Tiefes Lernen und KI: Neudefinition der industriellen Inspektion

Künstliche Intelligenz (KI) und Deep Learning (DL) bringen durch den Einsatz von neuronalen Netzen, die aus großen Datensätzen lernen, neue Techniken in die industrielle Inspektion. Diese Systeme sind in der Lage, Fehler auch in schwierigen oder sich verändernden Umgebungen zu finden, in denen herkömmliche Software oft versagt. Menschen trainieren KI-Modelle, um akzeptable Produktunterschiede zu erkennen. Die trainierten Modelle sind in der Lage mit allen Arten von Fertigungssituationen umzugehen, ohne dass manuelle Anpassungen erforderlich sind. In der Robotik verbessert die künstliche Intelligenz die autonome Navigation, die Handhabung von Objekten und die Vorhersage von Wartungsarbeiten, was die Produktivität und Sicherheit von Robotersystemen erhöht.

Dies ermöglicht, eine schnellere Entscheidungsfindung und geringere Ausfallzeiten von Produktionslinien.

Herkömmliche industrielle Inspektionen, die auf manueller Überwachung und regelbasierten Systemen beruhen, funktionieren gut bei einfachen Teilen, haben aber Probleme in komplexen, variablen Umgebungen. Menschen machen Fehler, wenn sie Dinge von Hand prüfen, und herkömmliche Computerprogramme sind nicht flexibel genug, um komplizierte Fehler zu erkennen. Dies kann zu Fehlern und Mehrkosten führen.

Deep Learning, als Teil von AIv, bietet eine bessere Alternative. Es verwendet neuronale Netze, um Bilder zu sortieren. Anfangs benötigte es viele Beispiele, zwischenzeitlich kann es mit wenigen oder gar keinen schlechten Beispielen lernen. Während anfangs noch viele Beispiele benötigt wurden, ist es dank der jüngsten Fortschritte möglich, mit weniger oder gar keinen fehlerhaften Beispielen zu trainieren. Künstliche Intelligenz kann auch mit der Variabilität von Bioprodukten wie Fleisch oder Holz umgehen und so die Genauigkeit und Rentabilität verbessern.

Parallele Verarbeitung und benutzerfreundliche Werkzeuge werden diese Entwicklung vorantreiben, so dass Hersteller KI-gesteuerte Inspektionen für intelligentere, skalierbare Lösungen integrieren können.

Ein typischer DL-Arbeitsablauf zur Lösung realer Probleme, der aus drei aufeinanderfolgenden Phasen besteht (i) Datenverständnis und Vorverarbeitung (ii) DL-Modellbildung und -Training (iii) Validierung und Interpretation

Computer Vision (CV) ist die Grundlage für KI-basierte Inspektionssysteme, die sich mit der Verarbeitung und Analyse von Bildern oder Videobildern zur Qualitätsprüfung, Fehlererkennung und Klassifizierung von Objekten befassen. CV-Algorithmen verwenden Bilddaten, die von Industriekameras aufgenommen werden, um die Qualität von Produkten in der Produktionslinie zu prüfen.

Convolutional Neural Networks (CNNs) spielen dabei eine wichtige Rolle. CNNs sind in der Lage, Muster in Bilddaten zu erkennen und gradierte Merkmale wie Texturen, Kanten und komplexe Formen zu lernen. Aufgrund ihrer Fähigkeit, hochdimensionale Bilddaten problemlos zu verarbeiten, sind diese Modelle zu einer tragenden Säule der KI-basierten Inspektion geworden.

Wie CNNs in der industriellen Inspektion funktionieren:

Vorverarbeitung: Bilder, die an Produktionslinien aufgenommen wurden, werden vorverarbeitet, um die Beleuchtungsbedingungen zu optimieren, Rauschen zu entfernen und die Klarheit der defekten Bereiche zu verbessern.

Merkmalsextraktion: CNN-Schichten werden mit niedrigen bis hohen Merkmalen wie Kanten, Texturen und komplexeren Strukturen versehen, die es dem Modell ermöglichen, subtile Unterschiede zwischen fehlerhaften und fehlerfreien Produkten zu erkennen.

