Noch vor zwei Jahren war die kognitive visuelle Inspektion ein sehr akademisches Thema. Data Scientists wurden auf Unternehmensseite vorausgesetzt, um die hochkomplexen neuronalen Netzwerke eines Modells zur Bildprüfung hausintern aufsetzen und trainieren zu können. Zudem musste die jeweilige kundenspezifische Lösung aufwendig in die Produktionsstraßen integriert werden. Alles Faktoren, die dem Thema in der Praxis eher wenig Attraktivität verliehen – und das trotz der stetig steigenden Qualitätsanforderungen in der Fertigung. Denn schließlich müssen Unternehmen darauf vertrauen können, ihre Produkte mit einer Null-Fehler-Toleranz produzieren zu können. Und zwar auch dann, wenn mehr Flexibilität gefordert ist und sich die Produktionsmengen zur Losgröße 1 hin bewegen.
Vor allem in den letzten Jahren hat sich jedoch einiges rund um das Thema Edge Computing für die visuelle Inspektion getan, sodass mittlerweile beinahe auf Knopfdruck spezialisierte Lösungen einfach zu implementieren sind.

Herausforderung Bildverarbeitung

In Zeiten von Industrie 4.0 ist es naheliegend, die visuelle Inspektion zu automatisieren. Dabei wird ein Algorithmus zur Mustererkennung getestet und trainiert, um direkt an der Fertigungsstraße nicht nur das menschliche Auge zu unterstützen, sondern auch visuelle Details wie Farbschattierungen oder feinste Risse zu erkennen, die dem Auge vor allem bei längerem Einsatz schnell entgehen können. So weit, so gut. Die Herausforderung in der Praxis war bislang, das aufgesetzte Modell auch am Einsatzort zu implementieren. 

Noch vor wenigen Jahren bedeutete dies, dass die Anlagenumgebung auf­wendig umgebaut und statisch so an­gepasst werden musste, dass standardisierte und leichter auswertbare Bilder entstehen konnten. Zudem wurden traditionelle Ansätze noch manuell entwickelt, wodurch sie anwendungsabhängig waren und sich oft nicht auf neue Anwendungen ausweiten ließen. Solche traditionellen Ansätze litten somit in der Regel unter mangelnder Flexibilität und sehr begrenzten Möglichkeiten zur Skalierung; zudem erforderten sie oft kostenintensive sowie zeitaufwendige manuelle Anwendungsentwicklung durch Experten bestimmter Fachgebiete. Viele Unternehmen scheuten sich bei diesen Aussichten, den Schritt zur Implementierung der Automation in der Bildverarbeitung zu wagen. 

Implementierung simplifiziert

Dank automatisierter visueller Inspektion steigt die Produktqualität, während es immer einfacher wird, die Technologie an die Fertigungsstraße zu bringen. ­Mittlerweile ­können Qualitätsprüfer selbstständig den Algorithmus nachtrainieren und anpassen, ohne dass ein Data Scientist not­wendig ist.

© IBM

Stand heute ist die Implementierung deutlich vereinfacht, zusätzliche Produkte, Oberflächen sowie Integrationsmöglichkeiten sind hinzugekommen. Vor allem lässt sich die visuelle Inspektion nun in kontinuierliche Kundenprozesse integrieren, wobei auch die Künstliche Intelligenz (KI) eine ausschlaggebende Rolle spielt. Ein Modell kann nun zentral aufgesetzt, vortrainiert und so bereits standardisiert verfügbar gemacht werden. Und auch ein Qualitätsprüfer vor Ort hat die Möglichkeit, neue Muster und Bilder in das Modell einzupflegen. Doch was konkret ist nun anders? 

Im Wesentlichen lässt sich der Zyklus der kognitiven visuellen Inspektion weiterhin in drei Phasen herunterbrechen. 

• Schritt 1 ist das zentrale Trainieren des Modells in der Cloud: In dieser Phase werden die Qualitätsstandards definiert. Zwar benötigt der Trainingsprozess weiterhin eine hohe Datenmasse und dementsprechend auch Ressourcen. Dank des KI-Einsatzes wurde diese Phase im Vergleich aber deutlich vereinfacht: Das KI-Modell zur kognitiven visuellen Inspek-tion benötigt im ersten Schritt nur einen Bruchteil der eigentlich nötigen Trainingsbilder, um bereits solide Ergebnisse zu erzielen. Vor allem das Erkennen von Nuancen, Schattierungen, kleinsten Mikro-Rissen oder feinsten Unregelmäßigkeiten, die das menschliche Auge nicht mehr wahrnehmen kann, kann bei der Produktqualität erhebliche Unterschiede machen. 

• Ist das initiale Modell auf die visuelle Erkennung der Fehler vortrainiert, kommt es im zweiten Schritt bereits zur Implementierung in der Fertigung. Das Modell wird über standardisierte Software-Container an die Maschinen gebracht, sprich, die dezentrale Bildverarbeitung wird ‚on the edge‘ eingesetzt und bei Bedarf breit ausgerollt. Geeignete Edge-Geräte, die an der Netzwerk-Peripherie ins Spiel kommen, sind mittlerweile extrem leistungsstark und hochspezialisiert. Zum Beispiel werden kleine Grafikprozessoren als System-on-Mo-dule-Produkte wie beispielsweise der ‚Jetson Nano‘ von Nvidia eingesetzt, mit dem mehrere neuronale Netzwerke für KI-Anwendungen zusammengeschaltet werden können. Der Jetson Nano kann in wenigen Watt eine halbe Billion Operationen pro Sekunde (TOPS) in der Verarbeitung für Aufgaben wie der Bilderkennung bereitstellen, ohne dass eine Rechenleistung über die Cloud laufen muss.

