Einer aktuellen Umfrage des Digitalverbandes Bitkom zufolge betrachten zwar fast drei Viertel der befragten Unternehmen künstliche Intelligenz als wichtigste Zukunftstechnologie, doch lediglich 6 % der Umfrageteilnehmer setzen sie aktuell ein. Anders sieht es bei Start-ups aus, von denen bereits fast die Hälfte (47 %) auf künstliche Intelligenz setzt.

KI-basiertes Optimierungspotenzial findet sich grundsätzlich in allen Abteilungen und Wertschöpfungsketten eines Unternehmens. Doch im Bereich Human Ressources etwa wird der Einsatz künstlicher Intelligenz durch den enormen Bedarf an anonymisierten Trainingsdaten ausgebremst. Im Bereich der Qualitäts- und Qualitätsendkontrolle hingegen existieren diese Restriktionen nicht, ganz im Gegenteil.

Hier sorgt aber die scheinbar unendliche Fehlervarianz dafür, dass automatisierte Machine-Vision-Verfahren der ersten Generation bisher nur für vergleichsweise anspruchslose Prüfaufgaben eingesetzt werden.

Regelbasierte Machine-Vision-Lösungen

Bei der Qualitätskontrolle ist vielfach bereits Bildverarbeitungssoftware im Einsatz.

© Deevio

Rein regelbasierte Verfahren eignen sich hervorragend, klar definierte und vom Systemintegrator programmierte Eigenschaften zu prüfen, Abweichungen festzustellen und fehlerhafte Teile auszusortieren. Darf ein Werkstück exakt 200 mm lang, 100 mm tief und 100 mm breit sein, um weiterverarbeitet zu werden, lassen sich diese Maße mit einer regelbasierten Lösung aus hochauflösenden Kameras und einer Bildverarbeitungssoftware noch recht einfach und mit einer akzeptablen Pseudofehlerrate kontrollieren.

Nichtsdestotrotz erfordert selbst die unflexible Unterscheidung in ‚gut‘ oder ‚schlecht‘ eine relativ aufwendige Programmierung, die dann aber schon bei leicht unterschiedlichen Lagen der Werkstücke oder anderen Beleuchtungseffekte an ihre Grenzen stößt. Und auch wenn Leistungsfähigkeit und Verarbeitungsgeschwindigkeit der Hardware- und Software-Komponenten im Laufe der vergangenen Jahre rasant zugenommen haben – den Sprung in die End-of-Line-Kontrolle haben die regelbasierten Verfahren aufgrund ihrer systemischen Schwäche dennoch nicht geschafft.

Geht es nämlich um komplexere und variantenreichere Fehler, werden in der Qualitätsendkontrolle noch vorwiegend hochqualifizierte Prüferinnen und Prüfer eingesetzt, die sich auf ihre guten Augen und ihre langjährige Erfahrung verlassen. Vor allem in der fehlersensitiven Pharma- oder Automotive-Industrie müssen rigorose Qualitätskriterien eingehalten werden. Doch diese Vorgehensweise birgt auch etliche Nachteile: Einerseits wirkt sich selbst bei fittem und motiviertem Prüfungspersonal die jeweilige Tagesform negativ auf die Fehlerquote aus – beispielsweise schauen bereits leicht dehydrierte Menschen nicht mehr so genau hin –, andererseits herrscht in diesem Bereich ein notorisch hoher Bedarf an zuverlässigen Mitarbeitern, der in ländlichen Regionen schon nicht mehr gedeckt werden kann. Zudem nimmt eine manuelle Sichtprüfung stets auch eine gewisse Zeit in Anspruch. Unternehmen hatten bis vor kurzem aber schlicht keine andere Wahl, wenn sie weder ihre Qualitätskriterien aufweichen noch kostenintensive Ausschussquoten akzeptieren wollten. 

Next Step: Deep Learning Machine Vision

Industrielle Kameras und Künstliche Intelligenz sollen Kontrollvorgänge automatisieren.

© Deevio

Die nächste Generation der Machine-Vision-Lösungen zeigt hingegen eindrucksvoll, welches Potenzial in ihr steckt. Dabei basiert die Informationsverarbeitung auf künstlichen neuronalen Netzen, die mit Kontrollregeln angelernt und mit Trainingsdaten kontinuierlich verbessert werden. Diese Systeme sind in der Lage, einen Genauigkeitsgrad von über 99 % zu erreichen – und dauerhaft zu halten. In Kombination mit einer hohen Verarbeitungsgeschwindigkeit und überschaubaren Kosten sichert diese Fehlerquote der Deep-Learning-Methode die Eintrittskarte in die anspruchsvolle Pharma- und Automotive-Qualitätsendkontrolle.

