Verbesserte Bildverarbeitung mit KI und Deep Learning

Entdecken Sie, wie künstliche Intelligenz und Deep-Learning-Algorithmen unsere Inspektionssysteme unterstützen und so eine unvergleichliche Genauigkeit und Effizienz bei der Qualitätskontrolle gewährleisten.

Künstliche Intelligenz in der optischen Prüfung

In der sich ständig weiterentwickelnden Kunststoffverpackungsindustrie hat die Einhaltung höchster Produktqualitätsstandards nach wie vor oberste Priorität. Die Rolle der optischen Inspektion als wichtiges Element der Qualitätssicherung hat eine beachtliche Entwicklung durchlaufen - dank innovativen Deep-Learning-Technologien. Durch die Nutzung der Möglichkeiten des Deep Learning konnten die Prozesse der optischen Inspektion in der Fertigungsbranche erheblich verbessert werden, was zu einer höheren Genauigkeit, Effizienz und insgesamt zu einer Steigerung der Produktqualität führt.

Im Folgenden wollen wir einige der KI-Lösungen vorstellen, die wir für unsere Bildverarbeitungssysteme entwickelt haben. Durch die Integration modernster Deep-Learning-Algorithmen in unsere bereits robuste Bildverarbeitungstechnologie halten wir nicht nur mit den Industriestandards Schritt, sondern definieren sie neu. Unser Ansatz besteht darin, die Leistungsfähigkeit der KI für die Analyse und Auswertung komplexer visueller Daten in Hochgeschwindigkeitsanwendungen nutzbar zu machen. Dies ermöglicht die Erkennung selbst kleinster Mängel und stellt sicher, dass jedes Produkt, das die Produktionslinie verlässt, die höchstmögliche Qualität aufweist. Von der Erkennung feiner Farb- und Strukturabweichungen bis hin zur Erkennung komplizierter Muster und Formen - unsere KI-gestützten Bildverarbeitungssysteme sind in der Lage, das gesamte Spektrum der Qualitätskontrolle mit höchster Präzision und Effizienz zu bewältigen.

Auf einem Blick

Die wichtigsten Vorteile von Künstlicher Intelligenz in der optischen Inspektion

Automatisierte Fehlererkennung

Verbesserte Qualitätskontrolle durch auf großen Datensätzen trainiertes Deep Learning

Anomalieerkennung

Mehr als nur Mustererkennung: Versteckte Mängel aufdecken und Unregelmäßigkeiten erkennen

Adaptives Lernen

Sicherstellung der Produktqualität unter komplexen und wechselnden Produktionsbedingungen

Kontinuierliche Feedback-Schleifen

Anpassung und Verbesserung der Genauigkeit, auch wenn sich die Produkte verändern

Weniger falsch positive und negative Ergebnisse

Verbesserung der Fehlererkennungsgenauigkeit und Minimierung von Inspektionsfehlern

Qualitätsvorhersagen

Proaktive Wartung, um Defekte zu vermeiden, bevor sie entstehen, und um die OEE zu erhöhen

Deep Learning für Tethered Caps

Bisher benötigten Bildverarbeitungssysteme eine große Anzahl von Mustern zur Einrichtung, die alle Arten von Verschlussfehlern enthielten, die erkannt werden sollten. Dieser Ansatz stieß schnell an seine Grenzen oder verursachte zusätzlichen Entwicklungsaufwand, wenn Spezialverschlüsse oder Tethered Caps inspiziert wurden. Nun wurde eine auf Deep Learning basierende Softwarelösung implementiert: Sie verbessert dieses zeitaufwändige Verfahren und ermöglicht die Erkennung verschiedener Verschlussdefekte auch bei anspruchsvollen Verschlusstypen.

Mit unserem neuen Ansatz kann der Bediener das System auf der Grundlage eines Pools von einigen wenigen Gutteilen trainieren, wodurch sichergestellt wird, dass Abweichungen von den definierten „guten“ Verschlüssen automatisch aussortiert werden. Das bedeutet, dass unser System selbst die kleinsten Unvollkommenheiten erfasst und sicherstellt, dass Ihre Produkte den höchsten Qualitätsstandards entsprechen.

