Maddox AI‘s Technologie ermöglicht die Automatisierung manueller visueller Qualitätskontrolle.



In wie weit unterscheidet sich Maddox AI von traditionellen visuellen Qualitätskontrolllösungen?

Traditionelle regel-basierte und moderne Machine Learning-basierte Machine Vision im Vergleich.


Traditionelle regelbasierte MV





Anwendungsbereiche

Automatische Überprüfung von einfachen und wenig variierenden Fehlerbildern basierend auf fest definierten Regeln (z.B. gemessener Zylinderdurchmesser oder Oberflächenhelligkeit).



Fehlererkennung

Um die gewünschten Fehler zu erkennen, definieren Domänenexperten zusammen mit Programmierern in einem manuellen und aufwendigen Iterationszyklus konkrete Regeln für die Erkennung jedes einzelnen Fehlertypus.




Spätere Anpassungen

Bei späteren Anpassungen, z.B. bei Änderung der Produkte oder bei neuen Fehlertypen, muss der gleiche manuelle Iterationsprozess wie bei der initialen Einrichtung durchlaufen werden. Dies versursacht oft hohe Kosten.


Moderne ML-basierte MV





Anwendungsbereiche

Automatische Überprüfung von komplexen, stark variierenden Fehlerbildern durch Lernen eines Modells basierend auf Beispielbildern (z.B. Kratzer, Risse, Bläschen, etc.).



Fehlererkennung

Um die gewünschten Fehler zu erkennen, werden zuerst Bilder von den einzelnen Fehlertypen gesammelt, auf denen ein geeignetes Machine Learning Modell selbstständig und in einem automatisierten Prozess Regeln erlernt, um die Fehler mit hoher Sicherheit zu erkennen.



Spätere Anpassungen

ML-Modelle können mit minimalem Aufwand (und damit kostengünstig) durch Beispielbilder z.B. von neuen Fehlertypen optimiert werden.

Was ist die Grundvoraussetzung für Maddox AI‘s überlegene Leistung?

Maschinelles Lernen ist ein Untergebiet der Künstlichen Intelligenz, welches in den letzten Jahren durch das Teilgebiet des Deep Learning zu fundamentalen Fortschritten in vielen Automatisierungsaufgaben geführt hat.





Machine Learning (deutsch: Maschinelles Lernen) basiert auf künstlichen neuronalen Netzwerken und ermöglicht es Maschinen so ähnlich zu lernen wie Menschen – von Beispielen. Während des Lernens zeigt man Machine Learning Modellen die gewünschte Input-Output Relation (z.B. Bilder von Kratzern sowie die dazu gehörige Fehlerkategorie „Kratzer“) anhand einiger Beispiele. Während des Lernprozess extrahiert das Modell implizit Regeln, anhand dessen es die gewünschte Input-Output Relation reproduzieren kann. In der Praxis generalisieren diese Regeln sehr gut auch auf neue, bisher ungesehene Bilder.

Für die visuelle Analyse bedeutet das, dass die Flexibilität und Erfahrung von menschlichen Inspektoren mit der Geschwindigkeit und Präzision von maschinellen Bildverarbeitungssystemen kombiniert werden können. Anwendungsfälle, die für regelbasierte Systeme zu komplex sind, können so durch eine Kombination von Machine Learning Modellen und maschinellem Sehen automatisiert werden.

Wie wird diese Technologie konkret bei Maddox AI implementiert?

Bilderfassung

Um das Modell trainieren zu können, sammeln wir Bildmaterial in Ihrem Betrieb.

Daten Kennzeichnung

Die Bilder werden in der Web-Applikation von Ihnen annotiert (IO, NIO).

Erlernen der Aufgabe

Anschließend wird das Deep Learning Modell auf unserer Hardware trainiert.

Model Test & Implementierung

Die Performance des Modells wird mit Hilfe von neuen (= dem Modell unbekannten Bildern) getestet. Bei positiver Performance wird das Modell live geschaltet.

Live Interferenzen

Das Modell klassifiziert eigenständig neue zu überprüfende Produkte im Rahmen des Produktionsablaufs.

Kontinuierliche Feedback-Schleife

Ihre Mitarbeiter können die Modell-Inferenzen überprüfen und fehlerhafte Modell-Entscheidung im Rahmen der Web-Applikation markieren. Das damit gesammelte Feedback wird genutzt, um das Modell kontinuierlich nachzutrainieren und zu verbessern.