, Fehler besser zu erkennen. Ein Eingriff in den Fertigungsprozess ist schnell möglich, da Fehler genau verortet werden können. Das macht den Prozess zeit- und ressourcensparender.

Qualitätssteigerung: Voraussetzung für eine Steigerung der Qualität ist grundsätzlich, dass alle relevanten Prozessparameter bekannt sind und eine effiziente Qualitätskontrolle im Zuge der Einzelteilverfolgung in der Produktion stattfindet. Durch die Kombination der visuellen Inspektion mit KI lassen sich Gründe für das Entstehen von Fehlern schneller erkennen und prognostizieren, ohne dass menschliches Eingreifen notwendig ist. Alle Produktionsschritte können kontinuierlich überwacht werden, wodurch weniger Fehler entstehen und Beschwerden über Produktmängel zurückgehen.

Der Blick in die Praxis

KI kann besonders bei Aufgaben unterstützen, die eine klassische Bildverarbeitung nicht leisten kann, etwa beim Zählen von Pixeln. beim Vergleich von Farbwerten oder zahlreichen komplexen Fehlerbildern. Konkrete Einsatzmöglichkeiten für die Kombination von visueller Inspektion mit KI gibt es in verschiedensten Industrien.

In der Automobilindustrie lassen sich beispielsweise bei der Prüfung von Schweißnähten Kosten sparen, da die Inspektion dank KI schneller und genauer ist. Werden die Modelle in der Cloud trainiert und bereitgestellt, ist zudem das Datenmanagement einfacher und kostengünstiger, da sich die Modelle effizienter entwickeln, skalieren und warten lassen.

In der Lebensmittelindustrie kommt eine KI-Lösung für die visuelle Inspektion beispielsweise zum Einsatz, wenn Creme in Kuchen eingefüllt wird: Mittels Wärmebildkamera und KI lässt sich die Menge an Füllung direkt messen und für den weiteren Verlauf prognostizieren. Die Produktion lässt sich folglich schneller anpassen, sodass Fehler seltener auftreten.

Visuelle Inspektion: Mit KI in die smarte Zukunft der Fertigung

Die Integration von KI hebt die visuelle Inspektion in der Industrie auf ein neues Level. Dabei kommt es vor allem auf die richtige Planung und Umsetzung an. Daher ist die Zusammenarbeit mit einem erfahrenen Partner sinnvoll, um die passende Lösung zu finden und zu implementieren. Setzen Unternehmen die smarten Lösungen schon heute ein, optimieren sie nicht nur ihre Fertigung und Produktqualität, sondern entlasten auch ihre Mitarbeitenden und positionieren sich als starker Player im Wettbewerb – ein Gewinn für alle.