KI-Lösungen zur Fehlererkennung für die Produktion

Was ist die KI-Fehlererkennung?

Bei der KI-gestützten Fehlererkennung kommen Computer Vision und Machine Learning zum Einsatz und identifizieren automatisch Produkte und Materialien, die die Qualitätsstandards nicht erfüllen. Durch Bilderanalyse und Sensordaten können Fehlererkennungssysteme sowohl sichtbare als auch verborgene Fehler erkennen, darunter Oberflächenkratzer, Risse, innere Materialfehler, Maßabweichungen oder Verunreinigungen durch Fremdkörper.

Die meisten KI-basierten Systeme zur Fehlererkennung stützen sich auf Kameras und Bildverarbeitungsmodelle. Hersteller können jedoch auch Daten von Maschinen und Umgebungssensoren hinzufügen. Dazu zählen beispielsweise Schwingungs-, Temperatur- oder Feuchtigkeitsdaten. So ist es möglich, Fehler früher im Prozess zu erkennen oder vorhersagbare Ergebnisse zu erzielen.

Ein praktisches Beispiel für ein KI-basiertes Fehlererkennungssystem, das auf Computer Vision basiert, ist das von Prohan entwickelte System zur Erkennung von Holzfehlern. Dabei wurden Deep-Learning-Modelle anhand realer Produktionsbilder trainiert, um Fehler in verleimten Holzplatten zu erkennen. Das System markierte fehlerhafte Holzplatten automatisch, bevor diese die Endmontage erreichten. In der PoC-Phase erzielte das System eine Genauigkeit von 90 %. Lesen Sie die Fallstudie: Computer-Vision-System reduziert Fehler in der Holzmöbelproduktion.

Erfahren Sie, wie KI Fehler in Ihrer Branche automatisiert erkennt. Teilen Sie uns Ihre Projektdetails mit und wir definieren eine passende Lösung.

Ein KI-basiertes Fehlererkennungssystem entwickeln

Welche Arten von Fehlern erkennt KI in der Produktion?

KI-basierte Fehlererkennungssysteme können je nach verfügbaren Daten eine Vielzahl von Produktfehlern identifizieren. Solche Systeme automatisieren Qualitätsprüfungsprozesse, die sonst zeitaufwendig und fehleranfällig sind.

Im Allgemeinen lassen sich von KI-Lösungen erkannte Fehler in zwei Kategorien einteilen:

Oberflächenfehler, die mit Standardkameras sichtbar sind und innere oder strukturelle Fehler, für deren Erkennung spezielle Geräte wie Röntgen- oder Infrarotsensoren erforderlich sind. Durch die Analyse der Daten aus diesen Bildquellen können Computer-Vision-Algorithmen Unregelmäßigkeiten erkennen, die auf Qualitätsprobleme hindeuten. Sie können diese klassifizieren und entsprechende automatisierte Maßnahmen ausführen, beispielsweise den Qualitätsprüfer benachrichtigen.

Insgesamt bieten KI-basierte Fehlererkennungssysteme eine skalierbare und flexible Prüfmethode, die sich an verschiedene Fehlerarten und Materialien anpassen lässt. Wenn Sie Genaueres wissen wollen, dann sprechen Sie einfach kurz mit unseren Experten.

Sprechen Sie mit unseren Experten

Prüfung auf Oberflächenfehler

Die Prüfung auf Oberflächenfehler ist eine der häufigsten Anwendungen der Bild-verarbeitung in der Produktion. An der Produktionslinie sind Kameras angebracht, die Bilder jedes einzelnen Produkts erfassen. Anschließend analysieren Deep-Learning-Algorithmen diese Bilder und erkennen anhand der Trainingsdaten Oberflächenfehler.

Einige Systeme nutzen diffuse oder polarisierte Beleuchtungskonfigurationen, um Reflexionen zu eliminieren und den Kontrast zu erhöhen. Dadurch lässt sich die Erkennungsgenauigkeit bei reflektierenden oder strukturierten Materialien wie Metallen, Keramik oder lackierten Oberflächen erhöhen.

Erkennung von Maßabweichungen

In Branchen wie der Betonfertigteilindustrie oder der Schmuckherstellung ist Maßgenauigkeit von entscheidender Bedeutung, da bereits geringfügige Abweichungen die Leistung oder die Kompatibilität bei der Montage beeinträchtigen können.

Die KI-basierte Maßprüfung nutzt Daten von Kameras oder 3D-Scannern, um Form, Größe und Position zu ermitteln. Im nächsten Schritt werden die Messwerte mit Referenz-CAD-Modellen verglichen, um die Toleranzgrenzen zu bestimmen.

