Als Norm für eine effektive finale Qualitätskontrolle gilt eine visuelle Produktkontrolle am Ende der Fertigung: Dabei etabliert sich die Verwendung von Künstlicher Intelligenz (KI) und Edge Computing gepaart mit hochmodernen Kamerasystemen immer mehr als neuer technologischer Standard für die optische Qualitätsprüfung. Denn in den letzten Jahren hat die Technologie erhebliche Fortschritte in Bezug auf Entwicklung, Miniaturisierung und Kostensenkung gemacht. Mittlerweile können Oberflächen und Strukturen sowie Farbvariationen mit einer Präzision erkannt werden, die weit über die menschlichen Fähigkeiten hinausgeht. So ermöglichen zum Beispiel Infrarot-Kameras die genaue Erfassung von Oberflächentemperaturen bis zu einem Zehntel Grad, während Mikroskopie-Kameras winzige Mängel von unter einem Tausendstel Millimeter identifizieren können. Darüber hinaus analysieren Systeme wie Röntgenstrahlen oder Ultraschall inzwischen sogar Defekte innerhalb eines Bauteils und analysieren diese an der Edge.

KI und Edge ersetzen das menschliche Auge

In vielen Unternehmen übernehmen weiterhin Menschen die Qualitätsprüfung. KI-gestützte Videoanalytik (auch bekannt als Computer Vision) ist aber einer der Anwendungsbereiche, in denen ein automatisiertes Prüfverfahren die Qualitätskontrolle vereinfacht und verbessert und Facharbeiter von monotonen, wiederkehrenden Arbeitsabläufen befreit. Schließlich können Qualitätsmängel ein Fertigungsunternehmen bis zu zehn Prozent des Umsatzes kosten, so eine Studie der AFNOR Group, einer französischen Organisation für Normierungen.

Wie genau registriert Computer Vision nun Fehler? Das KI-Analysewerkzeug erkennt Anomalien in den visuellen Daten, die vom Standard abweichen und so auf Schäden oder Defekte hinweisen. Auf diese Weise unterscheidet die Technologie vorschriftsgemäße von defekten Komponenten oder Oberflächen.

Um die Unterscheidung zu ermöglichen, müssen die KI- Algorithmen mit einer großen Menge Bilddaten trainiert werden. Diese Datenpunkte trainieren das KI-Modell darauf, fehlerfreie Informationen sowie solche, die auf Mängel hindeuten, zu kategorisieren. Auf diese Weise werden die Systeme auf bestimmte Qualitätsmängel ausgerichtet, wie zum Beispiel das Erkennen von Lackläufern, Mikrorissen in Komponenten oder fehlenden Bauteilen. So entsteht ein KI-Modell für die Produktion, das Fertigungsunternehmen zur Echtzeit-Datenanalyse in ihren Produktionsstätten einsetzen können. Die umfangreiche Infrastruktur des Trainings ist für den produktiven Betrieb eines vortrainierten Modells nicht mehr erforderlich.

Anwendbar ist die Technologie für nahezu jede Branche: Ob Lackkratzer, Dellen oder fehlerhaft eingebaute Komponenten in der Autoindustrie, unsaubere Lötstellen auf einer Platine in der Elektronikindustrie oder Farbabweichungen beziehungsweise eingedrückte Stellen in der Lebensmittelindustrie – Computer Vision kann theoretisch alles, was visuell abweicht, zuverlässig erkennen und melden.

Warum Edge Computing?

KI ermöglicht es, automatisierte Entscheidungen auf Basis von Daten zuverlässig zu treffen. Aber welche Rolle spielt Edge Computing dabei?

Edge Computing bezeichnet die Verarbeitung von Daten direkt an der Quelle, also in unmittelbarer Nähe des Sensors oder der Maschine. Durch die Datenverarbeitung an der Edge, also am ‚Rand‘ des Netzwerks, werden Latenzzeiten minimiert und die Übertragung großer Datenmengen in die Cloud vermieden. Eine Direktübertragung von Videobildern in die Cloud ist vor allem aus Kostengründen unrealistisch. Daher hat sich das Edge Computing vor allem für Echtzeit-Anwendungen durchgesetzt, auch im industriellen Einsatz von Videoanalytik. Mit diesem Konzept wird die Datenverarbeitung näher an den Ort der Datengewinnung gebracht, die Übertragung in ein zentrales Rechenzentrum in der Cloud – abhängig von störanfälligen Parametern – entfällt. Stattdessen werden Edge-Server mit ausreichender Rechenleistung und Speicherkapazität eingesetzt. Grundmodelle bestehen beispielsweise aus Mikrocomputern, die Sensoren in der industriellen Produktion bündeln und über Industrial Ethernet oder 5G-Mobilfunk kommunizieren. Am anderen Ende des Spektrums befinden sich Edge-Server mit Videoanalyse-Fähigkeit und leistungsfähigen Grafikprozessoren (GPUs).

Videoanalytik direkt in der Kamera ist selbst selten eine Option, weil die Kamera-CPU allein für fortgeschrittene Algorithmen nicht leistungsfähig genug ist.

Ein weiterer Vorteil der Kombination aus Edge Computing und KI in der Qualitätskontrolle ist die Möglichkeit, Fehler in der Produktion vorherzusagen. Muster und Trends können anhand einer durchgehenden Überwachung der Produkte detektiert werden und so auf zukünftige Abweichungen hinweisen. So warnt die Computer Vision bereits im Vorfeld und versetzt Unternehmen der Fertigungsbranche in die Lage, frühzeitige Maßnahmen einzuleiten, bevor es zu einer erheblichen Qualitätsminderung kommt.

Private Netze für Echtzeit-Videoanalytik

In der Theorie klingt die Erkennung von Anomalien durch Sensoren und Kameras naheliegend. In der Praxis kann aber die Übertragung der Echtzeit-Videostreams von den Kameras zu den Edge-Servern eine beachtliche Herausforderung sein. Hochauflösende Kameras, die für eine Qualitätsprüfung unerlässlich sind, erzeugen große Datenmengen – pro Sekunde erzeugt eine Full-HD-Kamera bis zu 9 Mbit Videomaterial. Zudem sind meist viele Kameras im Einsatz, was die Bandbreitenanforderung noch einmal steigert.

Der Autor: Carsten Mieth ist Senior Vice President von Eviden, einem Unternehmen der Atos-Gruppe.

© Atos

Neben Kameras, Edge-Servern und trainierten KI-Modellen für die Qualitätsprüfung, die mittlerweile auch als Out-of-the-box-Anwendungen auf dem Markt verfügbar sind, braucht Computer Vision also ein schnelles – und vor allem sehr stabiles – Datennetz. Der Ausbau leistungsfähiger öffentlicher 5G-Netze geht der Bundesnetzagentur zufolge zwar voran, immer mehr Fertigungsunternehmen nutzen aber private 5G-Netze, die unabhängig vom öffentlichen Netz sind und neben den geeigneten Bandbreiten und Latenzzeiten auch höchste Datensicherheit bieten. Für Echtzeit-Computer Vision in der industriellen Qualitätskontrolle, die höchste Stabilität und Datenkontinuität erfordert, ist demzufolge ein privates Netz mit garantierter ‚Quality of Service‘ derzeit die bevorzugte Wahl.