Welche Rolle spielt KI in Ihren Sensorlösungen und Systemen?

Künstliche Intelligenz ist für Sick nicht nur technologische Erweiterung, sondern ein zentraler Bestandteil. Sie wird gezielt in Sensoren integriert, um Maschinen intelligenter, flexibler und leistungsfähiger zu machen. KI-gestützte Systeme sind inzwischen aus industriellen Applikationen nicht mehr wegzudenken. Bedienerfreundliche KI-Tools können anhand von Beispielen trainiert werden. Dabei erfolgen die Datensammlung, Training und Ausführung direkt auf dem Sensor. Dank KI lernen Sensoren aus Beispielen und passen sich in Echtzeit an wechselnde Bedingungen an. Damit eröffnen sich völlig neue Automatisierungshorizonte in der industriellen Praxis.

Wie nutzen Sie KI in der industriellen Bildverarbeitung?

In der Bildverarbeitung eröffnet KI erhebliche Effizienzgewinne. Systeme wie der ‚Inspector83x‘ zeigen, dass herkömmliche regelbasierte Ansätze zunehmend durch Deep Learning-basierte Verfahren abgelöst werden. Mit wenigen Beispielbildern kann der Sensor trainiert werden, um Gut- von Schlechtteilen zu unterscheiden. Dabei ermöglicht unsere vorinstallierte Software ‚Nova‘ eine sofortige Inbetriebnahme, ohne Vorkenntnisse in der Bildverarbeitung. Auch komplexe Anwendungsfelder wie Hochgeschwindigkeits-Inspektionen, reflektierende Bauteile oder sich rasch ändernde Produktvarianten lassen sich mit Edge Learning flexibel abbilden. Die Kombination aus KI und intuitiver Bedienung macht Bildverarbeitung einfach.

Können Sie ein Praxisbeispiel nennen, wie KI die Qualitätssicherung verbessert?

In der Qualitätssicherung leistet KI schon heute einen wertvollen Beitrag – und das branchenübergreifend, von der Automobilindustrie über Pharma bis zur Lebensmittelbranche. Anwendungen reichen von der Kontrolle von Lötstellen über die Prüfung auf Vollständigkeit bis zur Detektion von Anomalien in Verpackungen.

Ein anschauliches Beispiel ist unser KI-Tool zur Objektdetektion ‚AI Object Detection‘, das zum Suchen, Zählen und Lokalisieren von Objekten dient, beispielsweise bei Vollständigkeitsprüfungen. Das Tool stellt sicher, dass die Objekte sich in der korrekten Position befinden sowie in der korrekten Menge und ohne Defekte vorhanden sind, bevor der Produktions- oder Verpackungsprozess fortgesetzt wird. AI Object Detection unterstützt das Training am Gerät und eignet sich dafür, Merkmale innerhalb von Objekten in erfassten Bildern ausfindig zu machen. Das Tool wird mit bis zu 100 Bildern trainiert und eignet sich damit besonders für Zählanwendungen. Das Ergebnis wird als Punkt auf dem erkannten Objekt angezeigt.

Welche Vorteile bringt KI für Sicherheitsanwendungen?

Sicherheitsanwendungen profitieren besonders von KI, da sie in der Lage ist, aus großen Datenmengen verlässlich Rückschlüsse zu ziehen – in Echtzeit. So ist beispielsweise eine sichere Fachwegüberwachung mit zuverlässiger Kollisionsvermeidung mit Menschen und Hindernissen im Außenbereich möglich. Ein Sicherheitssystem misst kontinuierlich den Abstand zwischen der mobilen Arbeitsmaschine und möglichen Hindernissen im Fahrweg. So kann es mittels aktiver und adaptiver Bremsunterstützung intelligent und situativ auf Kollisionsgefahren reagieren.

Wie funktioniert die Kombination von Edge Computing und KI bei Sick?