Klassifizierung: Bilder werden mit Hilfe von Modellen anhand vordefinierter Klassen klassifiziert. (z.B. „bestanden“ oder „nicht bestanden“, verschiedene Arten von Fehlern).

Nachbearbeitung: Die Ergebnisse werden durch Entscheidungsebenen geleitet, um die erforderlichen Maßnahmen zu bestimmen, wie z. B. die Kennzeichnung des fehlerhaften Produkts oder das Auslösen weiterer Analysen.

b) Erkennung von Anomalien durch Deep Learning

Aufgrund der Vorhersagbarkeit und Wiederholbarkeit von Aufgaben in der industriellen Qualitätskontrolle eignet sich KI ideal für das Training neuronaler Netze zur Klassifizierung, Objekterkennung oder Anomalieerkennung.

Die grundlegende Technik in diesem Bereich ist die Anomalieerkennung, bei der ein Netz nur mit „guten“ Beispielen trainiert wird. Das Netz lernt, was normal ist, und markiert alles, was außerhalb dieses Datensatzes liegt, als abnormal oder als Anomalie.

Wenn „gute“ Daten aufgezeichnet werden, bilden sie einen Fleck, in dem alles innerhalb normal und alles außerhalb anormal ist. Diese Methode ist nützlich, wenn nur wenige oder keine fehlerhaften Stichproben zur Verfügung stehen, was in Industrien üblich ist, in denen Fehler selten vorkommen oder schlecht dokumentiert sind.

Für diese Spezifikation werden häufig Autoencoder und Variational Autoencoder (VAE) verwendet. Anomalien werden durch die Erkennung von Anomalien aus Mustern erkannt, die durch komprimierte Darstellungen fehlerfreier Figuren erwartet werden.

Schritte zur Erkennung von Anomalien mit Auto-Encodern:

1. Encoder: Das Eingangsbild wird in eine latente Darstellung komprimiert.

2. Decoder: Das Bild wird aus den komprimierten Daten rekonstruiert.

3. Verlustberechnung: Misst den Rekonstruktionsfehler zwischen dem Originalbild und dem rekonstruierten Bild. Ein hoher Fehler weist auf eine Anomalie hin.

Dieser Ansatz ermöglicht eine effektive Fehlererkennung ohne große Mengen an beschrifteten Daten, wodurch die Effizienz und Genauigkeit der industriellen Qualitätskontrolle verbessert wird.

c) Objekterkennung und Segmentierung zur Fehlerlokalisierung

Während Produkte einfach als fehlerhaft oder nicht fehlerhaft klassifiziert werden, ist in industriellen Anwendungen manchmal eine Fehlerlokalisierung erforderlich, um festzustellen, wo Fehler aufgetreten sind. Techniken der Objekterkennung und der semantischen Segmentierung sind in diesem Zusammenhang besonders nützlich.

Objekterkennung: Techniken wie YOLO (You Only Look Once) und Faster R-CNN werden verwendet, um bestimmte Defekte zu erkennen, indem Bounding Boxes um interessante Regionen in einem Bild gezeichnet werden. Dies hilft bei der Lokalisierung von Defekten wie Oberflächenkratzern oder strukturellen Schäden.

Semantische Segmentierung: Feinere Defekte (wie Mikrorisse oder winzige Oberflächendefekte) erfordern Präzision auf Pixelebene. Semantische Segmentierungsnetzwerke wie UNet oder Mask R-CNN segmentieren Bilder in defekte und nicht-defekte Bereiche und ermöglichen so eine präzise Identifizierung und Lokalisierung von Defekten.

3. Datenanforderungen und Modelltraining

Die in der industriellen Inspektion eingesetzten Deep-Learning-Modelle benötigen für ein effektives Training große Mengen an markierten Daten. Dazu gehören sowohl Bilder von fehlerfreien als auch von fehlerhaften Produkten. Die Generierung von Defektdaten kann jedoch eine Herausforderung darstellen, insbesondere in Branchen, in denen Defekte selten sind.

