14.12.2021 – Kategorie: Digitale Transformation

Machine Vision: Auf dem Weg zur Smart Factory

Machine VisionQuelle: ImageFlow / Shutterstock.com

Inzwischen gibt es zahlreiche industrielle Anwendungsfälle für maschinelles Lernen (ML). Datengetriebene Automatisierungslösungen gehören bisher aber nur bei führenden herstellenden Unternehmen fest zum Alltag. Für andere ist es noch ein langer Weg zur Smart Factory. Mit Machine Vision kann er verkürzt werden.

Machine Vision: Die Palette der Use Cases für ML ist weit. Die Optimierung des Produktionsprozesses, Predictive Maintenance, Machine as a Service, Digital Twin, Track & Trace, Data ­Visualization, automatisiertes Materialmanagement und Computer Vision für die Qualitätskontrolle sind derzeit die wichtigsten Use Cases.

Schritt für Schritt: Machine Vision

Unternehmen, die aufschließen wollen, sollten allerdings auf keinen Fall versuchen, die gesamte Produktions- und Wertschöpfungskette auf einmal zu digitalisieren und überall ML einzusetzen. Stattdessen ist es zielführender, mit einem Anwendungsfall zu starten, der beispielsweise einen hohen ROI verspricht, und dann sukzessive den Einsatz von ML auszuweiten. Hier bietet sich die Qualitätskontrolle mittels Machine Learning und Machine Vision an. Denn dadurch lassen sich in der industriellen Praxis zusätzliche Effizienzpotenziale erschließen.

Qualitätsmängel sind teuer

Eine suboptimale Qualitätskontrolle hat viele negative Folgen. Kleinste Fehler wie Kratzer, Dellen, Schlagstellen oder Poren in der Oberfläche können einerseits hohe Kosten verursachen, wenn sie erst im späteren Verlauf des Fertigungsprozesses erkannt werden. Werden sie gar nicht erkannt und die damit behafteten Produkte ausgeliefert, können sie andererseits sogar zu teuren Reklamationen, Sicherheitsmängeln, Funktionseinbußen und sogar Funktionsausfällen führen.

Das zieht erhebliche Betriebskosten und finanzielle Einbußen nach sich. Auch die Kundenzufriedenheit und das Image leiden, beispielsweise durch Rückrufe. Laut einer Faustregel der American Society for Quality betragen die Kosten für schlechte Qualität in einem florierenden Unternehmen etwa 10-15 Prozent des gesamten Betriebs. Das kann sich auf 15 bis 20 Prozent des Jahresumsatzes belaufen. Üblicherweise werden Produkte visuell von geschulten Mitarbeitern auf Mängel überprüft. Diese Form der Qualitätssicherung ist aber fehleranfällig, teuer und oft nicht schnell genug für den Produktionsfluss. Außerdem sind die Schwankungen von Konzentration und persönlicher Verfassung erhebliche Störfaktoren, die Qualitätseinbußen und sogar Sicherheitsmängel sowie funktionale Mängel bei den Produkten nach sich ziehen können. Viele Anforderungen hinsichtlich Automatisierung und vernetzter Produktion sind mit den herkömmlichen Methoden der Qualitätssicherung nicht mehr zu bewältigen.

Großes Potenzial von Machine Vision

Machine Learning und Machine Vision ändern den Status Quo. Anstatt manuell Produkte zu überprüfen, findet die Qualitätssicherung mit Machine Vision automatisiert und kontinuierlich statt. Vernetze Kameras liefern ihre Bilddaten an ein (Cloud-basiertes) System, in dem mittels Machine Learning trainierte Algorithmen die Bilder automatisch erkennen und auswerten. Erkennt das System einen Qualitätsmangel, reagiert es darauf. Das kann von einem Alert bis hin zu einem Produktionsstopp gehen. Das steigert Effizienz und Konstanz in der Industrie erheblich und spart nicht nur wertvolle Produktionszeit, sondern reduziert auch die Menge der Qualitätsprobleme beim Endkunden.

