Visuelle Inspektion mit künstlicher Intelligienz

KI definiert die automatische Sichtprüfung neu und macht die Fehlererkennung präziser und zuverlässiger als je zuvor. Durch den Einsatz von neuronalen Netzen können Hersteller die Zahl der Ausschussfehler deutlich reduzieren und die Effizienz steigern. Aber wie kann KI nahtlos in Inspektionsmaschinen integriert werden? Und welche Herausforderungen ergeben sich bei der Implementierung von KI in regulierten Umgebungen?

Künstliche Intelligenz (KI) ist ein Oberbegriff, der verschiedene Technologien umfasst, die es Maschinen ermöglichen, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern. Innerhalb der KI ist das maschinelle Lernen (ML) ein Spezialgebiet, in dem Algorithmen Daten analysieren, um Muster zu erkennen und Entscheidungen mit minimalem menschlichen Eingriff zu treffen. Im Gegensatz zu herkömmlichen regelbasierten Systemen werden ML-Modelle auf großen Datensätzen trainiert, um die Leistung für bestimmte Aufgaben zu optimieren. In den meisten industriellen Anwendungen werden ML-Modelle jedoch nicht kontinuierlich in Echtzeit angepasst, sondern folgen einem strukturierten Prozess: Daten werden gesammelt, Modelle werden offline trainiert und nur bei Bedarf nach sorgfältiger Auswertung aktualisiert. ML ist besonders nützlich für Aufgaben, die eine komplexe Entscheidungsfindung und Mustererkennung erfordern.

Eine tiefere Untergruppe von ML sind neuronale Netze, die von der Struktur und Funktion des menschlichen Gehirns inspiriert sind. Neuronale Netze bestehen aus Schichten miteinander verbundener Knoten (Neuronen), die Informationen auf ähnliche Weise wie biologische Neuronen verarbeiten. Diese Netze zeichnen sich durch die Erkennung komplexer Muster in großen Datensätzen aus und sind daher ideal für Aufgaben wie Bildanalyse, Fehlererkennung und Qualitätskontrolle in Produktionsumgebungen.

In praktischen Anwendungen verbessern neuronale Netze automatisierte visuelle Inspektionssysteme, indem sie die Genauigkeit erhöhen und sich effizienter an unterschiedliche Fehlertypen anpassen. Im Gegensatz zu herkömmlichen Ansätzen des maschinellen Lernens zeichnen sich neuronale Netze durch die Erkennung von Mustern in einem breiteren Spektrum aus, wodurch die Notwendigkeit der manuellen Definition von Unterscheidungsmerkmalen verringert wird. Neuronale Netze bieten zwar nicht von Natur aus eine größere Konsistenz als regelbasierte Systeme für identische Eingaben, aber sie können besser auf geringfügige Schwankungen in der Umgebung reagieren, z. B. auf Veränderungen der Beleuchtung oder der Einrichtung. Durch die Nutzung großer, etikettierter Datensätze und realer Produktionsumgebungen verbessern neuronale Netze die Effizienz der Inspektion und minimieren gleichzeitig die Abhängigkeit vom Bediener und die Zahl der Fälle, in denen ein Merkmal nicht erkannt wird.

Wir bei WILCO setzen neuronale Netze ein, um die Genauigkeit und Effizienz der Fehlererkennung zu verbessern. Durch die Zusammenfassung komplizierter Strukturen zu leicht unterscheidbaren Merkmalen verbessern wir die Erkennungsmöglichkeiten ohne den umfangreichen manuellen Aufwand, der bei klassischen Methoden erforderlich ist. Dank dieser Anpassungsfähigkeit sind unsere Maschinen in der Lage, selbst subtile Abweichungen in der Produktqualität zu erkennen, die von herkömmlichen Inspektionssystemen übersehen werden könnten.

Um das Potenzial der KI bei der Fehlererkennung voll auszuschöpfen, kommen verschiedene Lernansätze ins Spiel, die jeweils eine spezifische Funktion haben.

Überwachtes Lernen: Der KI das Erkennen von Defekten beibringen 

Bei diesem Ansatz kennzeichnen Menschen manuell Tausende von Defektbildern und helfen dem KI-Modell zu lernen, was es erkennen soll. Mit der Zeit lernt das Modell, ähnliche Defekte mit hoher Präzision zu erkennen. Diese Methode eignet sich für gut definierte Defekte, erfordert jedoch eine große Menge an gelabelten Daten.

Erkennung von Anomalien: Erkennen von Abweichungen von der Norm

Im Gegensatz zum überwachten Lernen konzentriert sich die Anomalieerkennung auf die Unterscheidung zwischen guten und abnormalen Mustern. Die KI wird mit fehlerfreien Produkten trainiert und lernt, alles zu markieren, was von dieser Norm abweicht. Während diese Methode weniger gelabelte Daten benötigt, stellt sie in regulierten Umgebungen, in denen manchmal eine detaillierte Klassifizierung verlangt wird, eine Herausforderung dar.

