Machine Vision neu gedacht

Die Entwicklung einer komplexen Anlage mit integrierter Bildverarbeitung für die Qualitätsprüfung kostet immer Nerven, vor allem aber Zeit und Geld. Üblicherweise trägt dabei der Käufer der Anlage einen Grossteil des Risikos, weiss Peter Droege, einer der Gründer und CEO des Tübinger Unternehmens Maddox AI: «Bis zur Installation und der Integration einer Prüfanlage in die Produktion haben Kunden oft bereits bis zu 90 Prozent des gesamten Projektbudgets bezahlt, obwohl damit nur die eher klassischen Automatisierungsanteile einer Anlage abgedeckt werden. Der risikoreichere Teil besteht darin, den Einsatz der automatisierten Inspektion vorzubereiten und ihre ausreichend präzise Funktion im Regelbetrieb sicherzustellen. Da zu diesem Projektzeitpunkt nur noch die letzten 10 bis 15 Prozent der Zahlung ausstehen, kann die Motivation von Maschinenbauern und Systemintegratoren schon mal schwinden, die Anlage optimal und schnell zum Laufen zu bekommen.»
Dieses Risiko übernimmt Maddox AI mit einem neuen Ansatz abseits der üblichen Pfade, so Peter Droege: «Wir stimmen zu Projektbeginn zunächst alle wichtigen Key Performance-Indikatoren mit unseren Kunden ab. Im zweiten Schritt installieren und integrieren wir die optimal für die vorliegenden Anforderungen ausgewählte, zertifizierte Vision-Hardware in den jeweiligen Produktionsprozess und beginnen dann mit dem Sammeln und Annotieren von Bilddaten. Auf dieser Basis trainieren wir anschliessend KI-Modelle für die Anwendung. Bis zu diesem Punkt sind unsere Leistungen für den Endkunden kostenfrei.» Erst wenn alle zuvor festgelegten KPIs erfüllt sind, das heisst die KI-Modelle akkurat und ausreichend schnell alle relevanten Defekte im Regelbetrieb identifizieren, kommt es laut Peter Droege zum kostenpflichtigen Lizenzvertrag. Für den dann folgenden Einsatz der KI-Modelle und der Weiterentwicklung liefert Maddox AI regelmässige Software-Updates, die im Rahmen jährlicher Software-as-a-Service (Saas)-Gebühren abgerechnet werden. So umgeht das Tübinger Unternehmen die wirtschaftlichen Unsicherheiten herkömmlicher Vision-Entwicklungsprozesse im Sinne seiner Kunden auf elegante Weise.

Datenzentristisches Machine Learning als Schlüssel zum Erfolg
Dass Maddox AI bei seinem ungewöhnlichen Geschäftsmodell technisch auf den nahezu allgegenwärtigen Trend Künstliche Intelligenz setzt, hat gute Gründe: Die traditionell eingesetzten, regelbasierten Bildverarbeitungsysteme sind der reinen manuellen Qualitätskontrolle zwar deutlich überlegen, stossen allerdings insbesondere bei komplexen Aufgaben oft an ihre Grenzen. Jedoch stellen auch KI-basierte Vision-Systeme nicht per se ein Wundermittel zur problemfreien Lösung jeder Anwendung dar: Je nach Inspektionsaufgabe kann ein relativ hoher Aufwand erforderlich sein, um Bilder von fehlerfreien und guten Prüfteilen korrekt zu annotieren und aus den Ergebnissen geeignete KI-Modelle zu entwickeln. Derartige Hürden führen dazu, dass Bildverarbeitungssysteme mit KI-Technologie oft noch nicht die erforderliche Anwenderfreundlichkeit und Zuverlässigkeit erreichen. Die Folge: Sie werden derzeit nur begrenzt eingesetzt.
An dieser Stelle geht Maddox AI einen wichtigen Schritt weiter als der Wettbewerb, so Peter Droege: «Es gibt zwei entscheidende Erfolgsfaktoren für den Einsatz von KI und insbesondere für die Nutzung von Machine Learning (ML)-Methoden: Eine optimale Machine Learning-Architektur und eine konsistente Datenbasis sind unabdingbare Grundlage für den Einsatz solcher Systeme. Die Machine Learning-Architektur ist bei praktisch allen Anbietern sehr ähnlich.» Deutlich wichtiger ist nach Peter Droeges Worten jedoch eine konsistente Datenbasis. «Dieser Aspekt wird derzeit von den meisten Lösungen am Markt vernachlässigt, obwohl es der grösste Hebel für bessere Ergebnisse ist.»
Wie Maddox AI die benötigte Datenkonsistenz erzielt, die diese Lösung so besonders macht, erläutert Peter Droege anhand eines Beispiels: «In der Produktion fallen durch hohe Stückzahlen grosse Datenmengen an, während Defekte im Vergleich zu OK-Teilen jedoch relativ selten auftreten. Anstatt diese umfangreichen Daten manuell nach NOK-Teilen zu durchsuchen, um Trainingsdaten für Defekterkennungsmodelle zu gewinnen, kann unser Software-Tool Similarity Search eingesetzt werden. Dabei werden die vorhandenen Daten automatisch nach Bereichen durchsucht, die bereits markierten Defekten stark ähneln. So lassen sich gezielt relevante Beispiele finden, was die Datenannotation deutlich schneller und konsistenter macht.
Eine weitere Schwachstelle vieler ML-Systeme besteht oft darin, dass bestimmte Fehler in der Produktion so selten auftreten, dass sie zum Anlernen von KI-Modellen nicht zur Verfügung stehen. Hier ist Maddox AI in der Lage, künstliche Fehlerbilder zu generieren und so das Training von Inspektionssystemen effizienter zu gestalten.
«Unsere Software Maddox AI enthält somit verschiedene Werkzeuge, die speziell darauf ausgelegt sind, den Menschen beim einfacheren und schnelleren Erstellen von konsistenten Datensätzen zu helfen», unterstreicht Peter Droege. «Datenannotation ist der zeitintensivste und wichtigste Hebel zur Verbesserung der KI-Performance eines Vision-Systems. Die Supervised AI-Tools von Maddox AI in Kombination mit konsistenteren Daten machen hier den Unterschied zu anderen KI-Systemen sowie zu regelbasierten Systemen am Markt: Sie reduzieren den Pseudoausschuss und erhöhen dadurch die Wirtschaftlichkeit von Produktionsanlagen.»

