Wie KI die maschinelle Bildverarbeitung revolutioniert:Einblicke von Branchenführern

Künstliche Intelligenz verändert das maschinelle Sehen, indem sie es Systemen ermöglicht, komplexe visuelle Informationen schnell und genau zu interpretieren sowie zu lernen und die visuelle Erkennung zu verbessern. Angetrieben durch multimodale KI, generative Modelle und agentische KI-Systeme wandelt sich die moderne maschinelle Bildverarbeitung von einer Reihe von Algorithmen zu einem umfassenden intelligenten Wahrnehmungsökosystem.

Durch den Übergang von starren, regelbasierten Inspektionen hin zu Bildverarbeitungssystemen, die mit einer kleinen Anzahl von Beispielbildern trainiert werden können, können Unternehmen Lösungen schneller und mit größerer Flexibilität bereitstellen. Diese Entwicklung führt zu messbaren Fortschritten in Schlüsselindustrien – sie ermöglicht es Automobilherstellern, Montagefehler früher zu erkennen, Luft- und Raumfahrtunternehmen, komplexe Komponenten mit höherer Präzision zu validieren, Halbleiterfabriken, um mikroskopische Anomalien in Echtzeit zu identifizieren, Herstellern medizinischer Geräte, um Konsistenz und Compliance sicherzustellen, und Herstellern von Unterhaltungselektronik, um die Qualitätskontrolle in großem Maßstab zu beschleunigen.

In diesem Sonderbeitrag haben wir drei Branchenexperten – Eric Carey, CTO, Teledyne DALSA, Brian Benoit, Director of Advanced Vision Products bei Cognex, und Ron Jubis, President of Sales, North America und Managing Director von SICK, Inc. – gebeten, ihre Gedanken über die Auswirkungen von KI auf die Bildverarbeitung, neue Herausforderungen und Best Practices sowie die Vertrauenswürdigkeit der KI-gesteuerten visuellen Inspektion mitzuteilen.

Technische Kurzinformationen: Welche transformativen Veränderungen treibt die KI in der maschinellen Bildverarbeitung voran und wie definieren diese Veränderungen die Fähigkeiten in verschiedenen Industriesektoren neu?

Eric Carey: Die Entwicklung der industriellen KI stellt einen grundlegenden Wandel von starren, regelbasierten Systemen hin zu autonomer, agentenbasierter Intelligenz dar. In der Vergangenheit basierte die Qualitätskontrolle auf hartcodierten Bildverarbeitungsalgorithmen, die für jeden Fehler eine manuelle Programmierung erforderten – ein quantitativer Prozess, der mathematisch präzise, ​​aber funktionell fragil ist. Der Übergang zu Deep Learning führte zu einem qualitativeren Ansatz, der es Maschinen ermöglichte, das differenzierte Urteil von Fachexperten nachzuahmen. Durch das Training an riesigen Bilddatensätzen – oder die Verwendung von „Golden Sets“ für unbeaufsichtigtes Lernen – können sich diese Systeme an Umgebungsvariablen wie wechselnde Beleuchtung anpassen. Um die Knappheit realer Anomalien zu überwinden, synthetisiert generative KI jetzt Simulationen seltener Defekte, um das Modelltraining zu verbessern. Wir treten jetzt in die Ära der agentischen KI ein, in der Systeme Produktionsabläufe autonom überwachen, um Probleme zu antizipieren und zu entschärfen, bevor sie auftreten. Die Bereitstellung dieser Funktionen in der Fabrik erfordert Edge-KI, die eine lokale Verarbeitung gewährleistet, um Latenzzeiten zu vermeiden und die betriebliche Ausfallsicherheit in Echtzeit aufrechtzuerhalten.

Brian Benoit: KI beschleunigt den Wandel von starren, regelbasierten Inspektionen hin zu Bildverarbeitungssystemen, die anhand einer kleinen Anzahl von Beispielbildern trainiert werden können und sich an Schwankungen in Produktaussehen, Beleuchtung und Verpackung anpassen. Fortgeschrittene KI-Modelle trainieren jetzt mit nur einer Handvoll Bildern und können auf kompakten Edge-Geräten ausgeführt werden, die mit NPUs oder GPUs ausgestattet sind. Dadurch ist die Bereitstellung schneller, einfacher und zugänglicher. Branchenübergreifend sind die Vorteile erheblich. Die Automobil-, Luft- und Raumfahrt-, Halbleiter- und Unterhaltungselektronikbranche verlässt sich für hochpräzise Inspektionen auf KI-Vision, während Logistikbetriebe sie nutzen, um große SKU-Variabilität zu bewältigen und eine automatisierte Rückverfolgbarkeit zu ermöglichen. Da Fabriken immer digitaler vernetzt werden, werden KI-Vision-Systeme mit repräsentativen Bildern und Sensordaten trainiert, was zu einem höheren Grad an Automatisierung, Effizienz und Qualität führt. Die Akzeptanz nimmt weltweit zu, da Hersteller mit zunehmender Komplexität, Arbeitsbeschränkungen und sich verändernden Anforderungen an die Lieferkette konfrontiert sind.

Ron Jubis: KI treibt die maschinelle Bildverarbeitung von starren, regelbasierten Inspektionen hin zu adaptiven, beispielgesteuerten Systemen voran. Moderne Edge-Geräte können Deep-Learning-Modelle direkt auf einem Gerät trainieren und ausführen, was die Einrichtungskomplexität reduziert und eine schnelle Neukonfiguration ermöglicht, wenn sich Produkte oder Prozesse ändern. Diese Fortschritte unterstützen Inspektionen mit hoher Auflösung und ermöglichen es Teams mit unterschiedlichen Qualifikationsniveaus, anspruchsvolle Bildverarbeitungsanwendungen einzusetzen. Über die stationäre Inspektion hinaus verbessert die KI-gestützte 3D-Wahrnehmung die Kollisionsvermeidung und das Umweltverständnis in mobilen Maschinen und Außenmaschinen und verdeutlicht einen breiteren Trend, bei dem maschinelles Sehen branchenübergreifend mit Sicherheit, Autonomie und Workflow-Optimierung verschmilzt.

Technische Kurzinformationen: Wie verändern Fortschritte beim Deep Learning und der generativen KI die Fehlererkennungsfunktionen in Bildverarbeitungssystemen?

Eric Carey: Der Übergang von der regelbasierten Bildverarbeitung zu Deep Learning markiert einen entscheidenden Sprung in der Fertigungsagilität. In der Vergangenheit erforderte die Fehlererkennung, dass spezialisierte Ingenieure manuell starre Algorithmen programmierten – ein Prozess, der sowohl zeitaufwändig als auch schwer zu skalieren war. Heutzutage haben Deep-Learning-Modelle diesen Arbeitsablauf demokratisiert und komplexe Codierung durch schnelle, intuitive Trainingszyklen ersetzt. Dieser Wandel beschleunigt den Einsatz und stellt sicher, dass die Systeme vielseitig genug sind, um sich in Echtzeit an sich ändernde Produktionsparameter anzupassen. KI-gesteuerte Systeme bieten eine überragende betriebliche Robustheit. Herkömmliche Bildverarbeitungssysteme waren notorisch anfällig und erforderten hyperkonsistente Umgebungen, um falsch-negative Ergebnisse zu vermeiden. Im Gegensatz dazu zeichnen sich Deep-Learning-Modelle durch den Umgang mit realen Variabilitäten aus. Durch das Training mit verschiedenen Datensätzen werden diese Systeme von Natur aus widerstandsfähig gegenüber Umgebungsschwankungen, wie z. B. wechselnden Beleuchtungsverhältnissen oder geringfügigen Positionierungs- oder Skalierungsänderungen. Dieser Übergang von „pixelgenauen“ Anforderungen zu anpassungsfähiger Intelligenz sorgt für höhere Genauigkeit und geringeren Wartungsaufwand, sodass wir uns auf strategische Skalierung statt auf ständige algorithmische Neukalibrierung konzentrieren können.

Brian Benoit: Maschinelles Sehen ist nicht mehr auf mühsam programmierte Regeln angewiesen. Moderne KI-Modelle trainieren auf anwendungsspezifischen Bildern – an der Produktionslinie erfasst, synthetisch generiert oder beides –, sodass sie mit realen Produktionsschwankungen umgehen und subtile, schwer definierbare Fehler weitaus konsistenter erkennen können. Da sie oft nur eine kleine Anzahl realer Bilder benötigen und generative KI realistische Varianten erstellen kann, benötigen diese Systeme weniger große, gekennzeichnete Datensätze und können viel schneller bereitgestellt werden. Deep Learning macht die Inspektion außerdem genauer und anpassungsfähiger. Es hilft Systemen, kritische Fehler von harmlosen kosmetischen Abweichungen zu unterscheiden, zuverlässig auf Hochgeschwindigkeitslinien zu arbeiten und die Präzision trotz Veränderungen bei Beleuchtung, Verpackung oder Materialien aufrechtzuerhalten. Durch die frühere Erkennung neuer Muster wird die KI-gesteuerte Inspektion prädiktiver und proaktiver. Da diese Fähigkeiten immer ausgereifter werden, können Hersteller mit höheren Erträgen, weniger Fehlausschüssen und größerer Effizienz durch eine intelligentere, robustere Qualitätskontrolle rechnen.

Ron Jubis: Die Fehlererkennung nutzt Deep Learning, um subtile, variable oder unregelmäßige Fehlermuster zu erkennen, mit denen herkömmliche Regeln zu kämpfen haben. Branchenforschung zeigt, dass moderne neuronale Netze die Genauigkeit und Robustheit bei unterschiedlichen Defektgrößen und -texturen verbessern. Generative KI steigert die Leistung weiter, indem sie die Abhängigkeit von großen Datensätzen verringert und so das Lernen und die Erstellung synthetischer Daten für seltene Fehlertypen ermöglicht. Zusammengenommen reduzieren diese Trends Fehlalarme, verbessern die Merkmalslokalisierung und machen Echtzeitprüfungen auf Edge-Computing-Plattformen einfacher möglich.

Technische Kurzinformationen: Welche Herausforderungen entstehen bei der Integration von 3D-, Hyperspektral- und Edge-basierten KI-Bildverarbeitungssystemen durch Hersteller bei der Gewährleistung der Datenzuverlässigkeit, Latenzkontrolle und Systeminteroperabilität in älteren OT-/IT-Umgebungen?

Eric Carey: Durch die Integration von 3D- und Hyperspektralbildgebung werden hochdimensionale Datensätze generiert, die die Anforderungen an den Datendurchsatz exponentiell erhöhen. Cloud-Plattformen bieten zwar die nötige Skalierbarkeit für die Verarbeitung dieser Informationsmenge, erreichen aber nicht die Millisekunden-Latenz, die für industrielle Echtzeitabläufe unerlässlich sind. Daher müssen Edge-basierte Architekturen in unmittelbarer Nähe zu Sensoren eingesetzt werden, um eine sofortige Verarbeitung zu gewährleisten. Diese Verschiebung bringt jedoch grundlegende Einschränkungen in älteren Industriesystemen zum Vorschein, die nicht für Hochgeschwindigkeits-Datenströme ausgelegt sind. Diese Nichtübereinstimmung führt häufig zu einer Überlastung des Netzwerks und einer möglichen Überlastung der Edge-Computing-Knoten. Darüber hinaus bestehen weiterhin erhebliche Protokolllücken zwischen veralteter Hardware und modernen Bildverarbeitungssystemen. Um diese zu überbrücken, ist eine ausgefeilte Datenanpassung erforderlich – die Angleichung unterschiedlicher Formate, Zeitstempel und Befehlssignale durch spezielle Protokollübersetzer. Die effektive Bewältigung dieser Interoperabilitätsherausforderungen ist von entscheidender Bedeutung für die Aufrechterhaltung der betrieblichen Belastbarkeit und die Sicherstellung, dass fortschrittliche maschinelle Bildverarbeitung erfolgreich in älteren Umgebungen skaliert werden kann.