Techniken zur Datenanreicherung: Um dem Mangel an Defektdaten zu begegnen, verwenden KI Ingenieure Techniken wie Rotation und Skalierung: Anreicherung des Datensatzes durch Rotation oder Skalierung von Bildern, um verschiedene Blickwinkel oder Defektgrößen zu simulieren.

Hinzufügen von Rauschen: Durch Hinzufügen von Gaußschem Rauschen oder Anpassung der Lichtverhältnisse kann die Stabilität des Modells gegenüber realen Abweichungen verbessert werden.

Transfer Learning: Transfer Learning wird häufig in der industriellen Inspektion eingesetzt, wo Modelle, die zuvor auf großen Datensätzen wie ImageNet trainiert wurden, auf spezifische industrielle Datensätze anzupassen. Dadurch wird die Trainingszeit verkürzt und das Problem der begrenzten Datenmenge verringert.

Steps of proposed deep learning-based industrial inspection system framework Source

Vorgeschlagene Schritte für ein Deep Learning basierendes indistrielles Inspektionssystem.

Branchenübergreifende Anwendungen:

KI-basierte industrielle Inspektionssysteme werden in verschiedenen Branchen eingesetzt, die jeweils eigene Herausforderungen und Anforderungen haben:

a) Elektronikfertigung

In der Elektronikfertigung werden Leiterplatten auf Fehler wie Defekte, Fremdpartikel, fehlende oder defekte Bauteile, Lötstellen oder falsche Ausrichtung geprüft. Optische Zeichenerkennungssysteme (OCR) stellen zudem sicher, dass Etiketten und Seriennummern korrekt auf die Produkte gedruckt werden.

b) Pharmazeutische Produkte

Deep Learning automatisiert die visuelle Inspektion von pharmazeutischen Produkte, wie Spritzen und Fläschchen auf Beschädigungen. Ob die Verpackungen, Etikettierungen und die Versiegelung von Medikamenten den gesetzlichen Vorschriften in der Pharmaindustrie entsprechen. KI-Systeme erkennen Verpackungsfehler und fehlende Etiketten und gewährleisten Sicherheit und Compliance.

c) Automobilindustrie

Autoteile werden von Deep-Learning-Modellen auf Oberflächenkratzer, Schweißfehler, Maßhaltigkeit und Festigkeit geprüft. Hochauflösende Bilder werden von KI Modellen zur Analyse verwendet, um Probleme in Motoren, Chassis und elektronischen Teilen zu erkennen. Dies trägt dazu bei, Fahrzeuge sicherer und zuverlässiger zu machen.

Die Zukunft der KI-gestützten Inspektion ist vielversprechend, wird sich weiter verbessern und als Industriestandard durchsetzen.

Selbstlernende Systeme: Systeme, die kontinuierlich aus neuen Daten lernen und sich ohne menschliches Zutun verbessern, werden die Produktivität und die Qualität steigern.

Edge AI: Mit Edge Computing können KI-Modelle direkt auf Industriegeräten, Sensoren eingesetzt werden, was die Latenzzeit verringert und eine Entscheidungsfindung in Echtzeit ermöglicht.

Integration mit IoT: KI-basierte Inspektionen werden mit IoT-Geräten integriert, um eine dauerhafte Datenerfassung und Analyse zu ermöglichen, um eine durchgängige Überwachung und vorausschauende Wartung zu erleichtern.

Fazit:

KI und Deep Learning reformieren den Bereich der industriellen Inspektion grundlegend und bieten schnellere und skalierbarere Lösungen. Von maschinellen Bildverarbeitungssystemen, die Oberflächenfehler erkennen, bis hin zu Anomalieerkennungsmodellen, die unsichtbare Fehler aufspüren. Da die Daten- und Rechenkapazitäten weiter wachsen, können wir noch ausgefeiltere KI-gestützte Inspektionssysteme erwarten, die die Grenzen dessen, was in der modernen Fertigung möglich ist, verschieben. KI ermöglicht es der Industrie, höhere Qualitätsstandards zu erfüllen und gleichzeitig Kosten und Ineffizienzen zu reduzieren.