In nahezu allen Bereichen des Lebens sehen Experten ein großes Potenzial an Möglichkeiten für Künstliche Intelligenz (KI). Dazu zählen insbesondere Qualitätsthemen.
Das Qualitätsmanagement ist sogar bereits eines der führenden Einsatzgebiete – zumindest in den deutschsprachigen Regionen. Das ist ein Ergebnis einer Studie des Unternehmenssoftware-Anbieters IFS. Dieser befragte weltweit 1.400 IT-Entscheider in Unternehmen zur Nutzung von KI.
Dabei kam heraus, dass KI zwar vor allem bei Datenanalyseanwendungen und Business Intelligence genutzt wird. In Deutschland, Österreich und der Schweiz ist jedoch das Qualitätsmanagement das Einsatzgebiet Nr. 1. So arbeiten 22 % der Befragten in diesem Bereich bereits mit entsprechenden Technologien.
Nach Einschätzung der IT-Experten kann KI grundsätzlich dabei helfen, Fehler zu entdecken. Laut Studie sehen die Umfrageteilnehmer ein großes Potenzial in der Visualisierung und Identifikation von Anomalien, die Menschen übersehen könnten.
Somit drängt sich die Qualitätssicherung als weiteres Anwendungsfeld für KI geradezu auf. Das gilt vor allem für die dort eingesetzte Bildverarbeitung. Durch die intelligente Auswertung von Bildaufnahmen lassen sich Prozesse beschleunigen und die menschlichen Inspektoren in ihrer Arbeit unterstützen.
Bessere Klassifikationsrate als andere Methoden
„Deep Learning ermöglicht die Klassifizierung von Bildern mit einer besseren Klassifikationsrate als mit bisherigen Methoden“, sagte Olaf Munkelt, Geschäftsführer von MVTec, auf einer Pressekonferenz im Vorfeld der Vision. In der Bildverarbeitung habe man daher vor kurzem begonnen, Deep Learning anzuwenden.
Sein Unternehmen zum Beispiel hat in die hauseigenen Software-Produkte Technologien aus den Bereichen Deep Learning und Neuronale Netzwerke integriert. Auf Basis von neuronalen Netzen können Anwender einen eigenen Klassifikator trainieren, der dann zur Klassifizierung neuer Daten eingesetzt wird.
Cognex geht den gleichen Weg. Mit Visionpro Vidi hat der Bildverarbeitungsspezialist Software entwickelt, die mit Deep-Learning-Algorithmen arbeitet. Zu den verschiedenen Werkzeugen, welche die Software umfasst, gehört zum Beispiel eines, das einzelne oder mehrere Merkmale innerhalb eines Bildes lokalisiert. Die Tools sind auch in die Bildverarbeitungssoftware Cognex Designer eingebunden.
Die Technologie sei selbst den besten Qualitätsprüfern überlegen, so Cognex. Sie kommt bei der Fehlererkennung, der Klassifikation von Textur und Material, bei der Montageüberprüfung und Lokalisierung verformter Teile und der Zeichenerkennung zum Einsatz.
Watson kontrolliert Abdeckungen bei Autobauer
Wie KI in der Praxis genutzt wird, zeigen Beispiele von IBM. Der IT-Riese hat auf Basis seines KI-Systems Watson eine Lösung mit dem Namen Visual Insights entwickelt, die Bildverarbeitungsanwendungen durch kognitive Funktionen unterstützt.
Ein großer deutscher Autobauer testet die Technik gerade in einem Pilotprojekt, um die Qualitätskontrolle bestimmter Bauteile zu automatisieren. Konkret geht es laut IBM dabei um die Frage, ob Abdeckungen für die Lichtweiteneinstellung, die in den USA vorgeschrieben sind, ordnungsgemäß im Auto verbaut wurden.
Die spezifische Herausforderung bei der Überprüfung ist, dass die Abdeckungen unterschiedliche Formen haben, oft in der gleichen Farbe wie ihre Träger sind, und sich meist schwer von ihnen unterscheiden lassen. Zusätzlich wird der Qualitäts-Check dadurch behindert, dass die Abdeckungen je nach Blickwinkel kaum zu erkennen sind.
Die intelligente Bilderkennung und -analyse auf Basis von Watson erleichtere diesen Prozess nun ganz erheblich, heißt es bei IBM. Mit ihrer Hilfe werden die verbauten Lichtabdeckungen aus ganz unterschiedlichen Blickwinkeln heraus schnell und zuverlässig erkannt. Watson hat dabei laut Anbieter auch keine Probleme mit unterschiedlichen Lichtverhältnissen, denn diese werden für eine schnelle, präzise Analyse automatisch angepasst. Zudem kommt das System insgesamt mit wesentlich weniger hochauflösenden Kameras aus.