In der Vergangenheit waren die Verschlüsse in der Regel rotationssymmetrisch und es war keine Ausrichtung erforderlich. Mit der Einführung der Tethered Caps haben sich neue, asymmetrische Geometrien und Designs auf dem Markt etabliert. Unser neuer Software-Ansatz sorgt dafür, dass auch komplexe, asymmetrische Designs geprüft werden können. Dabei ist es nicht notwendig, die Verschlüsse auszurichten, da die Software mit Verschlüssen in verschiedenen Drehpositionen geschult ist.

Das Einrichten der Inspektion ist besonders intuitiv. Die Referenzerstellung ermöglicht es dem Bediener, die Bereiche zu definieren, die auf Fehler geprüft werden sollen. Der Bediener verwendet einen Toleranzwert, um bei der Auswertung zwischen einem guten und einem schlechten Verschluss zu unterscheiden. Dadurch ist die volle Kontrolle über die Produktionsqualität und die Inspektion stets gewährleistet.

Im folgenden Video erfahren Sie weitere Details über die KI bei der Verschlusskontrolle.

Verbesserte Preform-Erkennung durch neuronales Netz

Der PreMon nutzt KI zur präzisen Positionserkennung von Preforms. So wird die Einrichtung neuer Produkte durch die automatische Erkennung von Preforms ohne manuelle, zeitaufwändige Einrichtungsschritte vereinfacht.

Ursprünglich wurden klassische Algorithmen mit Mustervergleich eingesetzt, die sich jedoch bei hochtransparenten Preforms, variierenden Förderbandabständen, verschmutzten Förderbändern und anderen schwierigen Situationen als unzuverlässig erwiesen. Um diese Einschränkungen zu überwinden, wurde ein neuronales Netzwerk entwickelt, das nun in allen PreMon-Systemen eingesetzt wird. Diese fortschrittliche KI-Lösung gewährleistet eine konsistente und genaue Erkennung von Preforms und verbessert die Effizienz und Zuverlässigkeit der Preform-Überwachung.

Herausforderungen bei No-label-look-IML überwinden

Fortschrittliche Algorithmen mit künstlicher Intelligenz verändern die Landschaft der IML-Qualitätskontrolle, insbesondere im Hinblick auf transparente Etiketten auf transparenten Trägern. Dies stellte bisher eine große Hürde dar und führte zu unerwünschten Ausschüssen.

Unser KI-gestützter IMLWatcher prüft auf Abweichungen vom Referenzbild, z. B. fehlende oder falsche Etiketten, Hinterspritzungen und dergleichen. Durch den Einsatz einer Kamera, die von oben in den Behälter hineinschaut, und eines speziellen Objektivs können die Produkte in jeder beliebigen Drehung vor der Kamera positioniert werden, was eine genaue Inspektion auch bei starken Ausrichtungsfehlern gewährleistet. Das Einrichten eines neuen Produkts ist in nur zwei kleinen Schritten erledigt, danach ist das System prüfbereit. Ein Anomalie-Score zeigt Abweichungen an und ermöglicht es dem Bediener, die Toleranzwerte auf der Grundlage seiner spezifischen Qualitätsanforderungen anzupassen.

Steigerung der Genauigkeit der Sleeve-Label-Inspektion mit KI

Der SleeveWatcher verwendet eine KI-gesteuerte Anomalieerkennung, die im Vergleich zu herkömmlichen Methoden eine höhere Robustheit bietet. Im Gegensatz zur herkömmlichen Inspektion, die bei Produktvariationen inkonsistent sein kann, identifiziert die Anomalieerkennung nur ungewöhnliche Ereignisse und außergewöhnliches Verhalten in Datensätzen. Sie wertet Abweichungen vom typischen Erscheinungsbild von Sleeve-Etiketten aus.