Brian Benoit: Die Integration von 3D-, hyperspektralen und kantenbasierten KI-Vision-Systemen bringt echte Herausforderungen in Bezug auf Datenzuverlässigkeit, Echtzeitlatenz und Interoperabilität mit veralteter OT/IT-Infrastruktur mit sich. Hochdimensionale Sensordaten erfordern eng synchronisierte Pipelines, um sicherzustellen, dass die Inspektionserkenntnisse mit den Produktionskontrollen übereinstimmen, insbesondere in Hochgeschwindigkeitsumgebungen. Edge-Processing reduziert die Latenz, erhöht aber auch den Bedarf an disziplinierter Kalibrierung, standardisierten Schnittstellen und einem konsistenten Modelllebenszyklusmanagement, um die Genauigkeit über Schichten, Bedingungen und Einrichtungen hinweg aufrechtzuerhalten. Das größere Hindernis besteht darin, dass viele Legacy-Systeme nicht für die Bewältigung der Datenmengen, Sicherheitserwartungen oder des Determinismus entwickelt wurden, die die moderne KI-Vision erfordert. Um dieses Problem zu lösen, sind skalierbare industrielle Netzwerke, gemeinsame Kommunikationsprotokolle und strukturierte Datenschichten erforderlich, die den Fabrikbetrieb mit Unternehmenssystemen verbinden. Wenn diese Grundlagen vorhanden sind, können Hersteller fortschrittliche Bildverarbeitungssysteme sicher einsetzen, ohne bestehende Arbeitsabläufe zu stören.

Ron Jubis: Hersteller sehen sich in Bezug auf diese Funktionen mit erhöhten Anforderungen konfrontiert. Dies ist besonders relevant, da Fabriken zunehmend veraltete Feldbussysteme mit neueren Ethernet-basierten Architekturen kombinieren. Die Rolle von SICK in dieser Landschaft konzentriert sich auf die Entwicklung von Sensoren und Vision-Plattformen, die nativ am Edge arbeiten und gleichzeitig diese neuen industriellen Interoperabilitätsstandards unterstützen. Unsere Sensoren nutzen standardmäßiges industrielles Ethernet, CAN, REST API und andere Kommunikationsprotokolle und helfen dabei, fortschrittliche KI-basierte Inspektion oder 3D-Wahrnehmung mit bestehenden Automatisierungsumgebungen zu verbinden. Dadurch wird sichergestellt, dass Hersteller Bildverarbeitungssysteme mit höherer Komplexität einführen können, ohne etablierte Steuerungsarchitekturen zu beeinträchtigen.

Technische Kurzinformationen: Auf welche Weise beeinflussen KI-gestützte Inspektions- und Anomalieerkennungssysteme die Entscheidungsfindung in der Fabrik und wie validieren Ingenieurteams diese Modelle, um strenge Qualitäts-, Sicherheits- und Regulierungsanforderungen zu erfüllen?

Eric Carey: Die maschinelle Bildverarbeitung wandelt sich von der passiven Postproduktionsinspektion zu einem dynamischen Treiber der Prozesssteuerung. Moderne KI-Systeme identifizieren nicht nur Fehler, sondern analysieren auch Produktionstrends, um subtile Prozessabweichungen zu erkennen und so proaktive vorausschauende Wartungsstrategien zu ermöglichen, die Ausfallzeiten minimieren und den Ertrag optimieren. Der probabilistische Charakter der KI bringt jedoch entscheidende regulatorische und betriebliche Hürden mit sich. Da Modelle eher Konfidenzwerte als binäre Gewissheiten generieren, ist Erklärbarkeit für die Compliance von entscheidender Bedeutung. Tools wie Heatmaps sorgen für die nötige Transparenz, indem sie die Gründe für Ablehnungsentscheidungen visualisieren, während mehrdeutige Fälle mit geringem Vertrauen zur Human-in-the-Loop-Validierung an Fachexperten weitergeleitet werden. Darüber hinaus steht die Implementierung kontinuierlicher Lernmodelle vor erheblichen Zertifizierungsherausforderungen. In regulierten Umgebungen kann jede Modellaktualisierung einen obligatorischen Rezertifizierungsprozess auslösen, selbst wenn die zugrunde liegende Hardware statisch bleibt. Die Bewältigung dieser Spannung zwischen iterativer KI-Optimierung und starren Industriestandards ist heute eine zentrale Priorität für die Aufrechterhaltung von Innovation und betrieblicher Compliance.

Brian Benoit: Durch die Echtzeit-KI-Inspektion erhalten Produktionsteams in der Fabrik einen früheren Einblick in aufkommende Probleme und ermöglichen so eine schnellere und fundiertere Entscheidungsfindung. In Branchen, in denen Präzision und Rückverfolgbarkeit von entscheidender Bedeutung sind, hilft dieser frühe Einblick dabei, potenzielle Qualitätsprobleme zu erkennen, bevor sie einen kritischen Schwellenwert erreichen. Anstatt auf Endkontrollen zu warten, deckt die KI-gesteuerte Anomalieerkennung ungewöhnliche Muster auf, sobald sie auftreten, sodass Hersteller früher eingreifen können. Diese Signale stärken auch die Wartungsplanung und -planung sowie die allgemeine Prozessstabilität. Um diese Modelle zu validieren und Konsistenz sicherzustellen, kombinieren die Ingenieurteams statistische Tests, Kreuzvalidierung, Hold-Out-Datensätze und reale Produktionsversuche. Die Ergebnisse dieser Prüfungen müssen messbar, wiederholbar und überprüfbar sein. Durch die Einbettung von KI in bestehende Qualitäts- und Änderungskontrollprozesse und die Sicherstellung, dass Modelle erklärbar und gut dokumentiert sind, erzielen Hersteller sowohl die verbesserten Produktionsergebnisse, die KI ermöglicht, als auch das nötige Vertrauen für die Entscheidungsfindung auf Fabrikebene.

Ron Jubis: KI verlagert Entscheidungen in der Fabrik von regelmäßigen Inspektionen auf kontinuierliche Bewertungen auf Teileebene. Durch die Erstellung von Echtzeitklassifizierungen oder Anomaliebewertungen unterstützt die maschinelle Bildverarbeitung zunehmend die sofortige Eindämmung, automatisierte Anpassungen und die Rückverfolgbarkeit der Qualität. Bei mobilen und autonomen Systemen erhöht die KI-basierte Personen-/Objekterkennung das Umweltbewusstsein und verbessert die Betriebssicherheit. Ingenieurteams validieren diese Modelle durch Datenrepräsentativitätsprüfungen, Betrieb im Schattenmodus und Lebenszyklusdokumentation. Kontinuierliche Abweichungsüberwachung und Erklärbarkeitsbewertungen werden zu einem integralen Bestandteil für die Erfüllung von Qualitäts-, Sicherheits- und behördlichen Erwartungen.

Technische Kurzinformationen: Gibt es Ihrer Meinung nach neue Best Practices oder Standards, die Herstellern dabei helfen, Transparenz und Vertrauenswürdigkeit in die KI-gesteuerte Sichtprüfung zu bringen?

Eric Carey: Neue ISO-Standards bestimmen zunehmend die Landschaft der KI-Governance und erfordern transparente und zuverlässige Bereitstellungsrahmen. Eine wichtige Best Practice ist Explainable AI (XAI); Der Einsatz von Tools wie Heatmaps ermöglicht es Systemen, die spezifischen Pixel zu visualisieren, die eine Entscheidung beeinflussen, und diese dann von Fachexperten auf ihre Richtigkeit prüfen zu lassen. Darüber hinaus bieten Schattentests einen Validierungspfad mit geringem Risiko. Durch den „stillen“ Betrieb von KI neben älteren Bildverarbeitungssystemen können Unternehmen automatisierte KI-Entscheidungen mit etablierten Benchmarks vergleichen. Dies stellt die Zuverlässigkeit des Modells sicher und baut Betriebsvertrauen auf, bevor das Modell aktiv zur Steuerung des Herstellungsprozesses eingesetzt wird.

Brian Benoit: Da die KI-Vision immer leistungsfähiger und einfacher einsetzbar wird, entstehen Best Practices. Es beginnt mit einer disziplinierten Datensatzverwaltung und reproduzierbaren Trainingspipelines:Dokumentation von Datenquellen, Validierung von Modellen unter verschiedenen realen Bedingungen und Pflege nachvollziehbarer Änderungsprotokolle zur Unterstützung der Überprüfbarkeit. Hersteller erweitern außerdem etablierte Qualitätsrahmen, einschließlich ISO-basierter Systeme, um KI-spezifische Lebenszykluskontrollen. Human-in-the-Loop-Kontrollpunkte bleiben wichtig, insbesondere während der frühen Bereitstellung oder bei Anwendungen mit Auswirkungen auf die Sicherheit oder Vorschriften. Klare Ausnahmeberichts- und Erklärbarkeitstools helfen Betreibern zu verstehen, warum ein System eine bestimmte Entscheidung trifft. Branchengruppen leisten auch wichtige Arbeit bei der Gestaltung von Richtlinien für verantwortungsvolle und erklärbare KI in industriellen Umgebungen.

Ron Jubis: Organisationen wie die International Organization for Standardization (ISO) und das National Institute of Standards and Technology (NIST) greifen auf formelle KI-Governance-Frameworks zurück, um sicherzustellen, dass KI-basierte Inspektionssysteme transparent und überprüfbar sind. ISO/IEC 42001 legt einen Managementsystemansatz für den verantwortungsvollen KI-Einsatz fest und befasst sich mit Themen wie Datenqualität, Risikokontrollen und Rückverfolgbarkeit. ISO/IEC 5338 bietet strukturierte Lebenszyklusleitfäden und stärkt Praktiken wie Datensatzdokumentation, Testprotokolle und Änderungsmanagement. Darüber hinaus bietet die Arbeit an KI-Standards des NIST weitere Leitlinien zur Leistungsbewertung, zur Minderung von Verzerrungen und zur sicheren Implementierung. Branchenübergreifend werden diese Rahmenwerke zur Grundlage für den Aufbau regulatorischen Vertrauens in die automatisierte Inspektion.

Technische Kurzinformationen: KI-gestützte maschinelle Bildverarbeitung geht weit über die traditionelle Fertigung hinaus und wird mittlerweile in Branchen wie der Luft- und Raumfahrt, der Automobilindustrie und der Elektronik eingesetzt. Welche Branchen sind heute führend beim Einsatz von KI-gesteuerten Bildverarbeitungssystemen und sehen Sie, dass diese Akzeptanz in den nächsten fünf Jahren zunehmen wird?

