Wie KI-basierte Bilderkennung die Qualitätssicherung verändert
Die Bilderkennung (Image Recognition) bietet neue Möglichkeiten für die bildbasierte Qualitätssicherung. Erstmals ist es einfach möglich, Objekte unter schwierigen Umständen und aus wechselnden Winkeln zu erkennen. Trotz Schatten, Lichteffekte oder gemusterte Bildhintergründe lassen sich durch Bilderkennung Objekte sicher identifizieren. Mit der klassischen Bildverarbeitung (Computer Vision) ist das alles nicht oder nur mit großem Aufwand durchführbar. Zudem ist die Einrichtung von Systemen der Bilderkennung schneller durchführbar als bei den bisher gängigen Methoden der Bildverarbeitung.
Erfolgreiche Erkennung durch maschinelles Lernen
Entscheidend für die flexiblere visuelle Analyse durch Bilderkennung ist die Nutzung von künstlicher Intelligenz. Denn im Unterschied zur Bildverarbeitung orientiert sich die Bilderkennung nicht an fest programmierten Regeln, wie etwa der Form, Anzahl oder Lage von Objekten. Vielmehr erlernt der Computer durch Bildbeispiele, Objekte ähnlich wie ein Mensch an gemeinsamen Merkmalen zu identifizieren.
Zum Beispiel erkennt ein Mensch Schrauben unabhängig von der Lage, der Größe, der Kopfform und Gewindelänge. Auch spezielle Schraubenformen wie Gewindestifte, Rändelschrauben und Schraubhaken erkennt der Mensch als Schraube. Ein KI-System kann durch maschinelles Lernen eine fast so hohe Erkennungsrate wie ein Mensch erreichen. Dazu genügt es, ausreichend viele Bilder von Schrauben unterschiedlichen Typs auszuwerten. Dadurch erfasst die KI, welche Objekte zum Typ „Schraube“ gehören.
Ausführung auch unter erschwerten Umständen
Durch maschinelles Lernen lässt sich ein Computer auch darauf trainieren, Objekte von Schatten und Hintergrund zu unterscheiden. Durch diese Eigenschaft kann KI-basierte Bilderkennung unstrukturierte Bilder und Live-Videos auswerten, bei denen die Objekte nicht gleichförmig positioniert wurden. Menschen machen das unbewusst. Doch für die einfache Bildverarbeitung stellt das ein schwer überwindbares Hindernis dar.
Zu den typischen Anwendungen der Bilderkennung bei der industriellen Qualitätssicherung zählen zum Beispiel:
- Oberflächenprüfung
- Vermessung von Größen und Formen
- Vollständigkeitsprüfung
- Objekterkennung
- Lage- und Positionserkennung
So nutzt zum Beispiel ein Automobilhersteller in einem Pilotprojekt KI-basierte Bilderkennung bei der Prüfung, ob eine Abdeckung für die Leuchtweiteneinstellung richtig eingebaut wurde. Ein solches Bauteil ist vorgeschrieben für alle Autos zum Export in die USA. Ein Problem dabei ist, dass dieses Bauteil je nach Fahrzeug unterschiedlich geformt ist. Zudem hat es die gleiche Farbe wie die Cockpitverkleidung und hebt sich von dieser optisch kaum ab. Das KI-System hat mit dieser Anforderung keine Probleme und kommt dabei sogar mit weniger hoch auflösenden Kameras aus als übliche Vision-Systeme.
Benötigte Hardware kostengünstig verfügbar
Das Prinzip der Bilderkennung mittels KI ist in der Forschung schon länger bekannt. Doch erst in den letzten Jahren ist dieses Technologie für industrielle Anwendungen wie die Qualitätssicherung erschwinglich geworden. Der Hauptgrund dafür sind rasante Fortschritte bei der Hardware. Heute stehen für KI ausgelegte Prozessoreinheiten mit Hunderten von Rechenkernen („Tensor Cores“) zur Verfügung. Bei Preisen im unteren bis mittleren vierstelligen Eurobereich sind die Kosten für die Hardware kein großes Hindernis mehr.
Hohe Erkennungsraten nach kurzer Zeit
Auch die Entwicklung von Software gestaltet sich für KI-basierte Bilderkennungssysteme einfacher. Denn die Algorithmen der Bilderkennung bleiben gleich. Sie werden lediglich für neue Prüfaufgaben mit Musterbildern gespeist, wobei ein menschlicher Tutor die Bilder bewertet. Je nach Aufgabe können die Prüfobjekte aus unterschiedlichen Blickwinkeln und vor verschiedenen Hintergründen dargestellt werden. Wie das Beispiel der Lichtabdeckung für Exportautos zeigt, können unterschiedlich geformte Dinge zur gleichen Objektkategorie gehören. Der Automobilhersteller erreichte schon nach kurzem Einlernen der KI eine Erkennungsrate von 95 Prozent. Und die wird bei fortdauernder Einweisung durch Tutoren immer besser.
Bilder oder Videos der Prüfobjekte sind oft schon durch abzulösende Prüfsysteme vorhanden oder lassen sich mit wenig Aufwand generieren. Dann kommt es darauf an, den Datenschatz für das Unternehmen produktiv zu heben. Nutzen auch Sie die Chancen, die Bilderkennung mittels KI bietet.
Weiterlesen: AI.SEE – Visuelle Qualitätskontrolle und Fehlererkennungssystem