Die Qualitätssicherung ist ein wesentlicher Bestandteil der Produktion. Es geht darum, eventuelle Schäden am Produkt vor der Auslieferung zu erkennen, um unnötige Kosten oder Reputationsverluste zu vermeinden. In einem typischen Machine Vision-Szenario machen Kameras entlang einer Linie Bilder des Produkts in verschiedenen Fertigungsphasen. Diese Aufnahmen werden anschließend vom einem KI-Algorithmus mit einem Idealbild verglichen und auf Anomalien untersucht. Dieser Abgleich funktioniert dabei idealerweise möglichst in Echtzeit. Pro Sekunde werden also teils mehrere Hundert Bilder erfasst, verglichen und bewertet. Je mehr Bilddaten vorliegen, desto besser wird das statistische Modell trainiert. In der Folge sinkt der Produktionsausschuss und Abläufe sowie Ergebnisse werden transparenter. Damit ein solches System funktioniert, müssen drei Komponenten ineinandergreifen: vernetzte Maschinen, Machine-Vision-Hardware und die Auswertung der Bilddaten, traditionell auf Hardware ‚on Edge‘ oder auch in der Cloud.
Die Grundlage schaffen
Grundvoraussetzung für den Einsatz von Machine Vision ist die Einbindung der Ergebnisse in bestehende Produktionsprozesse. Dazu müssen die beteiligten Maschinen miteinander kommunizieren. Nur wer relevante Daten über die gesamte Fertigungskette hinweg auf dem Shopfloor digital erfasst – etwa über Sensoren, per MES oder via IIoT-Netzwerk – kann die Abläufe entsprechend abbilden und nachvollziehen. Während neuere Anlagen die dafür benötigten Komponenten mitbringen, müssen ältere Modelle oft mit Sensoren und Co. nachgerüstet werden. IT-Dienstleister wie Syntax halten dafür Einstiegsangebote mit befristeter Laufzeit und inklusive der benötigten Hardware bereit.
Machine Vision testen
Ähnliche Probe-Angebote gibt es auch für Machine-Vision-Systeme als Teil des IIoT-Netzwerks.So lässt sich mit bestimmten Paketen schnell ein erster Proof of Concept erstellen. Solche Sets enthalten sowohl Hardwarekomponenten wie Kamera, Processing Board, Kabel, Halterung und Licht als auch Softwarekomponenten. Diese Testballons sollen vor allem Vorbehalte gegenüber vermeintlich hochkomplexen Entwicklungs- und Planungsprozessen abbauen. Unternehmen können ohne größeres finanzielles Risiko feststellen, wie wirtschaftlich die Einführung eines größer skalierten Projektes gleicher Art ist.
Anbindung an die Cloud
Die Einführung der Syntax-Starterpakete für Machine Vision benötigt eine Cloud-Anbindung. In vorgefertigten Lösungen von Hyperscalern wie etwa ‚Lookout for Vision‘ von AWS gibt es statistische Standardmodelle, deren Algorithmen sich auf Basis von KI für die unternehmensspezifischen Anforderungen trainieren lassen. Die Vorhersagegenauigkeit der Modelle hängt letztlich von Qualität und Quantität der bereitgestellten Daten ab. Je zahlreicher und hochwertiger die analysierten Bilder sind, desto besser erkennt und meldet das System Fehler. Die Anbindung an die Cloud ermöglicht den Anwendern, die Rechenleistung für die KI-Anwendung bedarfsorientiert abzurufen. Historische Daten wie nicht mehr aktuell benötigte Trainingsdaten lassen sich über die Archivierungsangebote der Cloud-Provider in Speichern mit weniger Verfügbarkeit lagern.
