Beispiel Gießerei: „Die Oberflächen von formgegossenen Metallteilen erfahren üblicherweise eine aufwendige Nachbearbeitung, daher muss die Güte des Werkstücks relativ früh umfassend geprüft werden“, berichtet Damian Heimel, COO und Co-Founder des KI-Start-ups Deevio. Zu den typischen Druckgussfehlern zählen Fehlläufe, Porosität, Lufteinschlüsse oder Risse. Traditionelle regelbasierte Vision-Systeme stoßen hier aber aufgrund der breiten Fehlervarianz oft an ihre Grenzen.
Das gilt auch in der Automotive-Branche. Wegen der individuellen Ausstattungswünsche der Kunden kann ein Blechprägeteil schon nach wenigen Weiterverarbeitungsstationen eine immense Variations- und Farbvielfalt aufweisen. „Kleinste Kratzer, Dellen oder Farbeintrübungen lassen sich aber über starre Regeln einfach nicht zuverlässig erkennen“, so Heimel. „Weist die Form auch noch eine gewisse Komplexität auf, können schon minimale Beleuchtungsschwankungen dazu führen, dass regelbasierte Verfahren einen Pseudofehler erkennen und das Werkstück aussortieren – oder es aber fälschlicherweise freigeben.“
Lichtreflexionen ausgehebelt
Deevio nutzt daher Künstliche Intelligenz in Form von Deep Learning. Zur Inspektion wird das Werkstück von einer Kamera mehrfach und mit wechselnden Belichtungszeiten fotografiert, die Aufnahmen vom selbst entwickelten HDR-Algorithmus zu einem einzigen Bild mit kaum wahrnehmbaren Lichtreflexionen zusammengeführt. Auf Basis dieser Bilddaten sendet Deevios AI Engine dann ein Pass- oder ein No-Pass-Signal – zusammen mit den genauen Koordinaten des Fehlers auf dem Werkstück.
Bei der Umsetzung geht Deevio Schritt für Schritt vor. Nach einer Machbarkeitsstudie wird zunächst ein Proof-of-Concept durchgeführt. Hier wird das Deep-Learning-Machine-Vision-Modell noch nicht produktiv geschaltet, sondern vergrößert quasi nebenbei seinen Bilddatenschatz und wird weiter trainiert. Dazu werden im weiteren Verlauf mehr und mehr Bilder aus der laufenden Produktion verwendet, um die Fehlerquote unter 1 % zu drücken.
Während dieser Optimierungsphase, die ein paar Wochen dauern kann, begleitet die Deep-Learning-Lösung bereits ein Produktexperte des Kunden. „Zu Beginn der Einschleusung in die Produktionslinie ist die Deep-Learning-Lösung dann sogar in der Lage, die gelernten Defekte und Fehler zu abstrahieren – und auf neue Produkte anzuwenden, die sie bisher noch nicht zu Gesicht bekam.“ Sobald das KI-System dauerhaft einen Genauigkeitsgrad von 99 Prozent liefert, wird es in die Produktionslinie eingebunden.
Deevio GmbH
Swinemünder Straße 121
D-10435 Berlin