Kommentar von Carsten Mieth, Eviden KI und Edge Computing für die Qualitätskontrolle

Anbieter zum Thema

Eviden

Dell GmbH

Fujitsu Technology Solutions GmbH

Snowflake Computing GmbH

Die Kombination aus KI-gesteuerter Computer Vision und Edge Computing hilft bei der Qualitätskontrolle und vermeidet teure Produktrückrufe.

Zehn Millionen Euro – so viel kostet ein Produktrückruf bei Qualitätsmängeln im Durchschnitt. Vor allem in der Auto- und der Lebensmittelbranche sind Rückrufe häufig, wie eine Studie der Allianz zeigt. Bei Autos sind es defekte Bauteile wie beispielsweise plötzlich auslösende Airbags oder schlecht verklebte Frontscheiben. In der Lebensmittelindustrie sind Metallspäne in Fertigprodukten ein häufiger Grund oder fehlende Allergiewarnungen auf Etiketten. Solche Pannen schädigen das Markenimage und können im Einzelfall sogar vernichtend sein. Die fehlerhaften Airbags zum Beispiel hatten Rückrufkosten von mehreren Milliarden Euro und führten zur Insolvenz des betroffenen Zulieferers.

Industrieunternehmen haben deshalb eine Qualitätskontrolle, doch manuelle Prüfungen sind aufwendig und – wie die Rückrufe zeigen – fehleranfällig. Menschliche Prüfer ermüden nach einer gewissen Zeit und erkennen Mängel nicht mehr zuverlässig. So verlassen trotz einer Qualitätskontrolle fehlerhafte oder minderwertige Produkte die Herstellung. Um das zu vermeiden, nutzen immer mehr Industrieunternehmen Kameras und kontrollieren die Produkte automatisch mit KI-basierter Computer Vision.

Gemeint ist damit die Fähigkeit von Computern, Bilder und Videos zu interpretieren und darauf basierend Entscheidungen zu treffen. Die Auswertung von Videos heißt auch Videoanalytik. Sie hat mit unterschiedlichen Verfahren in den letzten Jahren immer breitere Einsatzbereiche erobert. Die Industrie setzt dabei immer häufiger Verfahren der Künstlichen Intelligenz (KI) ein, um die Ergebnisse zu verbessern.

Kamerabasierte Qualitätskontrollsysteme für die Fertigung

KI-Verfahren sind gut darin, auch feinste Besonderheiten in visuellen Daten zu erkennen. Sie werden deshalb häufig dafür verwendet, Produkte beispielsweise auf Farbabweichungen, Oberflächenschäden oder andere sichtbare Mängel zu untersuchen. So lassen sich mit Kameras in der Autoherstellung fehlende oder falsch eingebaute Teile erkennen, Oberflächendefekte wie Kratzer, Dellen oder Risse entdecken und die Qualität von Schweißnähten überprüfen.

Auch in der IT- und Elektronikindustrie spielen kamerabasierte Qualitätskontrollsysteme eine wichtige Rolle. Sie prüfen beispielsweise die korrekte Montage von Bauteilen und die Qualität der Leiterbahnen auf einer Platine. Darüber hinaus erkennen sie, ob es Lötfehler bei der Montage gab, die zu Kurzschlüssen oder Unterbrechungen führen. In der Lebensmittelindustrie finden Kameras Farbabweichungen und Fremdkörper in den Produkten und prüfen Etiketten auf Genauigkeit und Vollständigkeit.

Moderne Kameras bieten vielfältige Möglichkeiten für die Aufzeichnungen von Mustern, die gut mit KI-Anwendungen zu analysieren sind. Sie erkennen Farbabweichungen deutlich präziser als Menschen. Infrarot-Kameras erfassen die Oberflächentemperatur auf Zehntelgrade genau. Mikroskopiesysteme finden auch winzige Defekte mit einer Größe von tausendstel Millimetern. Durch den Einsatz von Verfahren wie Röntgen oder Ultraschall erkennen die KI-Anwendungen auch Fehler innerhalb eines Objektes.

