Weitere fortschrittliche KI-Tools vereinfachen den Optimierungsprozess unserer KI-basierten Inspektionssysteme
Explainable AI:
KI wird oft als Black-Box wahrgenommen und Entscheidungen können oft nur schwer nachvollzogen werden. Explainable AI ist eine Methode zur visuellen Darstellung der Entscheidungsgrundlage der KI um dann gezielt eingreifen zu können, falls falsche Entscheidungen getroffen wurden.
Few shot learning:
Um Deep Learning Modelle zu trainieren oder zu optimieren müssen bisher viele Samples pro Klasse zur Verfügung stehen. Die Methode des Few shot learnings ermöglicht das Trainieren oder Optimieren eines Klassifikators anhand weniger Samples
Mit Advanced Vision System (AVS) arbeiten wir an einer neuen Generation von Inspektionssystemen, die unseren Kunden und Partnern klare Vorteile bietet.
KI-basierte Fehlererkennung:
Kundenspezifische Defektklassen
Trainieren Sie die KI zur Erkennung bisher nicht detektierter Defekte
Die KI lernt das zu erwartende Dekor und findet Anomalien, wenn sie von diesem Dekor abweichen.
Hybrider Ansatz:
Unser System bietet einen hybriden Ansatz, so dass auch herkömmliche Algorithmen zum Einsatz kommen können, wo sie ihre Vorteile voll ausspielen können.
Weitere Vorteile:
Reduktion externe Datenschnittstellen
Selbstüberwachung (z.B. Reinigungsaufforderung)
Aktueller Stand:
Im Jahr 2026 soll ein erstes System verfügbar sein
Herausforderung:
Defekte auf mit Schutzfolie überzogenen, empfindlichen Oberflächen sind mit der traditionellen Herangehensweise nicht prozesssicher von Folienbeschädigungen zu unterscheiden.
Ansatz:
Erste Anwendungen von KI-basierten Ansätzen zeigen vielversprechende Möglichkeiten, topographische Defekte wie Dellen, Beulen, Kratzer oder Pickel trotz Schutzfolie zu erkennen.
Aktueller Stand:
Im Rahmen eines Pilotprojekts, wird diese Entwicklung weitergeführt und erprobt.
Herausforderung:
Optimierte Analysewerkzeuge zur Prozessverbesserung durch Kombination von Q-Brain® Klassifikation und Q-Live® Statistik ermöglichen klarere Rückschlüsse auf relevante Fehlerursachen
Ansatz:
Durch eine nachgelagerte KI-basierte Bewertung von Inspektionsergebnissen in Q-Live® , werden Defekte sinnvoll in passende Gruppen mit branchenüblichen Bezeichnungen zugeordnet.
Bestandsysteme können nachträglich mit dieser Lösung ausgestattet werden.
Aktueller Stand:
Umsetzung erfolgt aktuell bei einem Pilotkunden
Herausforderung:
Zur Erstellung kundenspezifischer Klassifikatoren ist das Expertenwissen der Anwender unumgänglich
Umsetzung:
Erweiterung der Q-Live® Software zur Sortierung der Defektbilder in Q-Brain® Defektklassen
Ergebnis:
Anwendungsfall 1: Optimieren eines branchenüblichen Klassifikators durch eigenständiges Nachsortieren von Defektbildern
Anwendungsfall 2: Erstellung eines kundenspezifischen Klassifikators in individuelle Defektklassen
Aktueller Stand:
Mehrere Kunden setzen das Q-Live® Sortiertool ein, um Bilddaten in die Q-Brain® Defektklassen zu sortieren
Herausforderung:
Hohe Übersortierung durch Fräßrückstände aus dem Profilierungsprozess
Umsetzung:
Übertragung der bei Edge etablierten Technologie zur Erkennung von Pseudodefekten auf Flooring 4.0 Systeme
Ergebnis:
Schonung von Material und Energie und effizientere Durchlaufzeiten im Prozess durch die deutliche Reduktion der Übersortierung
Herausforderung:
Verpresste Dekorpartikel können mit bisheriger Herangehensweise zur Defekterkennung nur unzureichend erkannt werden
Umsetzung:
Hochschulkooperation in Form einer Promotion zum Thema „Novelty Detection“
Bei Novelty Detection handelt es sich um ein KI-basierten Ansatz zur Erkennung von Abweichungen, gegenüber zuvor gelernten Referenzen
Aktueller Stand:
Erstellung eines Prototyps mit vielversprechenden Ergebnissen
Herausforderung:
Bisherige KI-Technologie „Support Vector Machine“ (SVM) ermöglichte lediglich die Sortierung der Detektionsergebnisse in 2 Klassen (1. alle Defekttypen, 2. alle Art von Verschmutzungen)
Systemkomplexität durch zu viele Defekttypen
Abstrakte Bezeichnung der Defekttypen
Umsetzung:
Einführung von „Convolutional Neural Networks“ (CNN) ermöglicht beliebig viele Klassen
Ergebnis:
Zusammenfassung von Defekttypen und deren Benennung nach branchenüblichen Begriffen
Geringerer Trainingsaufwand für neue Mitarbeiter
Einfachere Rückschlüsse auf Probleme im Produktionsprozess
Herausforderung:
Hohe Übersortierung, durch Verschmutzungen in Kantenbearbeitungsmaschine z.B. Leimreste, Fäden nach Ziehklinge, Fräßpartikel
Bisherige Herangehensweise zur Defekterkennung war nicht geeignet Defekte von nicht qualitätsrelevanten Verschmutzungen zu trennen.
Umsetzung:
Erstmaliger Einsatz der KI-Technologien „Machine Learning“
Ergebnis:
Schonung von Material und Energie und effizientere Durchlaufzeiten im Prozess durch die deutliche Reduktion der Übersortierung
Digitaler Zwilling – Ihre Maschine virtuell im Blick
Nutzen Sie digitale Abbilder für mehr Transparenz und Effizienz.
Präzise Analyse und realitätsnahe Simulationen
Zielgerichtete Optimierung von Einstellungen
Höhere Effizienz und Zukunftssicherheit Ihrer Anlagen
Wartungsplaner – alles im Blick, bestens vorbereitet
Behalten Sie Wartungsintervalle und Ersatzteile jederzeit im Griff.
