Mit AI.SEE™ die Vorteile von Deep Learning in der Qualitätskontrolle nutzen

Immer steigende Qualitätsansprüche bei gleichzeitiger Kostensensibilität machen eine effiziente Qualitätskontrolle im Großteil der Industrie unverzichtbar.

Eine zuverlässige und umgehende Erkennung von Produktionsfehlern kann nicht nur zu einer deutlichen Senkung zusätzlicher Kosten für Nachbesserungen führen, sondern auch den finanziellen Verlust bei Ausschuss deutlich reduzieren oder sogar verhindern. Zudem trägt eine gut implementierte Erkennung von Mängeln in der Produktion zu deutlichen Qualitäts– und Effizienzsteigerungen bei. In den meisten Fällen erweist sich dabei eine automatisierte Lösung auf Basis von künstlicher Intelligenz als optimal. AI.SEE™ von elunic beweist dabei eindrucksvoll den Vorteil von Deep Learning gegenüber klassischen Methoden des Machine Learnings.

Informationsverarbeitung ohne komplizierte Formeln

Deep Learning bezeichnet eine spezielle Methode der Informationsverarbeitung. Als Teilbereich des maschinellen Lernens nutzt dieses, zu Deutsch „mehrschichtige Lernen“, künstliche neuronale Netze mit zahlreichen Zwischenschichten (sog. hidden layers), um zwischen Eingabe- und Ausgabeschicht eine umfangreiche innere Struktur zu bilden. Diese neuronale Struktur ermöglicht es einer computerbasierten Lösung, aus Beispieldaten zu lernen, um so auch Aufgaben zu lösen, die sich händisch nur schwer in mathematischen Regeln formulieren lassen. Während Aufgaben, wie beispielsweise Sprach- oder Gesichtserkennung, die ein Mensch intuitiv löst, bis vor wenigen Jahren nur schwer von Computern zu lösen schienen, macht Deep Learning dies heute möglich. Da durch solche Methoden der Informationsverarbeitung rohe sensorische Eingangsdaten, wie beispielsweise Handschriften, durch Software erkannt werden können, bietet Deep Learning schier unvorstellbare Möglichkeiten für die Industrie. Dies ist weitgehend ohne umfangreiches Expertenwissen zur Überführung der unzähligen Bildpunkte in eine Kette von Ziffern und Buchstaben möglich. Vielmehr werden verschiedene Techniken wie Faltung und Maximum-Selektion genutzt, um die essentiellen Informationen aus den riesigen Datenmengen zu extrahieren.

Die Funktionsweise dieses computerbasierten Lernens ist dabei in vielen Bereichen vom Lernen im menschlichen Gehirn inspiriert. Die Maschine wird so in die Lage versetzt, selbständig und ohne großes Zutun des Menschen, ihre Fähigkeiten immer weiter zu verbessern, indem sie aus vorhandenen Daten und Informationen Muster extrahiert und klassifiziert. Die daraus gewonnen Erkenntnisse lassen sich anschließend mit Daten korrelieren und in einem erweiterten Kontext verknüpfen. So entstehen immer weitere und tiefere Schichten von Verknüpfungen, die die Maschine befähigen, Entscheidungen auf Basis dieser Verknüpfungen zu treffen. Je mehr Zusammenhänge anhand der Daten im Zeitverlauf entstehen, desto komplexere Sachverhalte lassen sich abbilden. Deep Learning eignet sich deshalb für Anwendungen besonders gut, bei denen große Datenmengen zur Ableitung von Mustern und Modellen zur Verfügung stehen. Darüber hinaus eignet es sich auch für Anwendungen, die über den Zeitverlauf durch immer neue und größere Datensätze in der Lage sind, weitere Zusammenhänge und somit ein immer tieferes Verständnis des Sachverhaltes für das Neuronale Netz zu bilden. Deep Learning bildet daher eine gute Grundlage für eine automatisierte visuelle Qualitätskontrolle in der Produktion.

