Product Design
3D Printing
CAM
Metrology, Quality
PDM, MES
Architecture, Construction
Mechatronics & Robotics
Imaging Solutions
Hardware
roduct Design
Qualitätsprüfung mit künstlicher Intelligenz (KI)
Wir beschäftigen uns intensiv mit Machine Learning – einem Teilbereich des Fachgebiets der Künstlichen Intelligenz.
Aus dem Bereich der klassischen Bildverarbeitung kommend, dreht sich bei uns auch im Machine Learning alles rund um die Verarbeitung von Bilddaten.
Auch komplexere Aufgaben, bei der die Kombination von klassischen Algorithmen und Machine Learning oder die Kombination verschiedener Datenquellen (Analyse mehrerer Bilder eines Objektes, Einbinden zusätzlicher Sensordaten oder Benutzereingaben) benötigt werden, können von uns realisiert werden.
- Klassifizierung
- Multimodale Datenverarbeitung
- Objekt Erkennung & Lokalisierung
- Anomalie-Detektion
Klassifizierung
- Unterscheidung in beliebige Klassen (z.B. [gut , schlecht], oder [gut , Fehlerart 1 , Fehlerart 2]).
- Training anhand einer großen Anzahl an Trainingsdaten aller Klassen.
- Erkennung von sehr feinen Unterschieden möglich.
Multimodale Datenverarbeitung („erweiterte Klassifizierung“)
- Unterscheidung in beliebige Klassen (z.B. [optimale Qualität , mittlere Qualität , Ausschuss]).
- Training anhand einer großen Anzahl an Trainingsdaten aller Klassen.
- Eingangsdaten verschiedener Quellen werden kombiniert.z.B. Mehrere Kamera-Bilder, zusätzliche Produktinformationen wie Farbe, Form oder Gewicht oder eine Benutzereingabe.
- Kombination verschiedener Algorithmen möglich.
- Erkennung von Unterschieden, welche nur aus der Kombination verschiedener Daten möglich ist. Kontrolle eines gesamten Produktes möglich (z.B. der gesamten Oberfläche durch mehrere Aufnahmen welche gemeinsam bewertet werden).
Erkennung & Detektion
Objekt Erkennung & Lokalisierung
- Erkennen von Objekten inklusive der Bestimmung deren Position.
- Training anhand von Trainingsdaten aller Objekte.
- Hierdurch sind unter anderem Anwesenheitskontrollen, oder das Zählen von Objekten möglich.
Anomalie-Detektion
- Unterscheidung in „normale“ und „anomale“ Daten.
- Üblicherweise wird mit einer geringen Anzahl an normalen und anomalen Daten trainiert. Wenn nicht anders möglich, ist ein Training auf Basis von 100 % normal-Beispielen möglich.
- Je nach Ausprägung von Anomalien ist eine mittlere bis gute Erkennungsgenauigkeit möglich.
Häufig gestellte Fragen (FAQs)
Was ist der Unterschied zwischen klassischer Bildverarbeitung und dem Machine Learning Ansatz?
In der klassischen Bildverarbeitung bestimmt der Mensch gewisse Bewertungsmerkmale und programmiert einen entsprechenden regelbasierten Algorithmus.
Durch den Einsatz von Machine Learning wird das Auswählen geeigneter Bewertungsmerkmale automatisiert. Sprich, Algorithmen lernen durch Trainingsdaten, welche Merkmale für eine Bewertung wichtig sind. So lassen sich auch komplexe Aufgaben lösen, bei denen eine große Anzahl an Merkmalen kombiniert und berücksichtigt werden muss.
Welchen Vorteil hat der Kunde durch Machine Learning?
Mittels Machine Learning stehen neue Wege für Aufgaben bereit, welche vor einigen Jahren noch als unlösbar oder zu kostenintensiv galten.
Welche Aufgaben können mittels Machine Learning gelöst werden?
Die Stärken von Machine Learning zeigen sich vor allem in folgenden Bereichen:
- Erkennen von Defekten (unbekannter Ausprägung)
- Klassifizierung von Objekten mit variabler Geometrie
- Qualitätssicherung – Bewertung von Produkten
(Ähnlich dem händischen Prozess wird anhand von Grenzmustern [Trainingsdaten] gelernt)