Farb- und Texturanalyse

KI-Modelle können zudem Unregelmäßigkeiten an der Oberfläche erkennen, die mit Farbe oder Textur zusammenhängen. Dazu zählen beispielsweise Verfärbungen, ungleichmäßige Beschichtungen, Flecken oder Abweichungen in der Oberflächenbeschaffenheit des Materials.

Bildverarbeitungssysteme können Unterschiede auf Pixelebene innerhalb eines Bildes analysieren und mit Referenzproben vergleichen.

Erkennung fehlender Teile

Auf Fließbändern identifizieren KI-Prüfsysteme fehlende, überzählige oder falsch platzierte Teile. Dazu werden Bilder des montierten Produkts mit einer digitalen Referenz verglichen. Dieser Ansatz ist in der Fertigung weit verbreitet, da bereits ein kleiner Montagefehler zu Funktions-störungen oder Produktrückrufen führen kann.

Erkennung von Ausrichtungsfehlern

Die Ausrichtungsprüfung stellt die korrekte Positionierung aller Elemente eines Produkts, wie Etiketten, Schweißnähte, Verbindungsstücke, Nähte oder aufgedruckte Muster, sicher. Bildverarbei-tungssysteme analysieren dabei Symmetrie und Abstände. Dies ist für hochpräzise Fertigungsverfahren, wie beispielsweise die Leiterplattenherstellung oder die Metall-bearbeitung, von entscheidender Bedeutung.

Fremdkörper-erkennung

Ein KI-gestütztes Fehlererkennungssystem, das Verunreinigungen oder Fremdkörper erkennt, die die Produktqualität beeinträchtigen könnten und reduziert so die Abhängigkeit von manuellen Kontrollen. Es kann Schmutz, Staub oder andere Fremdpartikel erkennen.

Visuelle KI-Inspektion verschiedener Materialien

Die visuelle KI-Prüfung bildet die Grundlage der automatisierten Qualitätskontrolle. Und das unabhängig von der Art des zu verarbeitenden Materials. Diese Systeme verwenden Kameras, Beleuchtungskonfigurationen und Deep-Learning-Modelle, um Produkte in Echtzeit zu analysieren und Mängel zu erkennen. Die visuelle KI-Prüfung erkennt eine Vielzahl von Problemen, wenn Beleuchtung, Optik und Modelltraining an die Eigenschaften jedes einzelnen Materials angepasst werden. Dadurch ist sie ein vielseitiger Ansatz, den Hersteller an nahezu jede Produktionsumgebung anpassen können.

Metall

Metalloberflächen können reflektierend, strukturiert oder beschichtet sein. Das erschwert ihre Untersuchung unter Standardbeleuchtung. Um die Genauigkeit der Fehlererkennung zu erhöhen, setzen Ingenieure daher häufig diffuse oder polarisierte Beleuchtung ein.

Dadurch werden Blendungen minimiert und Oberflächenunregelmäßigkeiten wie Risse, Korrosion, Kratzer oder Schweißfehler hervorgehoben. Die Wärmebildtechnik eignet sich zudem zur Erkennung wärme-bedingter Probleme in geschweißten oder gegossenen Bauteilen, da Temperatur-anomalien häufig auf innere Fehler oder unvollständige Verbindungen hinweisen.

Visuelle KI-Metall-Inspektion

Kunststoffe

Kunststoffe sind in einer Vielzahl von Farben, Transparenzgraden und Oberflächenausführungen erhältlich. Das erschwert ihre Prüfung. Ingenieure nutzen Hintergrundbeleuchtung oder strukturiertes Licht, um Verformungen, Einschlüsse oder Lufteinschlüsse sichtbar zu machen.

Bei dünnen oder transparenten Materialien verbessern Polarisationsfilter den Kontrast und reduzieren Reflexionen. Hoch-entwickelte Modelle können zudem die Farbgleichmäßigkeit bewerten und subtile Oberflächenfehler wie Einfallstellen oder Fließlinien, die beim Formpressen entstehen, erkennen.

Visuelle KI-Plastik-Inspektion

Holz

Natürliche Materialien wie Holz weisen von Natur aus Schwankungen auf und jedes Stück ist einzigartig. Deep-Learning-Modelle sind hierfür besonders gut geeignet, da sie lernen natürliche Maserungsunterschiede von echten Mängeln wie Astlöchern, Rissen oder Verformungen zu unterscheiden.

RGB-Kameras in Kombination mit Zeilenabtasttechnologie können selbst in einer schnelllebigen Produktionsumgebung bewegliche Platten oder Bretter prüfen.