Wir waren Vorreiter bei On-Device Learning – einem Ansatz, bei dem Sensoren KI-Modelle direkt auf dem Gerät trainieren und anwenden. In Verbindung mit Edge Computing wird KI dort ausgeführt, wo die Daten entstehen: am Sensor selbst. Das minimiert Latenzzeiten, reduziert Datenvolumen und ermöglicht eine autonome, hochperformante Entscheidungsfindung – ohne Cloud-Verbindung. Sensoren wie der ‚Inspector83x‘ lernen direkt im Einsatz, unter realen Bedingungen. Wenn genauere Ergebnisse benötigt werden oder eine große Varianz hinzukommt, können mit dem ‚dStudio Cloud Service‘ optional KI-Modelle trainiert werden, die die Prüfgenauigkeit und die Schnelligkeit des Sensors weiter erhöhen. Die gemeinschaftlich nutzbare Datenverwaltung ermöglicht einen mühelosen Umgang mit großen Trainingsdatensätzen und beschleunigt die erfolgreiche Umsetzung von Großprojekten.

Welche Daten sind entscheidend für Ihre KI-Modelle?

Entscheidend sind repräsentative, realitätsnahe Daten unter Produktionsbedingungen. Die Sensoren werden direkt mit Bildern der Objekte trainiert, wobei oft schon wenige Beispiele genügen. Darüber hinaus nutzen wir Daten aus über einem Jahrzehnt operativer Erfahrung in komplexen Applikationen. Für spezifische Anforderungen bietet die Kombination aus Edge Learning und Cloud-Tools wie dStudio eine modulare Architektur, mit der Unternehmen selbst entscheiden können, welche Daten lokal und welche zentral verarbeitet werden sollen – stets mit Blick auf Datenschutz, Performance und Skalierbarkeit.

Wie gehen Sie mit erklärbarer KI um?

Erklärbarkeit ist für Sick kein abstrakter Begriff, sondern Grundlage für Vertrauen und Akzeptanz. Durch visuelle Feedbacks, übersichtliche Dashboards und browserbasierte Bedienoberflächen werden Deep Learning-Prozesse nachvollziehbar gemacht. Anwender sehen sofort, welche Muster oder Merkmale zur Entscheidung geführt haben. Gleichzeitig sorgen standardisierte Tools und modulare Softwarearchitekturen für Transparenz, sowohl bei der Konfiguration als auch bei der späteren Analyse. Dies erlaubt nicht nur eine hohe Akzeptanz im Shopfloor, sondern auch eine schnelle Diagnose im Fehlerfall.

Wie begleiten Sie Kunden bei der Einführung?

Der Einstieg in die KI-Welt ist bei uns bewusst niedrigschwellig gehalten. Nutzerfreundliche Tools wie Nova oder das dStudio ermöglichen es auch KMU, KI-Projekte ohne externe Experten umzusetzen. Parallel dazu bieten wir umfassende Schulungs- und Beratungskonzepte an, von der Konzeptentwicklung über die Integration bis zur Datenaufbereitung. Wichtig dabei: Der Mensch bleibt stets im Zentrum. KI soll nicht ersetzen, sondern befähigen. Die enge Zusammenarbeit mit dem Kunden sichert praxisnahe Lösungen und eine nachhaltige Implementierung.

Welche Rolle spielt KI bei der Entwicklung neuer Produkte?

KI verändert nicht nur bestehende Produkte, sondern prägt zunehmend deren Entstehung. KI wird beispielsweise genutzt, um schnellere Algorithmen für die Bar- und 2D-Codelesung zu bieten. Mit der KI-basierten Segmentierung werden in Echtzeit nur die relevanten Bildbereiche decodiert. Das sorgt für eine um bis zu 75 Prozent schnellere Bildverarbeitung und somit höhere Lesegeschwindigkeiten. Die Funktion ist vollständig im Gerät implementiert, ohne dass ein Training im Vorfeld erfolgen muss.

Welche Trends sehen Sie für KI in der industriellen Sensorik?

Die industrielle Sensorik wird zunehmend softwaredefiniert. KI-getriebene Systeme rücken näher an den Shopfloor, werden autonomer, anpassungsfähiger und gleichzeitig einfacher zu bedienen. Die Kombination von KI mit Technologien wie dem Industrial Metaverse oder Digital Twins eröffnet neue Simulations- und Planungsmöglichkeiten. Parallel dazu steigt die Bedeutung von Predictive Maintenance und Condition Monitoring – angetrieben durch lernfähige Algorithmen. Zukünftig wird es weniger um das Ob, sondern vielmehr um das Wie des KI-Einsatzes gehen. Dabei bleibt der Mensch integraler Bestandteil – als Planer, Trainer und Interpret der Ergebnisse.