AI vision systems for improved flexibility and efficiency

Verbesserung der Effizienz und Flexibilität mit AI

Bei JLI sind wir auf den Einsatz von AI zur Entwicklung leistungsstarker Bildverarbeitungssysteme spezialisiert.

AI in Bildverarbeitungssystemen eröffnet neue Möglichkeiten zur Verbesserung der Genauigkeit und Effizienz. Während herkömmliche Bildverarbeitungssysteme darauf ausgelegt sind, bestimmte Fehler zu erkennen, sorgt künstliche Intelligenz für mehr Flexibilität und Effizienz, da sie eine größere Bandbreite an Fehlern verarbeiten kann.

Wir nutzen maschinelles Lernen, insbesondere Deep Learning, um menschliche Intelligenz durch neuronale Netze nachzuahmen. Dadurch können Bildverarbeitungssysteme anspruchsvolle Anwendungen bewältigen – wie beispielsweise die Prüfung von Produkten mit subtilen Abweichungen oder schwierigen Oberflächen.

Es gibt eine Vielzahl von AI-Anwendungen innerhalb von Bildverarbeitungssystemen, wobei die vielleicht offensichtlichste die Erkennung von ästhetischen Fehlern auf Oberflächen ist, für deren Bewertung normalerweise ein geschultes Auge erforderlich wäre.

Umfangreiche AI-Erfahrung und ein solider Prozess

Eine der Fallstricke bei der Implementierung künstlicher Intelligenz besteht darin, sie auf eine reine Frage des Codes zu reduzieren.

Natürlich ist das maschinelle Lernmodell von entscheidender Bedeutung, aber ohne die gesamte Infrastruktur, die es umgibt, ist ein gut funktionierendes und robustes System nicht möglich.

Bei JLI Vision arbeiten wir seit mehreren Jahren mit AI, maschinellem Lernen und Deep Learning und haben einen soliden Prozess für das Systemdesign, die Entwicklung und den Einsatz von AI-Modellen sowie die kontinuierliche Verbesserung des Systems aufgebaut.

Als End-to-End-Integrator umfasst unsere Arbeit mit AI in Bildverarbeitungslösungen die folgenden drei Phasen:

Phase 1

Systemdesign für AI in Bildverarbeitungssystemen

Die Systemdesignphase ist entscheidend, da sie die Grundlage für das Bildverarbeitungssystem definiert. Hier entscheiden wir, welche Hardware wir zur Lösung der anstehenden Aufgabe verwenden sollten – von Kamera und Beleuchtung bis hin zur GPU – und legen auch fest, welchen Weg wir in Bezug auf die Software einschlagen wollen.

Können wir die Aufgabe mit traditioneller Bildverarbeitung lösen oder ist AI der richtige Weg? Oder sollten wir uns für einen hybriden Bildverarbeitungsansatz entscheiden?

Wenn wir uns für AI entscheiden, umfasst die Systemdesignphase die Auswahl der für die Aufgabe am besten geeigneten Methode des maschinellen Lernens, z. B. Klassifizierung, Instanzsegmentierung oder Anomalieerkennung.

In dieser Phase wird auch zwischen der Verwendung von Standard-Smartkameras und unserer eigenen JLI-Plattform entschieden.

Phase 2

Systemimplementier-ung und -bereitstellung

In Phase 2 implementieren wir das spezifizierte System in der Produktionslinie, um mit der Erfassung von Bildern für das Training des AI-Modells zu beginnen. Die Vorverarbeitung der Bilder ist oft wichtig für die Optimierung der Modellleistung.

In dieser Phase versehen wir die Bilder, die in das Modelltrainingsmaterial aufgenommen werden sollen, mit Anmerkungen. Wir nutzen die fachliche Expertise des Kunden hinsichtlich der zu findenden Fehlerarten und unser eigenes Fachwissen im Bereich der Annotation, um sicherzustellen, dass das Modell kontinuierlich verbessert wird.

Um ein effektives Modell zu entwickeln, ist es wichtig, dem Modell in dieser Phase eine Varianz zu präsentieren, die für die tatsächliche Produktion repräsentativ ist.