Große Datenmengen bei modernen Kameras

Das Grundprinzip der KI-gestützten Videoanalytik ist flexibel genug, um den Unterschied zwischen hochwertigen und defekten Komponenten, Oberflächen oder Anordnungen zu erkennen. Dafür sind zunächst große Mengen an Trainingsdaten notwendig. Sie zeigen dem KI-System, welche Muster korrekt sind und welche auf Fehler hinweisen. Dadurch lernt es beispielsweise „Nasen“ in einer Lackierung, Mikrorisse in einem Bauteil oder Fremdkörper in einem Gemisch zu entdecken. Durch das Training entsteht ein KI-Modell, das Echtzeitdaten aus der Fertigungsanlage auswerten kann.

Eine Herausforderung ist die Übertragung der Echtzeit-Videostreams an die Software zur Videoanalyse. Moderne Kamerasysteme erzeugen große Datenmengen, eine Full-HD-Kamera beispielsweise zwischen drei und neun Megabit pro Sekunde. Sollen die Bilder also direkt in eine Cloud-Anwendung übertragen werden, ist eine hohe Bandbreite erforderlich. Zudem sind meist viele Kameras im Einsatz, was die Bandbreitenanforderung noch einmal steigert.

Die Direktübertragung von Videobildern in die Cloud ist vor allem aus Kostengründen unrealistisch. Deshalb hat sich in der Videoanalytik das sogenannte Edge Computing verbreitet. Dieser Begriff bezeichnet eine Optimierung von Cloud Computing, bei der die Datenverarbeitung näher an den Ort der Datenerfassung heranrückt. Die Videodaten werden nicht in einem zentralen Rechenzentrum in der Cloud verarbeitet, sondern am „Rand“ des Netzwerks. Das wird mit dem Einsatz von Edge-Servern erreicht, die über genügend Rechenleistung und Speicherkapazität verfügen. Zwar lässt sich einfachste Videoanalytik auch in der Kamera selbst durchführen, die Möglichkeiten eines Edge Servers gehen aber viel weiter.

Edge Computing bringt lokale Rechenleistung für Videoanalytik

Edge Computing senkt die Latenzzeit, erhöht die Datentransferraten und verringert die Kosten für Bandbreite, da die Videobilder nicht über große Entfernungen hinweg versendet werden müssen. Die Edge-Server führen die vortrainierten KI-Algorithmen aus, mit denen Qualitätsprobleme aufgedeckt werden. Dadurch sind sie in der Lage, schneller auf Fehler und Qualitätsmängel zu reagieren. Cloud-Anwendungen dienen hier nur der Statistik und Trendanalyse, der Reaktion auf erkannte Mängel, oder der nachträglichen Analyse der Fertigungsprozesse.

Der Markt bietet eine Vielzahl an Computerlösungen für die Edge. Die einfachsten Varianten sind Mikrocomputer, die Sensoren in der industriellen Fertigung zusammenfassen und Daten über Industrial Ethernet oder 5G-Mobilfunk weitergeben. Am anderen Ende des Spektrums sind Videoanalytik-fähige Edge-Server mit GPUs (Graphics Processing Units). Das sind im Grunde Grafikkarten, deren spezialisierte Chips auch für die Rechenoperationen der Bilderkennung geeignet sind, und die daher fester Bestandteil moderner Edge-Server sind.

Edge-Server nutzen zur Kommunikation mit der Cloud, aber auch mit vorgeschalteten Kameras und Sensoren zunehmend öffentliche, aber auch private 5G-Netze. Letztere sind unabhängig vom öffentlichen Netz und bieten neben höchster Datensicherheit die richtigen Bandbreiten, Latenzen und Verfügbarkeiten für KI-gestützte Qualitätskontrollen. Private 5G und Edge-Geräte sind ein neues Geschäftsfeld für Telkos, das auf die Industrie zielt. Die Server lassen sich leicht aufrüsten und wachsen mit den Anforderungen. Unternehmen behalten damit bei der Qualitätskontrolle gleichzeitig Effizienz und Kosten im Griff.

(ID:49543309)