Prozessüberwachung, Qualitätskontrolle und Datenverarbeitung

Intelligente Software-Lösungen

Von Datenaufnahme über Aufbereitung bis hin zu anwendungsspezifischer Software und Visualisierung: alles aus einer Hand!

Sie möchten Ihre Produktionsprozesse objektiv überwachen? Oder frühzeitig eine Qualitätskontrolle implementieren, um Ausschuss zu reduzieren? Mit KI-gestützer Bildverarbeitung in Python ist das möglich!

Neben Bilddaten können auch Textdaten mit Machine Learning Techniken verarbeitet werden und so wertvolle Einsichten in Ihre Produktion ermöglichen oder sogar einen direkten Nutzen für Ihre Kunden haben – Stichwort peronalisierte Produktempfehlungen!

Was sind Clustering, Klassifizierung, Objekterkennung und -segmentierung?

Clustering meint die Gruppierung von Daten. Hierbei kann es sich beispielsweise um Textdaten wie Email, Datenblätter oder Notizen halten, welche thematisch sortiert werden. Dazu können klassische Machine Learning Algorithmen genutzt werden.

Objekterkennung mit neuronalen Netzen ermöglicht hingegen die automatische Identifikation und Lokalisierung von Bauteilen, Strukturen oder Defekten in Bilddaten.
Im Gegensatz zu klassischer Bildverarbeitung basiert sie nicht auf starren Regeln oder Schwellenwerten. Das neuronale Netz nutzt gelernte Merkmale, welche es während des Trainings selbstständig erkannt hat.
So kann ein Modell nicht nur einzelne Objekte detektieren, sondern auch mehrere Komponenten gleichzeitig erkennen, zählen oder positionsgenau markieren – etwa Schrauben, Lötstellen, Etiketten oder fehlerhafte Oberflächen. Zum Beispiel können Muttern erkannt und gezählt werden:

Erkennung von 3 Muttern auf einem rostigen Hintergrund
Erkennung von 3 Muttern auf einem rostigen Hintergrund

Lösungen für Prozessüberwachung und Qualitätskontrolle

Manuelle Qualitätskontrolle nimmt häufig viel Zeit in Anspruch und ist fehlerbehaftet. Um diesen Prozess objektiver und schneller zu gestalten nutzen immer mehr produzierende Unternehmen Computer Vision, also automatisiertes Image Processing. Dabei können klassische Algorithmen zum Beispiel zur Kantenerkennung oder auch neuronale Netze für komplexere Aufgabenstellungen eingesetzt werden.

So können Muster in Bildern und umfangreichen Datensätzen zuverlässig erkannt werden. Typische industrielle Anwendungen sind Klassifikationsaufgaben, etwa Bauteile automatisch als iO (in Ordnung) oder niO (nicht in Ordnung) zu klassifizieren. Neben der Gut-/Schlecht-Erkennung können neuronale Netze auch Bauteilvarianten unterscheiden oder Oberflächenzustände bewerten – schnell, reproduzierbar und objektiv.

Wie läuft so ein Software-Projekt konkret ab?

Bei der Durchführung kann der Arbeitsaufwand je nach Anwendung und Aufgabenstellung sehr klar definiert sein oder reine Entwicklungsarbeit bedeuten. Folgendes ist bei jedem Softwareprojekt inklusive:

Machbarkeitsstudie

Ist ein KI-Modell in dieser Anwendung überhaupt von Nutzen oder sind klassische Algorithmen die bessere Wahl? Welche Daten werden benötigt und wie müssen diese aufbereitet werden?

Training der KI oder implementieren des Algorithmus

Ich suche für Ihre Anwendung passende Netzarchitekturen und trainiere sie mit den Daten aus Ihrer Produktion oder Simulation. Falls bereits klar ist, dass ein sauberer Algorithmus die bessere Wahl ist, implementiere ich Ihnen auch diese Software nach best practises und Industriestandards. Die Ergebnisse werden gemeinsam besprochen und weiterentwickelt, bis Sie zufrieden sind.

Testing und Einbinden in Produktivsysteme

Für jede Anwendung lässt sich ein Testdatensatz definieren, welcher gängige Bilddaten aus der Produktion zusammenfasst und auch spezielle Einzelfälle abdeckt. Basierend auf diesem Datensatz werden die Modelle bzw. der Algorithmus getestet und evaluiert. Das beste Modell wird anschließend zusammen mit Ihrem IT-Team vor Ort in die Produktion eingebunden.