Die hardwareseitigen Bestandteile der Lösungen für Machine Vision lassen sich meist problemlos in die bestehenden Strukturen integrieren, eine große Neuanlage der Produktionskette ist nicht erforderlich. Die Prüfung kann also In-Line innerhalb der Produktionskette stattfinden. Das verkürzt die Prüfzeiten, gleichzeitig steigt die Qualität. Durch die Echtzeitüberwachung werden Anomalien innerhalb der Produktionskette frühzeitig erkannt und reduzieren mögliche Fehlproduktionen enorm. Zudem kann die Kontrolle jedes Bauteils protokolliert werden.

Die Umsetzung ist leichter als gedacht

Trotz der enormen Vorteile läuft die Integration dieser Technologien bisher nur zögerlich an. Die Ursachen dafür sind vielfältig: Da ist zum einen die Unübersichtlichkeit am Markt und die zahlreichen möglichen Ansätze und Tools.

Hartnäckig hält sich auch die veraltete Ansicht, dass Machine-Learning-Systeme riesige Datenmengen brauchen, um für ihre jeweilige Aufgabe trainiert zu werden. Doch die Lösungen für Machine Vision werden kontinuierlich weiterentwickelt und Anbieter wie AWS haben mittlerweile Services im Programm, in denen die Praxisexpertise aus vielen Projekten eingeflossen ist. Die Algorithmen sind dementsprechend optimiert und „vortrainiert“. Mit einigen Services ist daher der Start bereits ab 30 Bildern möglich.

Es geht teilweise auch ohne Data Scientists

Als weiterer Grund für die zögerliche Integration wird oft der Mangel an Datenwissenschaftlern angeführt. Data Scientists sind tatsächlich rar gesät. Das haben viele Anbieter erkannt und bieten daher einfacher bedienbare Lösungen.

Diese neuen Services aus der Cloud ermöglichen den praktischen Einstieg auch ohne eigene Data-Science-Kenntnisse. Amazon Lookout for Vision beispielsweise ist eine No/Low-code Lösung für Anomalie-Erkennung in Bild- und Videodaten auf Basis von Machine Vision. Auf einer dafür ausgelegten GUI oder einer API werden zunächst Bilder hochgeladen. Der Nutzer kann dann angeben, welche der Bilder gute oder schlechte Qualität zeigen. Das Modell wird anschließend mit diesem Input automatisch trainiert. Die ansonsten aufwendige Entscheidung, welche Parameter und welche Algorithmen am besten geeignet sind, übernimmt der Service. Dazu gehört auch die Einbindung von Data Pipelines und die Transformation der Daten. Das ist zwar etwas teurer – letztlich lässt sich so allerdings oft der Einsatz eines Data Scientists vermeiden.

Fazit

Der Einsatz von Machine Vision in der Qualitätskontrolle bringt zahlreiche Vorteile. Jetzt gibt es auch endlich sofort einsatzbereite Lösungen, die auf skalier­baren, flexiblen Cloud-Plattformen laufen und die die Umsetzung in der Praxis erheblich vereinfachen. Trivial ist ML damit allerdings immer noch nicht: Es braucht weiterhin auch die richtigen Prozesse und qualifizierte Dienstleister, um Anwendungen erfolgreich umzusetzen und aus einer Vielzahl von Werkzeugen das richtige Tool zum richtigen Zeitpunkt zu wählen. Managed Service Provider halten der Unternehmens-IT den Rücken frei, damit Budgets und Ressourcen für Innovation genutzt werden können: Auch bei den Lösungen aus der Cloud sollten intelligente Kostenoptimierung und -kontrolle im Vordergrund stehen.

Lesen Sie auch: Sicherheitsrisiken: Wie unsere Rechenzentren sicherer werden können

Machine Vision
Bild: AllCloud

Der Autor Dr. Carsten Riggelsen ist Leiter Data & AI DACH bei AllCloud.


Teilen Sie die Meldung „Machine Vision: Auf dem Weg zur Smart Factory“ mit Ihren Kontakten:


Scroll to Top