Glänzende Sleeve-Etiketten können beispielsweise Reflexionen verursachen, die von herkömmlichen Methoden fälschlicherweise als Defekte eingestuft werden, was zu Fehlauswurf führt. Das KI-System erkennt solche Reflexionen jedoch als normale Variationen und kann so echte Defekte von harmlosen Abweichungen genau unterscheiden. Dies führt zu einer deutlich verbesserten Präzision und Konsistenz bei der Prüfung von Etiketten.

intravis-sleeve-vision-inspection-sleevewatcher-system-product-software-1920x1280px

FAQs über die Intravis KI

KI ist zwar ein leistungsfähiges Werkzeug, das Bildverarbeitungsprüfsysteme erheblich verbessert, aber sie ist keine Universallösung für jedes Problem. Die KI-gesteuerte Bildverarbeitungsprüfung bietet bemerkenswerte Vorteile, wie z. B. höhere Genauigkeit, Effizienz und die Fähigkeit, komplexe Aufgaben zu bewältigen. Ihre Effektivität hängt jedoch von mehreren Faktoren ab, wie z. B. der richtigen Implementierung, der Qualität der Daten und den spezifischen Anwendungsanforderungen.

KI zeichnet sich durch die Identifizierung von Mustern, die Erkennung von Anomalien und das Treffen von Entscheidungen in Echtzeit aus, wodurch Qualitätskontrollprozesse erheblich verbessert werden können. Dennoch sind herkömmliche Methoden und die menschliche Beaufsichtigung nach wie vor von entscheidender Bedeutung, insbesondere in Situationen, in denen die KI an ihre Grenzen stößt oder eine Feinabstimmung erforderlich ist. Die Integration von KI mit bestehenden Technologien und Fachkenntnissen gewährleistet einen ausgewogenen Ansatz, bei dem die Stärken von KI sowie herkömmlichen Methoden genutzt werden, um optimale Ergebnisse in Bildverarbeitungsprüfsystemen zu erzielen.
Künstliche Intelligenz in Bildverarbeitungssystemen geht über das bloße Erkennen von Fehlern hinaus. KI kann auch die vorausschauende Wartung und Qualitätsprognose verbessern. Durch die Analyse von Verlaufs- und Echtzeitdaten können KI-Modelle potenzielle Probleme in Maschinen oder Prozessen vorhersagen und so eine proaktive Wartung ermöglichen, um Defekte zu verhindern, bevor sie auftreten. Diese Vorhersagefunktion verbessert die Gesamtanlageneffektivität (OEE) und gewährleistet eine gleichbleibende Produktqualität, indem sie verwertbare Erkenntnisse und Trends liefert.

Ein erster Schritt in Richtung einer vollständigen Datennutzung ist mit dem IntraVisualizer möglich. Dabei handelt es sich um eine Datenanalysesoftware, die alle Qualitätsdaten der INTRAVIS-Inspektionssysteme an einem Ort sammelt und analysiert.
Deep-Learning-Modelle verbessern die Genauigkeit von Bildverarbeitungsprüfsystemen erheblich, indem sie große Datenmengen analysieren, um subtile Muster und Anomalien zu erkennen. Herkömmliche Prüfmethoden beruhen oft auf vordefinierten Regeln und manueller Prüfung, wodurch komplexe Fehler oder Abweichungen in der Produktqualität übersehen werden können. Im Gegensatz dazu lernen Deep-Learning-Modelle aus großen Datensätzen von Bildern und anderen relevanten Informationen, so dass sie komplizierte Details, die auf einen Defekt hinweisen könnten, erkennen und verstehen können.

Diese Modelle verwenden neuronale Netze zur Verarbeitung und Analyse von Daten und lernen so, zwischen akzeptablen Abweichungen und echten Mängeln zu unterscheiden. Dank dieser Lern- und Anpassungsfähigkeit sind Deep-Learning-Modelle besonders effektiv bei der Erkennung subtiler Anomalien, die mit herkömmlichen Inspektionstechniken unbemerkt bleiben könnten.

