Optimierte Kameraauswertung bei Bündelkontrollen

Quick Check

Ausgangssituation

Das aktuelle System zur Bündelkontrolle ist dafür verantwortlich, Bilder des zylindrischen Teils von einem Dialysator zu erfassen und zu prüfen. Nach der Kameraaufnahme wird jedes Bild mit einem regelbasierten Algorithmus analysiert. Die primäre Aufgabe dieses Algorithmus ist es, mögliche Defekte wie Faserknicke und Faserschlaufen zu identifizieren. Ein kritischer Engpass dieses Systems ist jedoch seine »strenge« Bewertung. Häufig klassifizieren diese Bewertungskriterien fehlerfreie Produkte fälschlicherweise als fehlerhaft, was zu einem hohen Anteil an Pseudoausschüssen führt. Dadurch entsteht ein erheblicher manueller Nachbearbeitungsbedarf, der nicht nur zeitaufwendig, sondern auch kostenintensiv ist.

Lösungsidee

Ein möglicher innovativer Ansatz wäre, ein Bildanalysesystem einzuführen, das das genannte Bildmaterial basierend auf Künstlicher Intelligenz analysiert. Ein großer Vorteil davon wäre, dass weniger manuelle Prüfungen nötig wären, weil Pseudoausschlüsse automatisch erkannt werden. Angesichts der nahezu unendlichen Vielfalt möglicher Pseudoausschlüsse in Bildern bietet maschinelles Lernen eine vielversprechende Alternative zu herkömmlichen regelbasierten Algorithmen.

© Baxter Gambro
Ablaufschema der angedachten Qualitätsprüfung

Nutzen

Die Vorteile dieser Lösung sind vielfältig. Der geringere Personalaufwand senkt die Produktionskosten. Darüber hinaus wird durch die genauere KI-Bewertung der Ausschuss deutlich minimiert. Dies fördert nicht nur die Nachhaltigkeit, sondern hilft, Abfall zu vermeiden und Ressourcen zu schonen. Darüber hinaus sind die Prüfbedingungen konsistenter, da die Auswertung nun unabhängig von einzelnen Bedienern erfolgt.

Umsetzung der KI-Applikation

Die Bildausschnitte der vom vorhandenen Bildverarbeitungssystem erkannten NIO-Stellen wurden automatisch extrahiert. Dabei wurde zwischen den Klassen NIO (»nicht in Ordnung«) und Pseudo-NIO unterschieden. Mit diesen Bildern wurde ein CNN für eine binäre Klassifikation trainiert. Weil die Datenmenge gering und die Datensätze unausgewogen waren, wurde ein vortrainiertes Netz und eine Gewichtung der Klassen im Training eingesetzt. Die Evaluierung mittels k-facher Kreuzvalidierung ergab eine Vorhersagegenauigkeit zwischen NIO und Pseudo-NIO von über 90 Prozent.

Partnerunternehmen

»Die Machbarkeitsuntersuchung für das KI-basierte Bildverarbeitungssystem war sehr überzeugend. Es war beeindruckend zu sehen, wie technologische Innovationen unsere Produktionsherausforderungen angehen können.«

Eberhard Holweger, Senior Manager Automation Engineering