Phase 2 ist ein iterativer Prozess, in dem wir Bilder sammeln, sie annotieren, das Modell trainieren, das optimierte Modell implementieren, das Ergebnis bewerten und den Prozess dann wiederholen, bis wir ein AI-Modell haben, das die gewünschte Leistung erbringt.

Phase 3

Wartung und kontinuierliche Verbesserung

In Phase 3 ist das System nun im Einsatz und führt Inline-Prüfungen an der Produktionslinie durch.

Mit unserem Annotationstool JLI Annotator kann ein Bediener die vom Bildverarbeitungssystem ausgegebenen Bilder inline annotieren, wenn beispielsweise eine Abweichung von Fehlern auftritt, für die das Modell nicht trainiert wurde.

Die Bilder können dann zur Offline-Annotation gesendet werden, wo ein Superuser die Annotationen des Bedieners validiert oder verfeinert.

Die annotierten Bilder können dann auf den AI-Server von JLI hochgeladen werden, wo das Modell anhand der neuen Bilder neu trainiert und an Änderungen oder Abweichungen in der Produktion angepasst werden kann.

Wir können auch Eingangsabweichungen erkennen und Anomalien aus der Anomalieerkennung speichern, um das System anhand dieser Bilder zu trainieren.

Die Wahl des richtigen AI-Ansatzes für Ihr Vision-Projekt

Bei der Arbeit mit AI-Bildverarbeitungssystemen verwenden wir maschinelles Lernen, das oft als eine einzige Sache bezeichnet wird. Es besteht jedoch aus einer Reihe verschiedener Modelle und Techniken, die jeweils ihre eigenen Merkmale und Vorteile haben.

In diesem Video erklärt Vision Engineer Martin Plenge-Feidenhans´l drei der maschinellen Lerntechniken, die wir zur Verbesserung der industriellen Qualitätskontrolle einsetzen:

Klassifizierung
Segmentierung
Anomalieerkennung

Holzprüfung

Ziel: Erkennung von Astlöchern und Harztaschen in Leimholzplatten.

Lösung: Leimholzplatten werden auf einem Förderband gescannt und mithilfe einer Kombination aus Deep Learning (stellt fest, ob das Produkt defekt ist), traditioneller Bildverarbeitung (wählt Produkte aus) und 3D (überprüft die Oberfläche der Leimholzplatten) verarbeitet.

Vorteil: Löst eine zeitaufwändige manuelle Inspektionsaufgabe in der Produktion und ermöglicht eine vollautomatische Reparatur von Leimholzplatten.

Ergebnis: Erreichbare Genauigkeit von +95 %, was weitaus besser und konsistenter ist als eine manuelle Inspektion.

Glasinspektion

Ziel: Erkennung von offenen und geschlossenen Blasen (airllines) in Glasröhren.

Lösung: Mit Hilfe traditioneller Bildverarbeitung werden alle Defekte an den Blasen (airllines) erkannt. Die Defekte werden dann in Echtzeit von einem Deep-Learning-Modell verarbeitet, um festzustellen, ob es sich um einen offenen oder geschlossenen Defekt handelt.

Vorteil: Verbessert die Ausbeute durch Reduzierung des Ausschusses.

Ergebnis: Erreichbare Genauigkeit +95 %.

Stahlprüfung

Ziel: Erkennung von ungewöhnlichen Defekten auf der Oberfläche von Schienen direkt nach der Produktion.

Lösung: Die Schienen werden durch einen Inspektionstunnel geführt und dabei gescannt. Die Bilder werden in Echtzeit mithilfe einer Kombination aus Deep Learning und traditioneller Bildverarbeitungstechnologie verarbeitet. Das Deep-Learning-Netzwerk wird ohne Überwachung trainiert.

Vorteil: Löst eine zeitaufwändige manuelle Inspektionsaufgabe direkt in der Produktion.

Ergebnis: Erreichbare Genauigkeit von +90 %, was besser und konsistenter ist als eine manuelle Inspektion.

Lesen Sie eine Fallstudie aus der Holzindustrie über den Einsatz von AI zur Automatisierung einer zeitaufwändigen und anspruchsvollen Inspektionsaufgabe.

AI Bildverarbeitungssysteme