Anwendungen für KI in einer automatisierten Inspektionsmaschine

KI kann erfolgreich eingesetzt werden, um:

• Im Vergleich zu regelbasierten Bildverarbeitungswerkzeugen eine überlegene Fehlererkennungsleistung zu erzielen und die mit bestimmten Fehlertypen verbundenen Herausforderungen effektiv zu bewältigen.
• Aufrechterhaltung einer hohen Erkennungsquote, da sie weniger empfindlich auf die natürlichen Schwankungen des Prozesses reagiert (False Reject Rate aufgrund von Primärverpackungen und Abweichungen bei der Herstellung).
• Verbesserung der Fehlerklassifizierungsfähigkeiten im Vergleich zu regelbasierten Algorithmen und Vision-Tools, wenn überwachtes Training verwendet wird.

Herausforderungen bei der Implementierung von KI in Inspektionsmaschinen: Revalidierung

Sobald KI in eine Inspektionsmaschine integriert ist, muss das System einer Revalidierung unterzogen werden, um die Einhaltung gesetzlicher Standards zu gewährleisten. Wird KI jedoch nur eingesetzt, um bestimmte Funktionen und nicht den gesamten Inspektionsprozess zu ersetzen, ist nur eine teilweise Revalidierung erforderlich. Dies verringert den Validierungsaufwand und verbessert die Effizienz der Implementierung.

Wie WILCO die Integration von KI für AVI unterstützt

Die Integration von Künstlicher Intelligenz in die automatisierte visuelle Inspektion folgt einem strukturierten Vier-Schritte-Prozess. Zunächst erfolgt die Datenaufnahme, bei der hochwertige Bilder der Produkte während der Inspektion erfasst werden. Danach sorgt die Datenbeschriftung dafür, dass diese Bilder korrekt kategorisiert werden, sodass das KI-Modell verschiedene Fehlertypen erkennen kann. Anschließend findet das Training der Modelle und die Evaluierung statt, bei dem die KI aus den gelabelten Daten lernt und auf Genauigkeit und Zuverlässigkeit getestet wird. Schließlich wird das trainierte Modell auf die Maschine implementiert, um eine Echtzeit-Fehlererkennung zu ermöglichen.

Als Maschinenhersteller liegt unsere Kernkompetenz im Bau leistungsstarker Inspektionssysteme. Daher konzentrieren wir uns auf zwei entscheidende Schritte in diesem Prozess:

1. Datenaufnahme – Erfassen hochwertiger Bilder der Produkte während der Prüfung.
2. Implementierung – Integration des trainierten KI-Modells in unsere Maschinen zur Echtzeit-Fehlererkennung.

Die Zwischenschritte – Datenbeschriftung, Model-Training und Evaluierung – werden in der Regel von spezialisierten KI-Entwicklern durchgeführt. Wir bieten ein flexibles Deployment-Framework, das es unseren Kunden ermöglicht, diese Zwischenschritte mit den Tools ihrer Wahl durchzuführen. Unser Framework erlaubt es, neue Modelle und Trainingsansätze zu testen, um die bestmögliche Lösung für Ihr Produkt zu finden – dabei stehen unsere eigenen KI-Experten jederzeit zur Verfügung, um Sie im Entwicklungsprozess zu unterstützen. Sobald ein zuverlässiges KI-Modell trainiert wurde, sorgen wir für dessen nahtlose Integration in unsere Maschinen, um die Inspektionsleistung weiter zu verbessern.

Die EVO CAX wurde dafür konzipiert, KI-Modelle nahtlos zu integrieren, sodass Pharmahersteller die Vorteile KI-gestützter visueller Inspektion mit minimalem Aufwand nutzen können. Mit menschenähnlichen, robotergestützten Bewegungen - inspiriert von der manueller Inspektionen - verbindet die EVO die Präzision und Anpassungsfähigkeit der manuellen Prüfung mit der Konsistenz und Effizienz automatisierter Systeme.

Die Integration von KI in die EVO CAX bietet diverse Vorteile, unter anderem:

• Konstante Prüfqualität – Im Gegensatz zur manuellen Inspektion sorgt KI für eine gleichbleibende Beurteilung von Defekten ohne menschliche Schwankungen.
• Nahtlose KI-Integration – Die EVO CAX ist speziell für die Unterstützung von KI-Modellen ausgelegt, wodurch sich diese ohne aufwändige Hardwareanpassungen einbinden lassen.

Durch die Kombination modernster automatisierter Inspektionstechnologie mit KI-Bereitschaft macht die EVO CAX Qualitätssicherungsprozesse zukunftssicher – eine skalierbare und intelligente Lösung für Pharmahersteller.