Mobile-Menu

Machine Vision neu gedacht: Verborgene Chancen erkennen KI-basierte Bildverarbeitung für mehr Transparenz

Quelle: Maddox 6 min Lesedauer

Anbieter zum Thema

Sick AG
Baumer Group
FAULHABER SA

Bei der Entwicklung von Anlagen auf Basis eines Bildverarbeitungssystems zeigt sich oft erst nach der Fertigstellung einer Anlage, ob die Machine Vision-Aufgabe komplett entsprechend der Vorgaben gelöst wird. Maddox AI verlässt hier mit einem neuen Ansatz ausgetretene Pfade und reduziert das Kundenrisiko durch ein ungewöhnliches Geschäftsmodell. Das Unternehmen baut dabei auf den Einsatz innovativer KI-Werkzeuge.

Die benutzerfreundliche Datenmanagement-Plattform von Maddox AI erlaubt eine verständliche Fehler-Visualisierung und unterstützt Anwender bei der schnellen Fehlerannotation.(Bild: Maddox AI)
Die benutzerfreundliche Datenmanagement-Plattform von Maddox AI erlaubt eine verständliche Fehler-Visualisierung und unterstützt Anwender bei der schnellen Fehlerannotation.
(Bild: Maddox AI)

Die Entwicklung einer komplexen Anlage mit integrierter Bildverarbeitung für die Qualitätsprüfung kostet immer Nerven, vor allem aber Zeit und Geld. Üblicherweise trägt dabei der Käufer der Anlage einen Grossteil des Risikos, weiss Peter Droege, einer der Gründer und CEO des Tübinger Unternehmens Maddox AI: «Bis zur Installation und der Integration einer Prüfanlage in die Produktion haben Kunden oft bereits bis zu 90 Prozent des gesamten Projektbudgets bezahlt, obwohl damit nur die eher klassischen Automatisierungsanteile einer Anlage abgedeckt werden. Der risikoreichere Teil besteht darin, den Einsatz der automatisierten Inspektion vorzubereiten und ihre ausreichend präzise Funktion im Regelbetrieb sicherzustellen. Da zu diesem Projektzeitpunkt nur noch die letzten 10 bis 15 Prozent der Zahlung ausstehen, kann die Motivation von Maschinenbauern und Systemintegratoren schon mal schwinden, die Anlage optimal und schnell zum Laufen zu bekommen.»

Dieses Risiko übernimmt Maddox AI mit einem neuen Ansatz abseits der üblichen Pfade, so Droege: «Wir stimmen zu Projektbeginn zunächst alle wichtigen Key Performance-Indikatoren mit unseren Kunden ab. Im zweiten Schritt installieren und integrieren wir die optimal für die vorliegenden Anforderungen ausgewählte, zertifizierte Vision-Hardware in den jeweiligen Produktionsprozess und beginnen dann mit dem Sammeln und Annotieren von Bilddaten. Auf dieser Basis trainieren wir anschliessend KI-Modelle für die Anwendung. Bis zu diesem Punkt sind unsere Leistungen für den Endkunden kostenfrei.» Erst wenn alle zuvor festgelegten KPIs erfüllt sind, d.h. die KI-Modelle akkurat und ausreichend schnell alle relevanten Defekte im Regelbetrieb identifizieren, kommt es laut Droege zum kostenpflichtigen Lizenzvertrag. Für den dann folgenden Einsatz der KI-Modelle und der Weiterentwicklung liefert Maddox AI regelmässige Software-Updates, die im Rahmen jährlicher Software-as-a-Service (Saas)-Gebühren abgerechnet werden. So umgeht das Tübinger Unternehmen die wirtschaftlichen Unsicherheiten herkömmlicher Vision-Entwicklungsprozesse im Sinne seiner Kunden auf elegante Weise.

