Künstliche Intelligenz verändert die Art, wie wir Bilder sehen, verstehen und nutzen. Mit moderner KI-Bilderkennung lassen sich Objekte, Gesichter, Szenen oder Muster in Sekunden erkennen – schneller und präziser als je zuvor. Gerade in der Industrie stellt diese Form der Qualitätssicherung eine ernome Arbeitserleichterung dar. Diese Technologie hilft dabei, Fehler, Mängel und Ungenauigkeiten sichtbar zu machen, die dem menschlichen Auge oft entgehen. Entdecken Sie, wie intelligente Systeme lernen, Bilder zu „verstehen“ – und welche Möglichkeiten sich daraus für Ihr Unternehmen oder Projekt ergeben.
Ausgangslage
Anlass
Die Qualitätssicherung von Artikeln beim Herstellungsprozess ist ein entscheidender Faktor für den Erfolg eines Unternehmens. Vor dem Hintergrund hoher Produktionsvolumen, Personalmangel und dem Wunsch nach konstanter Produktqualität wird eine automatisierte, datenbasierte Lösung gesucht. Eine zuverlässige und konsistente Qualitätsprüfung soll dabei helfen, sowohl die Produktqualität zu sichern als auch den Betriebsablauf effizienter zugestalten.
Problem
Bisher werden Produktionsteile oft manuell durch Mitarbeitende auf Qualitätsmerkmale überprüft. Die Prüfqualität hängt stark von der Erfahrung der einzelnen Mitarbeitenden ab, wodurch systematische Fehler entstehen können. Dies führt häufig zu inkonsistenten Ergebnissen, wodurch fehlerhafte Teile unerkannt bleiben oder korrekte Teile versehentlich aussortiert werden können. Zudem erschwert die manuelle Prüfung eine systematische und nachvollziehbare Dokumentation der Ergebnisse.
Lösung
Die Lösung liegt in einem KI-gestützten Bildverarbeitungssystem, das automatisiert die Qualität der Artikel in Echtzeit überprüft. Herzstück dieser Lösung ist das objekterkennende neuronale Netzwerk YOLO, welches das gesamte Kamerabild in einem einzigen Schritt analysiert. Die Kamera wird dabei über einer definierten Kontrollfläche installiert, auf der die Produkte platziert werden. YOLO identifiziert in Echtzeit jedes Produkt hinsichtlich Position und Klasse und den Konfidenzwert mit der Wahrscheinlichkeit der korrekten Erkennung. Selbst kleinste Abweichungen in der Produktqualität werden dadurch zuverlässig erkannt.
Ziele
Mit der Einführung der KI-gestützten Qualitätskontrolle sollen drei Hauptziele erreicht werden. Zum einen die Standardisierung und Objektivierung der Qualitätsprüfung, wodurch die Produktqualität konstant hochgehalten wird. Zum anderen soll das Personal bei Routineaufgaben entlastet und der Prozess der Qualitätskontrolle beschleunigt werden. Weiterhin wird durch das KI-Modell eine Möglichkeit geschaffen, systematische Fehler frühzeitig zu erkennen, um gezielte Verbesserungen im Produktionsprozess zu ermöglichen.
Nutzen
Die Nutzung von KI zur Qualitätskontrolle bringt deutliche Effizienzgewinne und Qualitätssteigerungen mit sich. Die Fehlerquote wird minimiert, da Qualitätsabweichungen in Echtzeit und zuverlässig identifiziert werden. Die Mitarbeitenden werden von monotonen und fehleranfälligen Kontrollaufgaben entlastet, wodurch sie ihre Arbeitszeit effektiver nutzen können. Darüber hinaus erlaubt das KI-Modell die Erhebung und Analyse von Fehlerdaten, welche wertvolle Hinweise für die Optimierung von Produktionsparametern bieten wie Temperatur oder Backzeit. Die Transparenz und Nachvollziehbarkeit der Qualitätsprüfung wird optimiert.
Demonstrator
Zunächst wird eine Kamera über einer fest definierten Kontrollfläche installiert, auf der die Produkte platziert werden. Die Kamera liefert hochauflösende Bilder, die eine exakte visuelle Erkennung ermöglichen. Für den Demonstrator ist entscheidend, dass die Bildaufnahmebedingungen konstant sind. Hierzu gehören gleichmäßige Lichtverhältnisse und eine regelmäßige Kalibrierung der Kamera. Die aufgenommenen Bilder dienen als Grundlage für das KI-Modell und werden vor der Verarbeitung auf ihre Qualität geprüft und gegebenenfalls aufbereitet, um optimale Ergebnisse sicherzustellen.
Das zentrale Element des Demonstrators bildet das objekterkennende neuronale Netzwerk YOLO (You Only Look Once). Dieses Modell gehört zur Familie der Convolutional Neural Networks (CNNs) und zeichnet sich dadurch aus, dass es das gesamte Bild in einem einzigen Verarbeitungsschritt analysiert. Dabei teilt YOLO das Kamerabild in ein Raster und identifiziert innerhalb jeder Zelle mögliche Objekte samt Position, Kategorie und einen Konfidenzwert, der die Wahrscheinlichkeit der korrekten Erkennung angibt.
Das Training erfolgt auf Basis von hunderten Bildern, die sowohl einwandfreie als auch fehlerhafte Produkte zeigen. Diese Bilder werden zuvor manuell klassifiziert und etikettiert, um dem Modell die Unterscheidung zwischen Qualitätsstufen und Fehlerarten zu ermöglichen. Das Training findet lokal statt, sodass das Modell im Echtzeitbetrieb performant und schnell reagieren kann.
Nach dem Training wird das optimierte Modell in den operativen Einsatz überführt und kann in Echtzeit eingesetzt werden. Die Analyse der Bilder erfolgt innerhalb weniger Millisekunden, wodurch unmittelbare Rückmeldungen möglich sind. Die Ergebnisse werden auf einem Display übersichtlich dargestellt, beispielsweise durch visuelle Markierungen oder Farbcodierungen. Zusätzlich werden spezifische Fehlerarten klar benannt, um den Bedienenden schnelle Handlungsempfehlungen zu geben.
Ein weiterer zentraler Nutzen des Demonstrators ist die Standardisierung und Reproduzierbarkeit der Qualitätsprüfung. Dadurch wird das Personal entlastet, besonders in Schichten mit hoher Produktionslast oder geringer Personalbesetzung. Das KI-Modell liefert darüber hinaus wichtige Daten zur Optimierung der Prozesse, indem es gehäufte Fehlerbilder identifiziert. Diese Fehlerdaten können anschließend mit Produktionsparametern in Beziehung gesetzt werden, um systematische Ursachen zu erkennen und zu beheben.
Die technische Umsetzung erfolgt mit verbreiteten und bewährten Technologien. Das YOLO-Modell wird in Python mit gängigen KI-Frameworks wie TensorFlow oder PyTorch implementiert. Die Echtzeitanalyse und Visualisierung der Ergebnisse erfolgt über eine benutzerfreundliche Anwendung, welche beispielsweise mit Open-Source-Bibliotheken wie Streamlit oder Flask realisiert werden kann. Der Demonstrator ist modular aufgebaut und kann lokal betrieben werden, wodurch keine externen Cloud-Dienste notwendig sind und der Datenschutz gewährleistet bleibt.
Der Demonstrator verdeutlicht praxisnah, wie durch den Einsatz eines KI-gestützten Bildverarbeitungssystems eine robuste, standardisierte und schnelle Qualitätskontrolle in derProduktion realisiert werden kann. Die eingesetzten Technologien (CNN, YOLO-Modell) erlauben eine nachvollziehbare und schnelle Auswertung, die in Echtzeit konkrete Handlungshinweise liefert. Die technische Umsetzung ist einfach integrierbar, modular aufgebaut und auf langfristige Nutzbarkeit und einfache Bedienbarkeit ausgerichtet.
Interessiert, mehr zu erfahren?
Der Demonstrator ist am Beispiel einer Bäckereikette aufgebaut. Anschaulich und verständlich zeigt der Demonstrator auf, wie die verschiedenen Brötchen (gut, defekt, verbrannt) sortiert werden. Sie möchten dies gerne einmal live und vor Ort sehen? Besuchen Sie uns im KI-Lab und entdecken Sie den Demonstrator und viele weitere in Aktion.
Sie haben eigene Ideen? Sprechen Sie uns gerne an!