Deep Learning Timeline

Deep Learning vs. „klassisches“ Machine Learning in der Industrie – die Vorteile im Überblick

Obwohl es sich bei Deep Learning um einen Teilbereich des Machine Learnings handelt, lässt es sich gut vom „klassischen“ maschinellen Lernen abgrenzen. Methoden des “klassischen” Machine Learning zeichnen sich dadurch aus, dass sie es ermöglichen aus den essentiellen Merkmalen die relevanten Zusammenhänge zur Unterscheidung oder Vorhersage erlernen können. Jedoch bedarf es zur Extraktion der Merkmalsdaten nach wie vor humanes Expertenwissen und -können. Der wesentliche Vorteil von Deep Learning besteht darin, dass auch dieser Schritt, der sogenannten Merkmalsextraktion, im Wesentlichen automatisiert wird.

Die Rolle des Menschen im Gesamtprozess ändert sich durch die Verwendung von Deep Learning demzufolge. Seine Aufgabe besteht darin, Informationen, meist in Form von Bilddaten, für das Erlernen bereitzustellen. Die Analyse sowie Ableitung einer Prognose oder Entscheidung überlässt er dem System selbst. Die relevanten Entscheidungsmuster werden dabei von den der Software zur Verfügung gestellten Eingabedaten (Bilder) extrahiert und die grundlegenden Zusammenhänge in Bezug auf die Ausgabe (bspw. Fehlerklassenzugehörigkeit) innerhalb des Trainingsprozesses erlernt. Somit liegt der Hauptunterschied zwischen „klassischem“ Machine Learning und Deep Learning in der Fähigkeit, auch unstrukturierte Daten zu verarbeiten. Dieser Fakt beschreibt den größten Vorteil des Deep Learnings für die visuelle Qualitätskontrolle.

Auf diese Weise können Systeme zur Qualitätskontrolle beim Einsatz von Verfahren des Deep Learnings Muster in den Daten, wie Form, Größe und Tiefe des Schattenwurfs eines Risses oder Lunkers erlernen und auch wiedererkennen. So entsteht ein sich ständig optimierendes System, das auch selten auftretende Produktionsfehler der Industrie mit höchster Effizienz erkennen kann. 

AI.SEE™ – mit Hilfe von Deep Learning zu einer effektiveren Qualitätskontrolle

Mit der automatisierten Qualitätskontrolle AI.SEE™ bietet elunic eine für die jeweilige Produktion individuell spezialisierte Anwendung, die jedes Teil vollautomatisiert optisch analysieren und auf alle Arten von Mängeln, wie Gussfehler, Lunker oder Risse prüfen kann. Durch ihre einfache und äußerst intuitive Handhabung stellt AI.SEE™ die optimale Lösung zur visuellen Qualitätsprüfung jeder Art dar, die mit Hilfe von künstlicher Intelligenz, Produktionsfehler zuverlässig erkennt und dokumentiert. Eine umfangreiche Fütterung mit unmissverständlichen Trainingsdaten ermöglicht es, anhand verschiedener Fehlerbilder und Ausschusskriterien ein adaptiv lernfähiges Modell auf Basis von Methoden des Deep Learnings zu erschaffen und in der Lage ist, auch unscheinbare oder sich ändernde Fehlerbilder zuverlässig zu erkennen. Zusätzliche Fehlerbilder in der laufenden Produktion oder neue Produktreihen können in wenigen Schritten in das System integriert und so von diesem erlernt werden. Eine einfache und intuitive Bedienbarkeit der Anwendung stellt hierbei sicher, dass jeder Mitarbeiter in der Qualitätssicherung die Anwendung ohne Programmieraufwand mit Trainingsdaten füttern kann. Der offene Zugang zum System eröffnet zudem Möglichkeiten für weitere Unternehmensbereiche oder auch externe Dienstleister. So sind auch diese in der Lage, Modelle oder Pipelines zu entwickeln und in das System zu integrieren.

Eine umfangreiche Datensammlung und –analyse der cloudbasierten Software ermöglicht zudem eine umfassende Rückverfolgung fehleranfälliger Bauteile und deren Überarbeitung im jeweiligen Produktionsschritt. Neben den Maßnahmen zur Optimierung zukünftiger Produktionschargen bietet die Implementierung einer Echtzeit–Überwachung außerdem zahlreiche Möglichkeiten, um Ausschusszahlen zu senken.

Interesse geweckt? Dann informieren Sie sich jetzt über die zahlreichen Möglichkeiten der Qualitätssicherung durch AI.SEE™! Oder testen Sie direkt ob Ihre Probleme mit Deep Learning lösbar sind: