Der Wert der KI-basierten Sichtprüfung im Jahr 2020

Seit über einem Jahrzehnt setzen Hersteller auf automatisierte Lösungen, um ihr Endergebnis zu verbessern. Automatisierung und maschinelles Sehen werden nun ergänzt und sogar durch KI ersetzt. Hier ist der Wert der KI-basierten visuellen Inspektion im Jahr 2020.

Wert der KI-basierten Sichtprüfung

Die Ablösung durch KI gilt insbesondere bei der visuellen Inspektion. Der Einsatz von KI-basierter visueller Inspektionstechnologie verändert die Fähigkeit der Fertigung, den Geschäftsbetrieb zu verbessern.

Die KI-basierte visuelle Inspektion basiert auf zwei der Hauptstärken der KI:Computer Vision und Deep Learning. Jedes KI-System ist mit der Kernkapazität ausgestattet, seine Umgebung wahrzunehmen (Computer Vision) und auf diese Wahrnehmungen zu reagieren (Deep-Learning).

Als Ergebnis von Deep Learning passt sich KI an eine Reihe von Umgebungen an und macht sie für eine Vielzahl von Branchen nützlich. Es hat ein unbegrenztes Potenzial und kann schnell entwickelt werden, um die Anforderungen eines Herstellers zu erfüllen.

Konzept der KI-basierten Sichtprüfung

Ein gut geschultes menschliches Auge kann Fehler erkennen. Ein gut trainiertes KI-basiertes Vision-System kann dasselbe tun – jedoch mit höherer Effizienz. Wie ein menschliches Auge erfassen KI-basierte Bildverarbeitungssysteme ein Bild und senden es zur Verarbeitung an ein zentrales „Gehirn“.

Wie ein menschliches Gehirn macht ein KI-„Gehirn“ dem Bild eine detaillierte Bedeutung, indem es es mit seinem vorhandenen Wissen kontrastiert.

KI-basierte Bildverarbeitungssysteme bestehen aus zwei integrierten Komponenten. Ein Sensor fungiert als „Auge“, während ein Deep-Learning-Algorithmus als „Gehirn“ fungiert. Das integrierte System ahmt erfolgreich die Fähigkeit des menschlichen Auges und Gehirns nach, Bilder zu interpretieren.

KI-basierte Bildverarbeitungssysteme sind effizienter als das menschliche Auge, da das KI-„Gehirn“ größere Mengen an Informationen speichert.

Robuste Rechenleistung kann verfügbare Daten mit hoher Geschwindigkeit analysieren. Das System kann Objekte sowohl in Fotos als auch in Videos klassifizieren und komplexe visuelle Wahrnehmungsaufgaben ausführen.

KI-basierte Bildverarbeitungssysteme können Bilder und Bildunterschriften durchsuchen, Objekte erkennen und Multimedia klassifizieren.

Dank der auf Deep Learning basierenden visuellen Verarbeitung können KI-basierte visuelle Inspektionssysteme kosmetische Mängel erkennen und Defekte über allgemeine oder konzeptionelle Oberflächen hinweg erkennen (mobidev dot biz).

Vorteile einer KI-basierten visuellen Inspektion

1. Schnelle Implementierung

Jahrzehnte alte automatisierte Systeme sind auf Defektbibliotheken, Ausnahmelisten und komplizierte Filter angewiesen. Die Zeit, die benötigt wird, um diese Informationen zu sammeln, sie auf Genauigkeit zu bereinigen und sie erneut zu implementieren, verringert ihre Wirksamkeit. Es verschwendet auch Arbeit.

KI und Deep Learning erfordern keine langwierige Programmierung oder langwierige Algorithmen. KI-basierte visuelle Inspektionssysteme können von mehreren Qualitätsingenieuren und einem Datensatz von Trainingsbildern erstellt werden. Das System lernt schnell und wird über mehrere Wochen integriert.

2. Verbesserte Analysen und Qualitätskontrolle

Hersteller können KI nutzen, um Prüfergebnisse zu dokumentieren und die Produktqualität zu bewerten. Zu den allgemeinen Kennzahlen der Prozessverbesserungsinitiative, die erfolgreich verfolgt und mit konkreten Visionsdaten korreliert werden können, gehören:

• Rezepte verarbeiten
• Ausrüstungsunterschiede
• Komponentenlieferanten
• Werksstandort

Darüber hinaus können auch Inspektionsbilder und -ergebnisse nachverfolgt und dokumentiert werden. Diese Initiativen verhindern zukünftige Ausfälle, was Zeit und zusätzliche Produktionskosten spart. Die Anwendung von Deep-Learning-basiertem maschinellem Sehen bei allen Initiativen und Inspektionen hilft Herstellern, Fehler frühzeitig zu erkennen und zu beheben.

3. Reduzierung der Arbeitskosten

KI-Lösungen haben höhere Konsistenzraten als die meisten erfahrenen menschlichen Inspektoren. Menschliche Inspektoren müssen geschult werden und können nur 15-20 Minuten lang ein hohes Maß an Konzentration aufrechterhalten. Arbeitskosten fallen jährlich an und Personalfluktuation ist ein Thema. Aus diesen Gründen sind KI-basierte optische Inspektionen kostengünstiger als manuelle Arbeit.

Anwendungsfälle

KI erhöht die Wettbewerbsfähigkeit von Herstellern in allen Branchen. Hier sind aktuelle Anwendungsfälle aus der Luftfahrtindustrie, der Halbleiterfertigung und der Biowissenschaft.

Alibaba hat sich den Herausforderungen im Gesundheitswesen durch das Coronavirus gestellt. Alibabas Deep-Learning-basiertes visuelles Erkennungssystem ist in der Lage, das Coronavirus in Brust-CT-Scans mit einer Genauigkeit von 96 % zu erkennen. Das System hat auf 5.000 COVID-19-Fälle zugegriffen und kann innerhalb von 20 Sekunden eine Diagnose stellen. Darüber hinaus kann das System zwischen Bildern einer viralen Lungenentzündung und Bildern eines Coronavirus unterscheiden.

Fujitsu Laboratories implementierte ein Bilderkennungssystem in der Fujitsu-Fabrik in Oyama. Das System stellt durch die Überwachung des Montageprozesses sicher, dass Teile in optimaler Qualität produziert werden. Das System war so erfolgreich, dass Fujitsu es an allen Produktionsstandorten des Unternehmens implementierte.

Airbus hat 2018 ein automatisiertes, drohnenbasiertes Flugzeuginspektionssystem eingeführt. Das System hat die Qualität der Inspektionen verbessert und die Ausfallzeiten von Flugzeugen reduziert.

GlobalFoundries ist ein führendes Unternehmen in der Halbleiterfertigung. Das Unternehmen hat ein visuelles Inspektionssystem entwickelt, das Defekte in Bildern eines Rasterelektronenmikroskops (REM) erkennt. Das System erkennt Defekte in einer Wafer-Map, die dann hilft, die Leistung des Halbleiterbauelements zu bestimmen.

Die oben aufgeführten Anwendungsfälle zeigen, inwieweit KI in der Lage ist, viele Aspekte unseres Lebens zu automatisieren. Obwohl die KI-Vision niemals die menschliche Vision replizieren wird, klassifiziert die Technologie weiterhin Informationen und entwickelt sich so weiter, wie es das menschliche Auge und das Gehirn nicht können. Und nur Menschen könnten überlegen, wie sie diese Technologie nutzen können, um Vorteile zu erzielen.