Die Bildklassifizierungsfähigkeiten von KI, die bereits in Anwendungen wie Krankheitsdiagnose, automatisiertem Fahren, Inhaltsmoderation und anderen Bereichen weit verbreitet sind, eignen sich hervorragend für die industrielle Qualitätskontrolle und insbesondere für die automatisierte optische Inspektion (AOI). Herkömmliche AOI-Verfahren sind bei der Systemkonfiguration, der Einführung neuer Produkte und später während der Produktion bei der Inspektion von Bildern potenziell fehlerhafter Bereiche stark auf Expertenmeinungen angewiesen.
Künstliche Intelligenz (KI) wurde in die kommerzielle Software von AOI integriert, um die Konfiguration und Inbetriebnahme von Anlagen zu unterstützen. Die automatische Zuordnung von Komponentenbibliotheken, die mithilfe von Deep Learning Komponententypen anhand von Bildern identifiziert, ermöglicht die automatische Auswahl der optimalen Bibliothek. Darüber hinaus wird KI zur Unterstützung der 3D-Komponentenmessung eingesetzt, um Daten für Teile zu generieren, die in keiner bestehenden Bibliothek enthalten sind.
Sekundäre Beurteilung:
Künstliche Intelligenz hat zwar die Bibliotheksverwaltung vereinfacht und beschleunigt, doch nun bietet diese Technologie Herstellern einen noch größeren Mehrwert, indem sie ihre Lern- und Klassifizierungsfähigkeiten zur Verbesserung der Inspektionsgenauigkeit in der Produktion einsetzt. Die Klassifizierung von Fehlern als echte, falsch positive oder falsch negative Ergebnisse allein durch menschliche Beurteilung kann zeitaufwändig sein und zu Schwankungen im Fertigungsprozess führen. Während einige Fehler, wie fehlende oder stark falsch ausgerichtete Bauteile oder gravierende Lötfehler, leicht zu klassifizieren sind, sind andere schwieriger zu erkennen oder eindeutig zu identifizieren, da sie unterhalb der zulässigen Standards liegen.
Wenn die Beurteilung menschlichen Experten überlassen wird, kann jeder Bediener je nach Erfahrung und Meinung unterschiedliche Kriterien anwenden. Die Inspektion kann sich verzögern, da Beurteilungen Zeit in Anspruch nehmen. Manche Mängel werden möglicherweise übersehen, während übermäßig strenge Beurteilungen zu Fehlalarmen führen können, die unnötige Nacharbeiten erfordern. Der Einsatz von KI zur Unterstützung dieser sekundären Beurteilungen bietet die Möglichkeit, die Abhängigkeit von Experten zu verringern und Ungenauigkeiten zu eliminieren, wodurch die Produktivität gesteigert wird.
Abbildung 1 veranschaulicht, wie KI die Beurteilung von Fehlern verbessern und so den Wert menschlicher Fähigkeiten steigern und menschliche Fehler minimieren kann. Das AOI-System teilt Bilder erkannter Fehlerbereiche mit menschlichen Bedienern und der KI-Beurteilungssoftware, die auf maschinellem Lernen basiert. Menschliche Experten beurteilen die Art der Fehler, und ihre Beurteilungen fließen in die KI-Software ein. Durch die kontinuierliche Anpassung anhand der erfassten Expertenurteile eignet sich das Modell schnell die besten Beurteilungsfähigkeiten der Experten an und eliminiert menschliche Fehler. Nach dem Training ermöglicht das Modell den Bedienern, sicherer und schneller zu arbeiten und dabei eine gleichbleibend hohe Genauigkeit zu gewährleisten. So können die Bediener die Leistung erfahrener Prüfer erreichen.
Abbildung 1. Datenerfassung, unterstützte Beurteilung und Verbesserung durch maschinelles Lernen.
KI-gestützte Sekundärprüfungen verbessern die Wiederholgenauigkeit, verhindern, dass fehlerhafte Einheiten durch die Produktionslinie gelangen, und identifizieren schnell Fehlalarme, um unnötige Nacharbeiten an fehlerfreien Baugruppen zu vermeiden. Dies stabilisiert die Produktionsqualität und steigert die Produktivität.
Vertrauensindex:
Yamahas KI-Bewertungssoftware für AOI liefert Anwendern umfassendes Feedback zu ihren Gut/Nicht-Gut-Entscheidungen, einschließlich Bildern, Tabellen und einem Vertrauensindikator (Abbildung 2). Bei Schweißfehlern wie Brückenbildung oder Verunreinigung wird dieser Index als grafische Heatmap und berechneter Anomalieindex dargestellt. Bewertungen für andere Fehler, wie z. B. Zeichenerkennung, werden mit einem Übereinstimmungsindex ausgedrückt. Die Software gibt außerdem Auskunft über ihre eigene Leistung mit Berechnungen des Anomalieerkennungsindex und der Unterdrückung von Übererkennung. Durch wiederholte Datenerfassung und -analyse, einschließlich Rauschunterdrückung, sowie mit Werkzeugen zur Erstellung und Optimierung benutzerdefinierter KI-Modelle ermöglicht die KI-Bewertungssoftware den Anwendern, den Lebenszyklus des maschinellen Lernens zu steuern und letztendlich die Qualitätskontrolle ohne professionelle Unterstützung durchzuführen.
Abbildung 2. Die Inspektionsanalyse, einschließlich der Bilder und des berechneten Anomalieindex, die in der Abbildung dargestellt ist, hilft bei der sekundären Beurteilung und leitet gegebenenfalls die Reparatur ein.
Von der Unterstützung zur Automatisierung:
Der nächste Schritt geht über die KI-gestützte Zweitbeurteilung durch menschliche Bediener hinaus – ein vollautomatisches AOI-System, das konstant auf dem Niveau der besten menschlichen Experten des Unternehmens arbeitet. Yamahas KI-Bewertungssoftware lässt sich nahtlos mit der Remote-Reparaturstation verbinden und kann KI-Bewertungsergebnisse direkt mit Online-AOI-Systemen teilen, um die Inspektionsgenauigkeit kontinuierlich zu verbessern. Durch den Einsatz von KI zur Automatisierung der Zweitbeurteilung können Online-AOI-Systeme kontinuierlich und ohne Eingriffe mit hoher Geschwindigkeit und minimalen Fehlalarmen arbeiten. So werden Fehler nicht übersehen und unnötige Nacharbeiten vermieden.
Abschluss
Künstliche Intelligenz (KI) kann zahlreiche Aspekte der Bereichsprüfung (AOI) verbessern, beispielsweise die Bibliothekserstellung beschleunigen und Daten zu fehlenden Bauteilen automatisch generieren. Dank ihrer Bildklassifizierungsfähigkeiten ist KI bereit für den Einsatz in der Produktion, um die Sekundärprüfung zu unterstützen und letztendlich zu automatisieren. Bisher erforderte diese Aufgabe hochqualifizierte Prüfer. Heute ermöglicht KI den Bedienern, schnell ein vergleichbares Fachwissen zu erlangen. Die Roadmap zielt auf eine umfassende Automatisierung ab – von der Montage bis zur AOI – mithilfe von maschinellem Lernen, um die Qualitätssicherung weiter zu verbessern und die Produktivität zu steigern.