Bildergalerie
Bildergalerie mit 8 Bildern

Datenzentristisches Machine Learning als Schlüssel zum Erfolg

Dass Maddox AI bei seinem ungewöhnlichen Geschäftsmodell technisch auf den nahezu allgegenwärtigen Trend Künstliche Intelligenz setzt, hat gute Gründe: Die traditionell eingesetzten, regelbasierten Bildverarbeitungsysteme sind der reinen manuellen Qualitätskontrolle zwar deutlich überlegen, stossen allerdings insbesondere bei komplexen Aufgaben oft an ihre Grenzen. Jedoch stellen auch KI-basierte Vision-Systeme nicht per se ein Wundermittel zur problemfreien Lösung jeder Anwendung dar: Je nach Inspektionsaufgabe kann ein relativ hoher Aufwand erforderlich sein, um Bilder von fehlerfreien und guten Prüfteilen korrekt zu annotieren und aus den Ergebnissen geeignete KI-Modelle zu entwickeln. Derartige Hürden führen dazu, dass Bildverarbeitungssysteme mit KI-Technologie oft noch nicht die erforderliche Anwenderfreundlichkeit und Zuverlässigkeit erreichen. Die Folge: Sie werden derzeit nur begrenzt eingesetzt.

An dieser Stelle geht Maddox AI einen wichtigen Schritt weiter als der Wettbewerb, so Droege: «Es gibt zwei entscheidende Erfolgsfaktoren für den Einsatz von KI und insbesondere für die Nutzung von Machine Learning (ML)-Methoden: Eine optimale Machine Learning-Architektur und eine konsistente Datenbasis sind unabdingbare Grundlage für den Einsatz solcher Systeme. Die Machine Learning-Architektur ist bei praktisch allen Anbietern sehr ähnlich.» Deutlich wichtiger ist nach Droeges Worten jedoch eine konsistente Datenbasis. «Dieser Aspekt wird derzeit von den meisten Lösungen am Markt vernachlässigt, obwohl es der grösste Hebel für bessere Ergebnisse ist.»

Wie Maddox AI die benötigte Datenkonsistenz erzielt, die diese Lösung so besonders macht, erläutert Droege anhand eines Beispiels: «In der Produktion fallen durch hohe Stückzahlen grosse Datenmengen an, während Defekte im Vergleich zu OK-Teilen jedoch relativ selten auftreten. Anstatt diese umfangreichen Daten manuell nach NOK-Teilen zu durchsuchen, um Trainingsdaten für Defekterkennungsmodelle zu gewinnen, kann unser Software-Tool Similarity Search eingesetzt werden. Dabei werden die vorhandenen Daten automatisch nach Bereichen durchsucht, die bereits markierten Defekten stark ähneln. So lassen sich gezielt relevante Beispiele finden, was die Datenannotation deutlich schneller und konsistenter macht.

Eine weitere Schwachstelle vieler ML-Systeme besteht oft darin, dass bestimmte Fehler in der Produktion so selten auftreten, dass sie zum Anlernen von KI-Modellen nicht zur Verfügung stehen. Hier ist Maddox AI in der Lage, künstliche Fehlerbilder zu generieren und so das Training von Inspektionssystemen effizienter zu gestalten.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

«Unsere Software Maddox AI enthält somit verschiedene Werkzeuge, die speziell darauf ausgelegt sind, den Menschen beim einfacheren und schnelleren Erstellen von konsistenten Datensätzen zu helfen», unterstreicht Droege. «Datenannotation ist der zeitintensivste und wichtigste Hebel zur Verbesserung der KI-Performance eines Vision-Systems. Die Supervised AI-Tools von Maddox AI in Kombination mit konsistenteren Daten machen hier den Unterschied zu anderen KI-Systemen sowie zu regelbasierten Systemen am Markt: Sie reduzieren den Pseudoausschuss und erhöhen dadurch die Wirtschaftlichkeit von Produktionsanlagen.»

(ID:50686430)

Weiterführende Inhalte