Bildverarbeitung und KI

Andreas Mühlbauer,

Dilemma der Qualitätsendkontrolle auflösen

Wie lässt sich KI-basierte, automatisierte Bildverarbeitung nutzen, um den Spagat zwischen menschlichem und maschinellem Fehlverhalten in der Qualitätsendkontrolle zu reduzieren und Kosten zu sparen?

Die KI erkennt fehlerhafte Produkte. © Deevio

Das Jahr 2019 ging für die Maschinenbaubranche in Deutschland noch ziemlich erfreulich zu Ende, die Erwartungen für 2020 wurden angesichts der globalen Corona-Krise hingegen erheblich heruntergeschraubt. Etliche Produktionseinbrüche waren auf den Zusammenbruch von feinjustierten Supply-Chains zurückzuführen. Dementsprechend rückt auch wieder die Suche nach verborgenen Einsparpotenzialen in den Fokus der Unternehmen. Gerade am Ende der Produktionskette findet sich mit der Qualitätsendkontrolle ein Bereich, der erheblichen Einfluss auf die Marktposition, den guten Ruf und die Kostendeckung des gesamten Unternehmens ausübt. Deevio will mithilfe KI-basierter Bildverarbeitung diesen oft noch manuell durchgeführten Prozess  automatisieren – und auch Investitionen in bereits angeschaffte Bildverarbeitungssysteme retten.

Das Dilemma der Qualitätsendkontrolle

Bisher stellte sich die Situation wie folgt dar: Einerseits verlassen sich zahlreiche, ansonsten hochgradig automatisierte Produktionsunternehmen im Bereich der Qualitätsendkontrolle immer noch fast ausschließlich auf die Entscheidungen ihrer umfassend qualifizierten Prüfer. Diese verfügen zwar über ein hervorragend geschultes Auge, jahrelange Erfahrung und die Fähigkeit, einen tatsächlichen Produktionsfehler von einem vermeintlichen Defekt oder einer tolerierbaren Variation zu unterscheiden.

Anzeige

Nichtsdestotrotz leiden selbst die aufmerksamsten und motiviertesten Mitarbeiter früher oder später an Müdigkeit und Hunger und können sich nicht mehr konzentrieren oder fallen aus anderen Gründen aus. Diese – menschlich vollkommen verständlichen – Faktoren wirken sich aber unbarmherzig auf die Qualität der Produkte aus, die dann nicht selten direkt an die Kunden gehen. Zudem fällt es insbesondere Unternehmen in strukturschwachen Gebieten immer schwerer, überhaupt noch qualifizierte Mitarbeiter zu finden, die sich dieser enormen Verantwortung stellen können und wollen. Auch stellt die Dokumentation von Entscheidungen der Qualitätsprüfer nicht selten ein erhebliches Problem dar. Lassen sich die iO- oder niO-Kriterien nicht in der benötigten Detailtiefe nachvollziehen, können auch keine Optimierungsoptionen erkannt und umgesetzt werden.

Andererseits müssen viele Investitionsverantwortliche feststellen, dass sich die Hoffnungen, die durch die Anschaffung von regelbasierten, automatisierten Bildverarbeitungssystemen im Bereich Qualitätsendkontrolle geweckt wurden, nicht erfüllen. Vielmehr lässt sich sogar ein Anwachsen der Ausschussquote auf über 20 Prozent aufgrund von Pseudofehlern erkennen. Mit diesen Resultaten kann man nicht mehr kostendeckend arbeiten – ganz abgesehen von einer zumindest mittelfristig angestrebten Amortisierung der durchweg hohen Anschaffungskosten. Diese Systeme verfügen zwar über sehr leistungsfähige und hochauflösende Kameras, können aber aufgrund ihrer rein regelbasierten Vorgehensweise mit der Bandbreite tatsächlich auftretender Varianten nicht Schritt halten. Die erfahrungsgemäß zu scharf eingestellten Optiken sortieren beispielsweise eigentlich fehlerfreie Teile aus, nur weil eine Lichtreflexion oder eine Farbschwankung als Kratzer fehlinterpretiert wurde. Regelbasierte Verfahren bieten nichtsdestotrotz einige spezifische Vorteile, die sie aber eher für den Einsatz während oder zu Beginn der Produktion qualifizieren.

Die KI-basierte Lösung

Der Deevio-Ansatz zielt genau in die Mitte dieser klaffenden Schere – und bezieht bei Bedarf auch bereits vorhandene Imaging-Hardware und erstelltes Bildmaterial mit ein. Die Deep-Learning-Lösung vereint die Vorteile maschineller Automatisierung – Konsistenz, 24/7-Verfügbarkeit usw. – mit der grundsätzlichen Lernfähigkeit und Flexibilität des menschlichen Gehirns. Die Software klinkt sich in vorhandene Settings ein oder wird durch die Installation hochspezialisierter Hardware von Partnerunternehmen unterstützt . Bereits vorliegendes Bildmaterial ergänzt das Unternehmen mit Aufnahmen von einwandfreien und fehlerhaften Produkten, wobei die Bandbreite der denkbaren Defekte bestmöglich abgedeckt werden sollte.

Mittlerweile erreichen Deep-Learning-Algorithmen eine Genauigkeit von mehr als 99 Prozent und prädestinieren sich somit auch für den Einsatz im Automotive- oder Pharma-Umfeld. Diese Präzision und die in den letzten Jahren exponentiell angestiegene Rechnerleistung sorgen dafür, dass die Ausschussquote im Bereich der maschinellen Qualitätskontrolle von 20 auf unter 1 Prozent sank. Diese Resultate überzeugen dementsprechend immer mehr Unternehmen, sich von der manuellen Endkontrolle zu trennen und die freigewordenen Mitarbeiter-Kapazitäten produktiver einzusetzen.

Erhöhung der Automatisierungsquote als Voraussetzung für Nearshoring

Zahlreiche lange, eng getaktete und entsprechend empfindliche On-Demand-Lieferketten wurden durch die globalen Corona-Lockdowns brutal zerschnitten und führten zu Kettenreaktionen, die Unternehmen unterschiedlichster Größen und Branchen erheblich in Mitleidenschaft zogen.

Die reine Fokussierung auf die Einsparung von Lohnkosten als einer der Treiber der Globalisierung stellte sich als hochgradig störungsanfällige Lösung dar. Um wieder mehr Komponenten direkt vor Ort oder zumindest in Regionen zu fertigen, die sich auch bei Grenzschließungen noch in greifbarer Reichweite befinden, und somit näher an die eigene Produktion heranzuholen, kann ein sehr hoher Automatisierungsgrad den Lohnkostenfaktor entschärfen und die Versorgungssicherheit erhöhen.

Dieser Kausalzusammenhang erschloss sich auf dem Höhepunkt der Covid-19-Krise dann auch Zweiflern und wird fraglos zu einem Umdenken führen. Gleichzeitig können dann auch die Produktionszeiten und -kosten sinken, die Individualisierungsoptionen hingegen weiter zunehmen. Wir bereiten uns momentan umfassend darauf vor, den resultierenden Nachfrage-Anstieg – speziell im Bereich der erfolgskritischen Qualitätsendkontrolle – begegnen und der Industrie bisher ungenutzte Potentiale eröffnen zu können.

Von Damian Heimel, Co-Founder & COO Deevio

Anzeige

Das könnte Sie auch interessieren

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige

KI

Mythen über Künstliche Intelligenz

Die einen glauben, Künstliche Intelligenz werde in wenigen Jahren die Welt beherrschen; die anderen zweifeln daran, dass sie überhaupt existiert. IFS erläutert, warum die Wahrheit wie immer in der Mitte liegt.

mehr...

IT-Solutions

Topologieoptimierung trifft KI

Berechnung und Simulation in unmittelbarer Reichweite des Konstrukteurs, diesen Trend hin zu tief integrierten CAD-CAE-Prozessketten unterstützt Dassault Systèmes Solidworks und DPS Software bereits seit Jahren.

mehr...

Newsletter bestellen

Immer auf dem Laufenden mit dem SCOPE Newsletter

Aktuelle Unternehmensnachrichten, Produktnews und Innovationen kostenfrei in Ihrer Mailbox.

AGB und Datenschutz gelesen und bestätigt.
Zur Startseite