Darüber hinaus verbessern sich Deep-Learning-Modelle im Laufe der Zeit kontinuierlich, wenn sie mit mehr Daten konfrontiert werden. Dieser kontinuierliche Lernprozess bedeutet, dass die Genauigkeit der Fehlererkennung zunimmt, was zu einer zuverlässigeren und konsistenteren Qualitätskontrolle führt. Infolgedessen können Hersteller eine höhere Produktqualität erreichen und Abfall, Nacharbeit und Kundenbeschwerden reduzieren.
Herkömmliche Prüfmethoden stützen sich auf statische Kriterien und vordefinierte Regeln, die bei der Handhabung komplexer und variabler Muster ihre Grenzen haben können. KI verbessert die Genauigkeit von Bildverarbeitungsprüfsystemen durch kontinuierliches Lernen aus riesigen Datenmengen, was die Fähigkeit zur Erkennung und Kategorisierung von Fehlern verbessert. KI-Systeme entwickeln sich im Laufe der Zeit weiter und verfeinern ihre Algorithmen auf der Grundlage neuer Daten und Rückmeldungen. Dieser dynamische Lernprozess verringert die Wahrscheinlichkeit menschlicher Fehler und stellt sicher, dass die Bewertungen konsistent und präzise bleiben, auch wenn sich die Produktionsbedingungen oder das Produktdesign ändern.

Darüber hinaus sind fortschrittliche KI-Algorithmen in der Lage, subtile Muster und Korrelationen in den Daten zu erkennen, die für menschliche Prüfer möglicherweise nicht ersichtlich sind. So kann ein KI-System beispielsweise komplexe Zusammenhänge zwischen verschiedenen Fehlertypen und bestimmten Stufen im Fertigungsprozess erkennen, was zu einer effektiveren Ursachenanalyse und Prozessoptimierung führen kann. Diese Detailgenauigkeit ist besonders in Branchen von Vorteil, in denen es auf hohe Präzision und strenge Qualitätskontrolle ankommt. Durch den Einsatz von KI können Hersteller höhere Qualitätsstandards erreichen, Ausschuss minimieren und die betriebliche Effizienz insgesamt verbessern.
Ja, KI kann die frühzeitige Wartung erheblich verbessern. Durch die Analyse von historischen und Echtzeitdaten können KI-Algorithmen Muster und Anomalien erkennen, die auf potenzielle Maschinenprobleme hinweisen, bevor sie zu Ausfällen führen. Diese vorausschauende Fähigkeit ermöglicht eine proaktive Wartung, die Probleme angeht, bevor sie entstehen, und unerwartete Ausfallzeiten reduziert. Dadurch wird die Effektivität der Anlagen erhöht, die Wartungskosten werden gesenkt und die allgemeine Zuverlässigkeit und Effizienz des Produktionsprozesses wird verbessert. Die Implementierung von KI-gesteuerter präventiver Wartung stellt sicher, dass Inspektionssysteme einsatzbereit sind und bestmöglich funktionieren sowie eine gleichbleibende Produktqualität und Produktionseffizienz gewährleisten.
Die Implementierung von KI in bestehende Bildverarbeitungsprüfsysteme kann unkompliziert sein, da unsere KI-Lösungen so konzipiert sind, dass sie sich nahtlos in die vorhandene Hardware und Software integrieren lassen. Dadurch werden die Prüfmöglichkeiten verbessert, ohne dass eine komplette Systemerneuerung erforderlich ist. Wie reibungslos die Integration abläuft, hängt von den spezifischen Merkmalen und dem Aufbau Ihrer bestehenden Systeme ab.

Unser Team unterstützt Sie gerne während des gesamten Prozesses, um einen reibungslosen Übergang und eine optimale Integration zu gewährleisten. Wir arbeiten eng mit Ihnen zusammen, um die Anforderungen an Ihr System zu verstehen und KI-Lösungen auf Ihre Bedürfnisse zuzuschneiden. Bitte kontaktieren Sie uns für einen Upgrade-Check!

Finden Sie heraus, wie KI Ihren Produktionsprozess unterstützen kann

Entdecken Sie die Leistungsfähigkeit unserer KI-gesteuerten Softwarelösungen, die auf ein breites Spektrum von Produkten in der Kunststoffverpackungsindustrie zugeschnitten sind. Entdecken Sie, wie sie Ihre Abläufe optimieren können!

Nehmen Sie Kontakt mit uns auf