Visuelle KI-Holz-Inspektion

Glas

Aufgrund der Transparenz und reflektierenden Eigenschaften des Materials erfordert die Glasprüfung einen anderen Ansatz. Bildverarbeitungssysteme nutzen Gegenlichtbeleuchtung, um innere Blasen, Einschlüsse oder Dickenschwankungen sichtbar zu machen. Polarisiertes Licht reduziert Blendeffekte und hebt Oberflächenkratzer hervor. In einigen Fällen kommen Lasertriangulation oder Interferometrie zum Einsatz.

Precast concrete AI system that checks for surface-level defects.

Beton

Betonoberflächen sind rau und nicht reflektierend. Sie können jedoch feine Unebenheiten aufweisen, die auf Qualitätsmängel hindeuten. KI-Modelle lassen sich anhand von Texturmustern trainieren, um Risse, Poren oder Oberflächenverunreinigungen zu erkennen. In Kombination mit 3D-Scans oder Wärmebildaufnahmen können diese Systeme die Oberflächenintegrität und die Aushärtungsqualität bewerten.

Sprechen Sie mit einem Experten

Schicken Sie Fotos Ihrer Produktionsanlage direkt an unsere Experten.

Sprechen Sie mit uns

Hier sind unsere Beispiele für KI-Lösungen zur Fehlererkennung

Herstellungsfehler bei Stahl

Erkennen Sie Mängel wie Oberflächenkratzer, Dellen, Rost oder Risse in Stahlblechen. In Verbindung mit Machine-Learning-Modellen können hochauflösende Kameras die Oberfläche von Stahlprodukten schnell analysieren und selbst kleinste Unregelmäßigkeiten erkennen.

Gussfehler bei Metallen

Bildverarbeitungslösungen können Fehler wie Lufteinschlüsse, Risse oder andere Unregelmäßigkeiten in der Gussform erkennen. Das System scannt dazu Bilder der Gussteile. So können Hersteller fehlerhafte Teile vor der Weiterverarbeitung aussortieren. Das reduziert den Ausschuss und stellt den Qualitätsstandard sicher.

Qualitätskontrolle bei der Holzverarbeitung

In der Holzindustrie kommt Computer Vision zum Einsatz, um Fehler wie Astlöcher, Risse oder Verformungen in Holzplatten oder Schnittholz zu erkennen. Das System kann die verschiedenen Fehler anhand ihrer Größe und Art klassifizieren. Dadurch können die Bediener fehlerhafte Produkte von Fehlerfreien trennen.

Erkennung von Schweißfehlern

Mithilfe von Bildverarbeitungssystemen lassen sich Schweißnähte an Metallbauteilen prüfen und Probleme wie Risse, eine unvollständige Verschmelzung oder Porosität erkennen. Machine-Learning-Algorithmen analysieren Bilder oder Videostreams von Schweißnähten und erkennen Fehler, die für menschliche Prüfer nur schwer zu entdecken wären. Auf diese Weise wird die strukturelle Integrität kritischer Bauteile gewährleistet.

Erkennung von Textilfehlern

In der Textilindustrie können KI-Systeme Textilmaterialien auf Mängel wie Pilling, Ausfransungen oder Unregelmäßigkeiten in der Textur prüfen. Durch die frühzeitige Erkennung dieser Mängel werden keine minderwertigen Produkte ausgeliefert.

Echtheitsprüfung von Schmuck

Mithilfe von Bildverarbeitungssystemen lässt sich die Echtheit von Schmuck durch Analyse der Merkmale der Edelmetalle überprüfen. Diese Systeme vergleichen visuelle Muster mit verifizierten Referenzproben, um Echtheit zu bestätigen bzw. Fälschungen zu erkennen.

Die Grenzen der KI-basierten Fehlererkennung in der Produktion.

Trainingsanforderungen

KI-Modelle sind nicht „von Haus aus“ funktionsfähig. Sie müssen anhand von Beispielen Ihrer Produkte und Fehlerarten trainiert werden. Ohne geeignete Trainingsdaten erkennt das System Fehler oder löst Fehlalarme aus.

Verborgene Mängel

KI kann nur das erkennen, wofür sie trainiert wurde. Tritt eine völlig neue Art von Fehler auf, wird das System diesen nicht automatisch erkennen. In diesem Fall ist eine erneute Schulung oder Feinabstimmung des Modells erforderlich.

Hardwareabhängigkeit

Die Genauigkeit einer KI hängt stark von der eingesetzten Bildgebungstechnologie ab. So kann eine RGB-Kamera beispielsweise keine inneren Risse erkennen, wofür Röntgen- oder Wärmesensoren benötigt werden.

Datenqualität & -beschriftung

Die Genauigkeit des Modells hängt von der Qualität und Konsistenz der beschrifteten Daten ab. Wenn die Einteilung in „gute“ und „schlechte“ Beispiele inkonsistent ist, übernimmt das System diese Fehler.

