Herausforderungen bildbasierter KI

• Generieren und Annotieren von Trainingsdaten: Aufnehmen und Annotieren von Bildern von Gut- und Schlechtteilen kann bei z.B. 50 Prüfmerkmalen Kosten im 5-stelligen Bereich mit sich bringen.

• Verfügbarkeit von Erfahrungswissen im Umgang mit ML-Tools bzw. Toolboxen zur optischen Qualitätskontrolle: Es existiert eine Vielzahl von Anbietern und Möglichkeiten. Die Auswahl geeigneter Tools und Netztopologien für bestimmte Aufgaben sowie der Hardware- und Trainingszeitbedarf benötigen Expertise und Erfahrungswissen. Diese sind nicht in jedem Unternehmen verfügbar.

• Aufwand für Training (Zeit, HW-Kosten): Das Trainieren komplexer «tiefer neuronaler Netze» (Deep Neural Networks – DNNs) kann viele Stunden bis zu Tagen in Anspruch nehmen und entsprechende Kosten für die Nutzung geeigneter Hardware erzeugen. Wird dazu Cloud-Hardware genutzt, können Bedenken hinsichtlich eines sicheren Austauschs vertrauenswürdiger Daten existieren.

• Güte (Zuverlässigkeit bei der Fehlererkennung): Die Güte von KI-Modelle wird anhand sog. Testdaten evaluiert. Neben der Wahl geeigneter Trainingsdaten ist die Zusammenstallung von Testdaten wichtig, um eine zuverlässige Aussage bezüglich der Güte des trainierten Modells treffen zu können. Ein Modell soll möglichst alle Fehler erkennen, aber nicht fälschlicherweise (zu viele) Gutteile als schlecht klassifizieren oder umgekehrt. Letzteres ist auf jeden Fall unerwünscht, aber auch unnötiger «Ausschuss» ist zu vermeiden.

• Notwendige HW für die Ausführung des KI-Modells in der Prozesszeit von Fertigungsschritten bei Inline-Überwachung: In der optischen Qualitätssicherung sollen Prozesse und Produkte oft während der Fertigung beobachtet werden, denn je früher Fehler erkannt werden, desto kostengünstiger sind sie zu beheben. Grosse KI-Modelle erfordern für kurze «Ausführungszeiten» (Inferenzzeiten – also die Zeit bis aus einem Input eine Aussage abgeleitet ist) entsprechende Hardware, die u.U. direkt an den Produktionsmaschinen nicht zur Verfügung steht. Wünschenswert sind kompakte KI-Modelle mit hoher Güte, die auf kostengünstiger Hardware schnell ausgeführt werden können.

KI-basierte Robotik

Physical AI: Die eigentliche Revolution hinter dem Humanoiden-Hype

Wirtschaftlicheres Lernen durch Training nur mit Bildern von Gutteilen und Trainingsdatensynthese

Die o.g. Herausforderungen adressierend, entwickeln die Forscher zwei alternative Herangehensweisen: Training von KI-Modellen mit Bildern von Gutteilen und Synthese von Trainingsdaten aus CAD-Modellen

Training von KI-Modellen mit Bildern von Gutteilen

Es ist viel einfacher, Bilder von Gutteilen zu machen, als abzuwarten, bis in der Produktion unbeabsichtigt Schlechtteile entstehen, diese aufzunehmen und in den Trainingsprozess zu integrieren. Für den Trainingsprozess werden daher typischerweise nur ein 3-stellige Anzahl von Bildern benötigt, die den Raum der im Normbereich liegenden Toleranzen möglichst abdecken sollten. Es wurden vortrainierte KI-Modelle verwendet und mit diesen Bildern nachtrainiert. Das Training erfolgt sehr schnell, für die Anomalieerkennung auf Filzstücken für 70 Gutbeispiele wurden beispielsweise nur 23 Sekunden auf einer Nvidia A40 GPU gebraucht - bei einer Bildauflösung von 490x490 Pixel. Die Erkennungsrate betrug in diesem Beispiel 97.8%.

Damit ist es uns gelungen, folgende Vorteile und Kundennutzen zu realisieren:

• geringer Aufwand für die Trainingsdatenerhebung

• beschleunigte Einführungsphase für das System zur optischen Anomalieerkennung

• schnelle Inferenzzeiten durch kompakte ML-Modelle für in-process Qualitätsprüfung - Inferenzzeit ab ca. 10ms

• günstige Hardware - Edge-Lösungen bzw. lokale Ausführung ist möglich

• hohe Güte, die im Einsatz durch Nachtraining – auch mit Schlechtbildern – weiter gesteigert werden kann

(ID:50988750)