Eric Carey: Die Elektronik- und Halbleiterbranche steht an der Spitze der KI-gesteuerten Bildverarbeitung, die durch den Bedarf an hochauflösender Bildgebung zur Identifizierung mikroskopischer Defekte erforderlich wird. In einer Branche, die durch geringe Margen gekennzeichnet ist, steigert die Verbesserung der Produktausbeute durch präzise Erkennung zu Beginn des Herstellungsprozesses die Gesamtrentabilität erheblich. In der Automobilindustrie wird KI in großem Umfang an Montagelinien für die 3D-basierte Teileausrichtung und die automatisierte Lackqualitätsprüfung eingesetzt. Darüber hinaus schwenkt der Sektor auf fortschrittliche Fahrerassistenzsysteme (Advanced Driver-Assistance Systems, ADAS) um, die KI nutzen, um Fahrzeuge in mobile Bildverarbeitungsgeräte zu verwandeln, die die Straßenumgebung in Echtzeit analysieren. Während die meisten Fertigungssektoren nach und nach KI in ihre Arbeitsabläufe integrieren, sind Elektronik, Halbleiter und Automobil derzeit führend. Ihre frühzeitige Einführung unterstreicht einen umfassenderen industriellen Wandel, bei dem intelligente Bildverarbeitungssysteme nicht länger optional, sondern für die Aufrechterhaltung eines Wettbewerbsvorteils in hochpräzisen Produktionsumgebungen mit hohem Volumen unerlässlich sind.

Brian Benoit: Die genannten Sektoren – neben Halbleitern, Verpackung und Massenlogistik – sind aufgrund ihrer komplexen Montageprozesse und der Notwendigkeit hoher Präzision führend bei der Akzeptanz. Automobilhersteller nutzen KI-Vision, um sicherheitskritische Komponenten im großen Maßstab zu überprüfen. Luft- und Raumfahrtunternehmen wenden es zur Oberflächeninspektion und Rückverfolgbarkeit an. Halbleiter- und Elektronikhersteller verlassen sich bei der Wafer-, Chip- und Feinstrukturprüfung darauf. Logistikbetriebe nutzen intelligentes Scannen, um den Durchsatz zu steigern und eine lückenlose Rückverfolgbarkeit zu ermöglichen. In den nächsten fünf Jahren wird sich die Akzeptanz ausweiten und beschleunigen. Fortschritte bei neuronalen Netzwerkarchitekturen und kompakten Edge-Geräten werden die Bereitstellung von KI-Vision immer einfacher machen. Führende Branchen werden sich stärker darauf verlassen, und da die Datenanforderungen schrumpfen und Systeme sich besser an reale Schwankungen anpassen, wird die Akzeptanz in den Bereichen Biowissenschaften, erneuerbare Energien und schnelllebige Konsumgüter zunehmen. Niedrigere Kosten und eine einfachere Integration werden kleinere Hersteller an Bord holen und KI-gesteuerte Vision zu einer Grundebene der modernen industriellen Automatisierung machen.

Ron Jubis: Die Automobil-, Elektronik- und Halbleiterfertigung ist nach wie vor führend bei der Einführung von KI-Bildverarbeitung, angetrieben durch strenge Qualitätsanforderungen, einen hohen Produktionsdurchsatz und die Notwendigkeit einer vorausschauenden Wartung über eng integrierte Fertigungslinien hinweg. Automobilfabriken beschleunigen den Einsatz von KI-gestützten Inspektions- und Wahrnehmungssystemen im Rahmen umfassenderer Veränderungen hin zu autonomen Produktionszellen und immer flexibleren Montageprozessen. In der gesamten Branche wird KI in Schweißinspektionen, Oberflächenbewertungen, Montageüberprüfungen und Qualitätsprüfungen am Ende der Produktionslinie integriert, die alle von Deep Learning und Echtzeit-Feedbackschleifen profitieren.

Dieser Artikel wurde von Chitra Sethi, Redaktionsleiterin der SAE Media Group, verfasst. Weitere Informationen finden Sie unter www.teledynedalsa.com, www.cognex.com und www.sick.com.