Bedingungen vor Ort

Schlechte Beleuchtung, Staub oder eine ungünstige Kameraposition können die Zuverlässigkeit beeinträchtigen. Experten müssen die richtige Ausrüstung empfehlen und das CV-Modell unter diesen Bedingungen trainieren.

Wojciech Majewski Sr. Business Development Consultant

KI-Qualitätskontrollsysteme sind keine Einheitslösung. Jede Produktionsumgebung erfordert einen maßgeschneiderten Ansatz, der die physikalischen Eigenschaften des zu prüfenden Materials sowie die spezifischen Bedingungen der Produktionslinie berücksichtigt. Bei Interesse wenden Sie sich an einen unserer Spezialisten für KI und Fehlernerkennung, der die richtige Hardware-, Beleuchtungs- und Modellkombination für Ihren Prozess ermittelt.

Schicken Sie uns Fotos, und unsere Experten helfen Ihnen weiter.

Kontaktieren Sie uns

Top Computer Vision Company Clutch badge 2023

Wie entwickelt man ein KI-basiertes Fehlererkennungssystem für die Produktion?

Für die Entwicklung eines KI-basierten Fehlererkennungssystems ist die Kombination von Fachwissen in den Bereichen Machine Learning und Computer Vision mit industriellem Know-how erforderlich. Das Ziel ist eine Lösung zur zuverlässigen Erkennung von Produktfehlern unter realen Produktionsbedingungen. Dafür muss der Entwicklungsprozess auf die spezifischen Merkmale der Produktionslinie, die Fehlerarten und die verfügbaren Datenquellen ausgerichtet sein.

In der Regel umfasst der Prozess:

System in Infrastruktur integrieren für Echtzeit-Einblicke.
Analyse des Produktionsprozesses und Festlegung von Qualitätszielen. Ingenieure beurteilen, wo und wie Fehler auftreten, legen Prüfpunkte fest und definieren, was „Qualität“ bedeutet. Das KI-System konzentriert sich auf die kritischsten Aspekte der Produktion.
Erfassung von Daten von einwandfreien und fehlerhaften Artikeln. Kameras und Sensoren erfassen reale Beispiele. Die Daten müssen normale Betriebsbedingungen widerspiegeln, einschließlich Schwankungen bei der Beleuchtung, der Oberflächenbeschaffenheit und den Umgebungsfaktoren.
Modelle werden hinsichtlich Genauigkeit, Präzision und Geschwindigkeit trainiert und validiert. KI-Modelle lernen anhand gesammelter Daten, fehlerhafte von einwandfreien Produkten zu unterscheiden. Die Modellleistung wird getestet, ohne die Produktion zu verlangsamen.

Nach der Validierung wird das KI-System an die Produktionshardware sowie an die Kontroll-Dashboards angebunden. Es liefert sofortige Warnmeldungen, Analysen und Prozessrückmeldungen, sodass die Bediener schnell reagieren und eine gleichbleibende Qualität gewährleisten können. Ein Proof of Concept lässt sich in der Regel innerhalb von drei bis sechs Wochen abschließen, abhängig von der Datenverfügbarkeit und der Komplexität des Projekts. Diese hilft Herstellern, die Machbarkeit und den Mehrwert zu zeigen und eine Grundlage für die Umsetzung zu schaffen.

Für Hersteller von KI-Lösungen ist der „Risikoarme Industrielle KI-Workshop” der erste Schritt. In diesen Workshops wird der Produktionsbedarf ermittelt, die Datenverfügbarkeit geprüft und mögliche KI-Lösungen aufgezeigt. Die Teilnehmer können die Erkenntnisse anschließend nutzen, um die Zusammenarbeit mit dem Anbieter fortzusetzen oder mit einem anderen Partner weiterzumachen. Auf diese Weise wird Flexibilität gewährleistet und das Risiko im Vorfeld minimiert.

Wen sollten man mit der Entwicklung eines KI-basierten Fehlererkennungssystems für die Produktion beauftragen?

Für die Entwicklung eines KI-basierten Systems zur Fehlererkennung ist die Zusammenarbeit verschiedener Fachbereiche erforderlich. Für eine erfolgreiche Umsetzung sind Kenntnisse über Fertigungsprozesse, Qualitätsstandards und Machine Learning Verfahren unerlässlich.

Wählen Sie einen Anbieter, der Erfahrung mit unstrukturierten Daten und Produktionsumgebungen hat. Starten Sie mit risikoarmen Workshops, um Ihre Anforderungen zu definieren. Entscheiden Sie anschließend, ob Sie mit demselben Partner weiterarbeiten oder zu einem anderen Anbieter wechseln möchten.