Weiteres Beispiel ist die Datenanalyse mit Hilfe von Präzisionswaagen des Herstellers Mettler Toledo. Das Problem: Externe Faktoren wie Vibration, Temperatur oder sogar ein einzelner Luftzug können die Genauigkeit der Waage beeinträchtigen, deren Messergebnisse etwaige Qualitätsprobleme beim Endprodukt anzeigen sollen.
Im konkreten Fall werden nun die an der Präzisionswaage gesammelten Qualitäts-, Gewichts- und Schwingungsdaten in Echtzeit in die IBM Cloud übertragen, in der mit Hilfe eines eigens für Mettler Toledo entwickelten Machine-Learning-Modells analysiert wird, ob die Präzision der Messung ungestört ist. Besteht die Gefahr, dass die Waage falsche Ergebnisse liefern könnte oder die Messergebnisse von der Norm abweichen, wird automatisch der Produktionsverantwortliche informiert.
Um die Qualitätskontrolle auf diese oder andere Weisen unterstützen zu können, müssen die entsprechenden KI-Systeme aber zunächst mit einer großen Zahl von Bildern gefüttert werden. Wie dies funktioniert, lässt sich zum Beispiel am Training der neuronalen Netze für die MVTec-Software Halcon erläutern.
Dafür werden zunächst beschriftete beziehungsweise gelabelte Bilder bereit gestellt. Um etwa zwischen fehlerhaften Werkstücken, die Kratzer oder Verunreinigungen aufweisen, und guten Werkstücken zu unterscheiden, müssen Trainingsbilder für alle drei Klassen zur Verfügung stehen. Bilder, die Kratzer zeigen, müssen mit „Kratzer“ gelabelt sein, Bilder, die eine Verunreinigung aufweisen, mit „Verunreinigung“ und Bilder, die eine gute Probe zeigen, müssen in der Kategorie „OK“ sein. Anschließend analysiert die Software diese gelabelten Bilder und lernt dabei automatisch, anhand welcher Merkmale fehlerhafte und gute Proben identifiziert werden können. „Je mehr Bilder man hat, desto besser das Klassifikationsergebnis“, erklärt Munkelt.
Nur wenige Bilder von defekten Teilen
Genau diese notwendigen Voraussetzungen können aber den Einsatz von KI in der Qualitätskontrolle schwierig machen. „Zunächst braucht man für jede Klasse eine große Anzahl von Bildern“, erklärt Munkelt. Das seien normalerweise viel mehr, als der Produktionsprozess hergibt. Besonders von defekten Teilen gebe es in der Regel nur ein paar wenige Bilder. Immerhin: Cognex behauptet, dass Visionpro Vidi in wenigen Minuten mit lediglich 50 Bildern trainiert werden könne.
Außerdem wird ein Deep-Learning-Netzwerk mithilfe von Bildmaterial des Anwenderunternehmens trainiert. Dann stellt sich laut Munkelt jedoch die Frage: „Wem gehört dieses Netzwerk, also die verdichtete Wiedergabe der Daten?“ Seiner Meinung nach sind die Anwender die Besitzer dieser Daten.
Trotz dieser Fragen bleibt das Potenzial für KI in der Qualitätskontrolle groß. Die rapide Weiterentwicklung in der IT sorgt dafür, dass den Unternehmen leistungsfähige Computertechnik zur Verfügung steht, mit denen sich die Anwendungen auch umsetzen lassen.
Dass die Lösungen effektiv arbeiten, zeigt das Beispiel Watson. In dem skizzierten Pilotprojekt bei einem Automobilhersteller schaffte es das System, die verbauten unterschiedlichen Deckel mit einer Treffgenauigkeit von rund 95 % zu erkennen.
Die Experten glauben auch nicht, dass KI herkömmliche Methoden komplett ersetzen wird. Stattdessen wird die Technik als Ergänzung gesehen. Der Cognex Designer 4.0 kombiniere mit Visionpro Vidi die visuellen Prüffähigkeiten des Menschen mit der Zuverlässigkeit, Wiederholbarkeit und Geschwindigkeit eines automatisierten Systems, heißt es bei Cognex. Damit ließen sich nun Anwendungen bewältigen, die früher nicht automatisiert werden konnten oder die zu schwierig, zu aufwändig oder zu teuer waren. ■
Der Autor
Markus Strehlitz
Redaktion
Quality Engineering
Hier finden Sie mehr über: