Aufkleber analysieren
Am Anfang des Projekts stand ein zweitägiger Kunden-Workshop vor Ort. Darin wurden gemeinsam die verschiedenen Arten der Aufkleber analysiert und relevante Variablen auf Basis der Log-Daten erarbeitet. Zudem wurden neue Trainingsbilder erstellt und in das System eingefügt. Je nach Aufgabe können die Prüfobjekte, in diesem Fall die Sticker, aus unterschiedlichen Blickwinkeln und vor verschiedenen Hintergründen dargestellt werden. Der Machine- Learning-Prozess wurde durch Google TensorFlow ermöglicht. Damit können Entwickler Datenfluss-Grafiken erstellen, die beschreiben, wie sich Daten durch ein Diagramm oder eine Reihe von Verarbeitungsknoten bewegen. Die Anwendung koordiniert dabei hunderte von Rechenkernen (Tensor Cores). TensorFlow stellt dies über die Programmiersprache Python dar. Die mathematischen Operationen, also die Bibliotheken von Transformationen, die über das Tool verfügbar sind, werden als C++ Binärdateien und Cuda (Compute Unified Device Architecture) verarbeitet. Python organisiert nur den Datenverkehr zwischen den Teilen und bietet Abstraktionen auf hoher Ebene, um sie miteinander zu verbinden. Die Tensor Cores machen die KI überhaupt erst möglich, denn durch TensorFlow werden jene Modelle entwickelt, die für die späteren Vorhersagen verwendet werden. Die dazu benötigte Hardware liegt preislich in einem unteren bis mittleren vierstelligen Eurobereich und stellt somit bei der Implementierung von KI kein nennenswertes Hindernis mehr dar. Es ist sogar möglich, mit herkömmlichen Computern Bilder mit deren Grafikprozessoren zu erkennen, allerdings sind Tensor Processing Units (TPUs) besser geeignet. Sie sind günstiger, leistungsfähiger und benötigen weniger Strom, da sie für die benötigten Matrixmultiplikationen konzipiert sind. Auch die Cloud kann eine einfache Option sein. Entscheidend ist jedoch, wie zeitkritisch die Anwendung ist, das heist ob die Bilderkennung in Echtzeit oder eine Auswertungen am Ende eines Produktionsprozesses erfolgen soll. Daraus ergeben sich die entsprechenden Kosten.
Ergebnisse in kurzer Zeit
Im Falle der Prüfzeichenerkennung wurden die Daten durch einen Handscanner eingelesen und zum Abgleich in die Bibliothek geladen. Das heißt, der Inhalt des Aufklebers wird in Echtzeit gelesen und die Position des Aufklebers bestimmt. Sind beide Merkmale korrekt, vibriert das Gerät und dem Prüfer wird angezeigt, dass alles in Ordnung ist. Zudem wurde das MES, dort werden die Fehler dokumentiert, mit angebunden. Alle erfassten Daten werden zeitgleich in das Tool Dataface, eine IIoT-Suite von Elunic, integriert, wo die Vorgänge und Fehler weiterhin abrufbar sind. So kann das System ständig weiter optimiert werden. Machine Learning für die Homologation ist nur ein Beispiel dafür, wie KI für die Qualitätssicherung eingesetzt werden kann. Die intelligente Bilderkennung ist für viele Problemstellungen eine günstige und effektive Lösung, gerade wenn es darum geht die manuelle Kontrolle zu ersetzen.
