Suchen

Deevio KI eröffnet neue Möglichkeiten in der Qualitätskontrolle

| Autor/ Redakteur: Damian Heimel / M.A. Frauke Finus

Qualitätskontrollen mit Kameras und Bildverarbeitung existieren bereits seit mehreren Jahren. Diese Technik stößt an ihre Grenzen, wenn eine hohe Fehlervariabilität vorliegt. Hier kann eine spezielle Software helfen, die für die Bildauswertung entwickelt wurde und auf maschinellem Lernen basiert.

Firmen zum Thema

Blick ins Vision Lab von Deevio.
Blick ins Vision Lab von Deevio.
(Bild: Deevio)

Auch im Jahr 2020, das erneut im Zeichen von Industrie 4.0 steht, laufen viele Prozesse in deutschen Industrieunternehmen nach wie vor manuell ab. Einer dieser Prozesse ist die Qualitätskontrolle. Im Regelfall sind es eigens dafür geschulte Mitarbeiter, die entscheiden müssen, ob ein Produkt der geforderten Qualität entspricht. Diese Vorgehensweise ist in mehrerlei Hinsicht suboptimal.

Zunächst sind manuelle Qualitätskontrollen zeitaufwendig. Deevio, Spezialist für die Entwicklung von Lösungen für die automatisierte Qualitätskontrolle, schätzt, dass dieser Vorgang je nach Komplexität der Bauteile bis zu 30 Sekunden dauert. Weiterhin ist die Genauigkeit abhängig von der Tagesform des Mitarbeiters. Zahlreiche Faktoren wie Lichtverhältnisse, Müdigkeit, Motivation und Stimmung nehmen Einfluss darauf, ob Mängel erkannt oder übersehen werden. Nicht zuletzt sind Mitarbeiter, die diese monotone Aufgabe übernehmen möchten, insbesondere in strukturschwächeren Regionen schwer zu finden. All diese Aspekte verdeutlichen, dass die industrielle Qualitätskontrolle enormes Potenzial für neue Lösungen bietet.

KI-Lösung kann Sichtprüfungen am Ende der Produktionslinien automatisieren

Qualitätskontrollen mit industriellen Kameras und Bildverarbeitung („Machine Vision“) existieren bereits seit vielen Jahren. Insbesondere beim Messen von Abständen oder Prüfen auf Vollständigkeit funktioniert dieser Ansatz auch sehr gut. Allerdings stößt die Technologie spätestens dann an ihre Grenzen, wenn eine hohe Fehlervariabilität vorliegt, was gerade am Ende der Produktionslinie vorkommt. Dies ist beispielsweise der Fall, wenn Beschädigungen auf der Oberfläche wie Risse, Grate oder Dellen verschiedene Formen und Ausprägungen annehmen oder an unterschiedlichen Stellen des Werkstücks auftreten können.

An dieser Stelle kommt die Lösung von Deevio ins Spiel. Das Team des Berliner Anbieters hat dafür eine spezielle Software für die Bildauswertung entwickelt, die auf maschinellem Lernen basiert. Das heißt konkret, dass man der Machine Learning-Software Bilder von Defekten auf Bauteilen in verschiedener Ausprägung und an verschiedenen Positionen zeigt und sie lernt, diese Defekte zu generalisieren und an noch nicht gesehenen Bauteilen zu erkennen. Dieser Lernprozess funktioniert anders als bei herkömmlichen Machine-Vision-Lösungen kontinuierlich und automatisch. Dadurch lässt sich eine hohe Variabilität von Defekten abbilden und die Bewertung der Defekte standardisieren, was besonders bei der Sichtprüfung am Ende der Produktionslinie von Vorteil ist.

Während Machine Vision teils sehr hohe Pseudofehlerraten von bis zu 40 % produziert, liegt die „False-Positive- Rate“ bei der Deevio-Lösung je nach Anwendung bei weniger als 1 %. Unternehmen, die bereits eine Machine-Vision-Lösung im Einsatz haben, aber mit hohem Pseudoauschuss kämpfen, können die Deevio-Technologie im Übrigen auch nachrüsten. Hierfür werden die vorhandenen Bilder genutzt und die sogenannten AI-Boxen des Anbieters, eine standardisierte Hardware bestehend aus Mini-Computer und Grafikkarte, in die vorhandenen Systeme eingebaut.

Schritt auf dem Weg zur Smart Factory

DDie Anforderungen an Qualitätskontrollen sind von Unternehmen zu Unternehmen unterschiedlich. Deevio fragt vor Projektbeginn daher stets Aspekte wie Volumen, Fehlerrate sowie Produkt- und Fehlerdiversität ab. Aus diesen Informationen lässt sich ermitteln, wie hoch das Potenzial der Automatisierung ist. Zudem besuchen die Experten des Unternehmens stets die betroffene Fabrik, um sich einen Überblick über den bestehenden Prozess zu verschaffen. Beim Projektstart erfolgt zunächst eine Machbarkeitsstudie. Hierfür werden vorhandene Bilder genutzt oder in Zusammenarbeit mit Partnerunternehmen aus der Systemintegration Bilder von defekten und intakten Teilen bei realistischen Lichtverhältnissen aufgenommen. Auch unterschiedliche Kameras kommen zur Anwendung. Einerseits wird durch diese Tests deutlich, welche Hardware sich am besten eignet. Auf der anderen Seite lässt sich evaluieren, ob die Anforderungen mit der Software gut umsetzbar sind. Verläuft die Machbarkeitsstudie positiv, so folgt eine Proof-of-Concept-Phase.

In dieser Phase läuft das Deevio-System „nebenbei“ und nimmt vor Ort Bilder auf. Nun wird das Machine-Learning-Modell erstellt und von den Spezialisten trainiert. Nach ein bis zwei Wochen wird dann die erste AI-Box ausgeliefert und kann in der Fabrik getestet werden. Diese Testergebnisse werden wiederum herangezogen, um das Modell so lange zu optimieren, bis es eine prozesssichere Genauigkeit erreicht hat und somit in den Produktivbetrieb übergehen kann. Auch in der Implementierungsphase unterstützt Deevio seine Kunden. Einsatz findet die Technologie von Deevio unter anderem in den Bereichen Metallverarbeitung und Automotive. Der Ansatz sorgt nicht nur für höhere Qualität, Effizienzsteigerungen und Kosteneinsparungen. Er ermöglicht es auch, einen bedeutsamen Schritt des Produktionsprozesses vollständig zu automatisieren. Somit kann die Lösung ein Meilenstein für die Realisierung der Smart Factory sein.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46389098)