Prozessoptimierung inklusive
Neben den reinen Verbesserungen bei der Fehlererkennung und der effektiveren Datenannotation schätzen Maddox AI-Anwender nach Peter Droeges Worten auch die weitergehende Funktionalität der Software zur Optimierung von Produktionsprozessen. Im realen Einsatz von Inspektionssystemen werden Informationen über erkannte Fehler oft noch gar nicht oder nicht effizient genug zur Optimierung von Anlagen genutzt. Maddox AI füllt diese Lücke: «Durch die Auswertung der gesammelten Qualitätsdaten erkennt die Software übergeordnete Zusammenhänge wie beispielsweise die Abnutzung von Werkzeugen oder falsch eingestellte Anlagenparameter und gibt dem Anwender entsprechende Hinweise. So kann dieser rechtzeitig reagieren und auf diese Weise die Effektivität seiner Produktion steigern.»
Für die Zukunft haben Peter Droege und sein Team eine Reihe von Ideen, um die Leistungsfähigkeit von Maddox AI noch weiter auszubauen. Eine dieser Ideen deutet der CEO an: «Wir wollen Anwendern künftig nicht nur zeigen, welche Fehler erkannt wurden und wie sie entstanden sein könnten, sondern proaktive Vorschläge machen, durch welche Massnahmen man diese Fehler vermeiden könnte.»

Komplexe Qualitätskontrolle wirtschaftlich automatisieren
Schon heute sieht Peter Droege klare Vorteile des KI-Ansatzes seines Unternehmens: «Für die meisten industriellen Aufgabenstellungen in der Qualitätskontrolle ist der Einsatz menschlicher Arbeitskräfte zu langsam, zu teuer, nicht zuverlässig genug und deshalb keine wirtschaftliche Option. Traditionelle regelbasierte Inspektionssysteme weisen zwar oft eine hohe Kosteneffizienz auf, eignen sich aber vor allem für einfachere Prüfaufgaben. Selbst bei optimaler Auslegung aller Parameter liefern solche seit Jahren etablierten klassischen Machine-Vision-Lösungen oft keine absolut zuverlässigen Ergebnisse. Zudem dauert es häufig sehr lange, bis ein System stabil eingerichtet und einsatzbereit ist.
Dies gilt insbesondere dann, wenn sich die Randbedingungen in Produktionsanlagen verändern oder Fehler nicht eindeutig definiert werden können.»
Der Machine Learning-basierte Ansatz von Maddox AI eignet sich hingegen auch für komplexe Inspektionsaufgaben und besticht durch seine hohe Kosteneffizienz, so Peter Droege. «Wir sind absolut davon überzeugt, dass das für einen Grossteil der industriellen Inspektionsaufgaben der richtige Lösungsweg ist.»
Die KI-Experten von Maddox AI konnten bereits in zahlreichen Anwendungen nachweisen, dass sowohl das Konzept der Risikoumverteilung als auch die entwickelte KI-Software an sich erfolgreich ist. So gelang es beispielsweise bei der Inspektion von Metallteilen, die Erkennungsgenauigkeit durch eine optimierte Datenkonsistenz von rund 80 auf über 99 Prozent zu steigern. Bei der Überprüfung von Kabeln erzielten die Tübinger mit ihrer Methode bei einem ihrer Kunden ebenfalls einen Sprung von knapp über 80 auf mehr als 99 Prozent Erkennungsrate, in einer anderen Anwendung konnten Automotive-Komponenten statt mit 85 sogar mit 100 Prozent Sicherheit verifiziert werden.
Nicht immer war dabei die Entwicklung einer komplett neuen Inspektionszelle erforderlich: Die Experten von Maddox AI analysieren üblicherweise zunächst das vorhandene Kamera-Equipment und können existierende Komponenten bei Eignung auch weiterverwenden. So muss nicht zwingend in neue Kamera-Hardware investiert werden: Die Maddox AI-Software liefert in Kombination mit der bestehenden Hardware eine optimale Prüfgenauigkeit.

INFOS | KONTAKT
Maddox AI GmbH
Bismarckstrasse 136
D-72072 Tübingen
T +49 (0)159 01479 983
www.maddox.ai
info@maddox.ai