• Das Nachtrainieren des Modells bildet den dritten Schritt und macht die KI-gestützte visuelle Inspektion deutlich flexibler. Das Modell kann jederzeit zentral und vom geschulten Qualitätsprüfer vor Ort nachjustiert und nachtrainiert werden, um eine Qualitätssteigerung durch höhere Treffsicherheit zu erreichen. Die vortrainierten Modelle sind heutzutage schon soweit elaboriert, dass die groben Parameter nicht weiter angepasst werden müssen. Dies führt dazu, dass ein Data Scientist keine Voraussetzung mehr ist. Allein durch die Bereitstellung von weiterem Bildmaterial wird der Qualitätsmanager in die Lage versetzt, das Modell selbstständig weitertrainieren zu können.

Zudem müssen Produktionsanlagen nicht mehr zeitaufwendig und kostenintensiv umgebaut werden, um von den Vorteilen der kognitiven visuellen Inspektion zu profitieren. Eine Implementierung der KI-Anwendung in die vorhandene Fertigungsstruktur ist dank der neuen System-on-Module-Geräte schneller und einfacher zu realisieren.

Software zentral steuerbar

Tobias Stöckel ist IoT Architect am IBM Watson IoT Center in München.

© IBM

Mehr Effizienz in den drei Stufen ist aber nicht alles; der eigentliche Clou liegt darin, dass, wenn das vortrainierte Modell erst einmal aufgesetzt ist, es nicht nur spezifisch für eine Anlage anwendbar ist, sondern nach Bedarf auf alle unternehmensweiten Anlagen ausgerollt werden kann – unabhängig davon, wo sich diese weltweit 
befinden. 

Die Software ist dank der autonomen Verwaltungslösung, dem ‚Edge Application Manager‘ von IBM, zentral steuerbar. Dieser dient der Bereitstellung und Fernverwaltung von KI-, Analyse- und IoT-Workloads und liefert die Analysen und Einblicke in Echtzeit. Die Lösung ermöglicht die gleichzeitige Verwaltung von maximal 10.000 Edge-Knoten durch einen einzigen Administrator und basiert auf dem Open-Source-Projekt ‚Open Horizon‘. Das Verwaltungs-Rahmenwerk ‚Open Horizon Framework‘ von IBM zielt darauf ab, zentralisiert und kontrollierbar abgesicherte, dedizierte Workloads auf bestimmte Edge-Geräte im großen Stil verteilen zu können. So wird bereits einer einzigen Person die sichere, zentralisierte und vereinfachte Verwaltung eines umfangreichen Netzwerks von Edge-Geräten ermöglicht.
Mit der kognitiven visuellen Inspektion mithilfe von KI und Edge Computing kann nicht nur in der Produktion, sondern beispielsweise auch in der Erstellung von Gutachten, etwa bei unterschiedlichsten Lackschäden bei KFZ-Prüfstellen, automatisiert werden. 

Was bringt 5G?

Um intelligente Bildverarbeitungslösungen vollständig nutzen zu können, braucht es also mehr als Kameras und Sensoren. Mindestens ebenso wichtig sind die Software sowie die entsprechende Systeminfrastruktur – wenn sie nicht sogar der Schlüssel zum reibungslosen Funktionieren der Algorithmen sind. 
Sensible Qualitätsprozesse über das Cloud Computing laufen zu lassen ist möglich, macht aber gerade in der Produktion stark von einer Internetverbindung abhängig. In der Praxis sind Disconnected-Edge-Architekturen in vielen Fällen noch nicht verbreitet, obwohl sie ein hohes Potenzial bieten, KI in der visuellen Inspektion unkompliziert, flexibel und kostengünstiger einzusetzen. 

Laut einer Gartner-Studie aus dem Jahr 2018 werden zurzeit 10 % der Daten ‚on the edge‘ verarbeitet – eine Zahl, die bis 2025 voraussichtlich auf 75 % ansteigen wird. Künftig wird die Rolle der Edge-Komponenten in einem Funkstandard wie 5G einen ganz eigenen Stellenwert haben.
In der Spezifikation des Standards ist vorgesehen, dass an den jeweiligen physischen Stationen im Netzwerk Rechenknoten mit unterschiedlicher Rechenkapazität vorhanden sind, über die bestimmte Lasten bereits lokal abgearbeitet werden können. 5G ist komplementär zum ‚Open Horizon Framework‘ von IBM zu betrachten: Während 5G die dezentrale Rechenkapazität spezifiziert, gibt das Framework an, welche Workloads die jeweiligen Komponenten leisten sollen. 
Zentrale Verwaltungslösungen wie der ‚Edge Application Manager‘ oder das ‚Open Horizon Framework‘ gemeinsam mit ‚kleinen Kisten‘ wie dem ‚Jetson Nano‘ sowie ausgereiften Funkstandards wie 5G lassen das Edge Computing in der Produktion zur zukünftigen Realität werden, steigern sie doch die Attrak­tivität von Anwendungen wie der kog­nitiven visuellen Inspektion deutlich. Und wer weiß – was heute die KI-gestützte visuelle Inspektion ist, könnte morgen schon die gesamte Produktion à la ‚Smart Factory on the Edge‘ sein.