Die Vorteile des Deep-Learning-Verfahrens lassen sich bereits anhand eines vergleichsweise simplen Werkstücks ve-anschaulichen: Gerade in der Automotive-Branche hat die Fokussierung auf die individuellen Ausstattungswünsche der Kunden dazu geführt, dass ein Blechprägeteil schon nach wenigen Weiterverarbeitungsstationen eine immense Variations- und Farbvielfalt aufweisen kann. Kleinste Kratzer, Dellen oder Farbeintrübungen lassen sich aber über starre Regeln einfach nicht zuverlässig erkennen. Weist die Form dann auch noch eine gewisse Komplexität auf, können schon minimale Beleuchtungsschwankungen dazu führen, dass regelbasierte Verfahren entweder einen Pseudofehler erkennen und das Werkstück aussortieren – oder aber fälschlicherweise freigeben. Handelt es sich um sicherheitsrelevante Teile, stehen im schlimmsten Fall Menschenleben auf dem Spiel.

Schritt für Schritt zur Smart Factory

Damian Heimel ist COO von Deevio in Berlin.

© Deevio

Als Pionier im Bereich der KI-basierten automatisierten Qualitätsendkontrolle geht beispielsweise das Berliner Unternehmen Deevio phasenorientiert vor: Die erste Kontaktaufnahme kann unkompliziert mit dem Einsenden von ein paar Bildern der infrage kommenden Prüfstücke erfolgen. Die Spezialisten erfragen anschließend weitere Parameter wie Volumen, bisherige Fehler- und Pseudofehlerquoten und Varianz ab, um das mögliche Optimierungspotenzial abzuschätzen. Als nächste Schritte stehen  ein Vor-Ort-Termin und die Erstellung einer Machbarkeitsstudie an. Dabei werden bereits vorhandene Bilddatenbanken sowie die Software- und Hardware-Infrastruktur in die Betrachtung einbezogen und eruiert, inwieweit sich diese in die finale Lösung integrieren lassen. Ein positives Ergebnis öffnet dann die Tür zur Proof-of-Concept-Phase. Hier wird das Deep-Learning-Machine-Vision-Modell noch nicht produktiv geschaltet, sondern vergrößert quasi nebenbei seinen Bilddatenschatz und wird von den Spezialisten weiter trainiert: Künstliche Intelligenz und Trainer arbeiten dabei ‚Hand in Hand‘ zusammen. Anfangs sorgt die Einspeisung von Bildern fehlerfreier und fehlerbehafteter Werkstücke unter der Supervision von Data Scientists für die Basis. Im weiteren Verlauf werden mehr und mehr Bilder aus der laufenden Produktion verwendet, um die Fehlerquote unter 1 % zu drücken. Während dieser Optimierungsphase, die bis zu ein paar Wochen dauern kann, begleitet die Deep-Learning-Lösung (‚AI-Box‘, bestehend aus Mini-Computer und einsatzoptimierter Grafikkarte). Zu Beginn der Einschleusung in die Produktionslinie ist die Deep-Learning-Lösung dann in der Lage, die gelernten Defekte und Fehler zu abstrahieren – und auf neue Produkte, die sie bisher noch nicht ‚zu Gesicht‘ bekam, anzuwenden.

Schon allein die erzielbare Zeitersparnis stellt sich recht eindrucksvoll dar: Benötigen selbst umfassend qualifizierte, erfahrene und hochkonzentrierte Prüfer immer noch bis zu 15 s, um ein Werkstück auf Fehler zu kontrollieren, gibt die Lösung von Deevio in weniger als 1 s ein ‚Go!‘ oder ein ‚Stop!‘. Sobald eine Deep-Learning-Machine-Vision-Implementierung im sensiblen Bereich der Qualitätsendkontrolle kontinuierlich verlässlich und hochqualitative Ergebnisse liefert – und sich zudem stets selbstständig weiter optimiert – steigt die Akzeptanz eines Einsatzes von KI-basierten Lösungen im gesamten Unternehmen.

Die Experten von Deevio streben eine dauerhaft zu realisierende Fehlerquote von deutlich unter 1 % an. Hierfür bleiben sie einerseits im regelmäßigen Austausch mit den Produktionsverantwortlichen vor Ort und nehmen stetige Verbesserungen vor, zum Beispiel im Bereich Kamera-Positionierung und Lichttechnik, beschäftigen sich aber andererseits auch mit der Weiterentwicklung der künstlichen neuronalen Netze.