Künstliche Intelligenz

Eine App zur Bauteilerkennung

In der Bildverarbeitung kommt künstliche Intelligenz seit langem zum Einsatz. Neuronale Netze erkennen beispielsweise Objekte des alltäglichen Lebens mit einer höheren Genauigkeit wieder als der Mensch. Forscher des Fraunhofer-Instituts für Produktionsanlagen und Konstruktionstechnik IPK nutzen dies und passen die Algorithmen für Industrieanwendungen an – beispielsweise zur Bauteilerkennung.
Bild: Fraunhofer-Institut IPK

Unternehmen produzieren zunehmend an verschiedenen Standorten und arbeiten mit mehreren Zulieferfirmen zusammen. Dabei sind nicht alle gelieferten Bauteile mit Barcodes oder Typenschildern ausgestattet, weshalb die entsprechenden Gegenstände im Wareneingang erneut zugeordnet werden müssen. Ein manueller Prozess, bei dem Mitarbeiter in einem Katalog nach ähnlichen Einzelteilen suchen, um diese für die logistische Weiterverarbeitung eindeutig identifizieren zu können. Einer Möglichkeit, diesen Prozess zu beschleunigen, widmet sich das Fraunhofer IPK in Berlin. Dabei bedienen sich die Forscher dem maschinellen Lernen. Sie nutzen sogenannte Convolutional Neural Networks (CNNs) für die Wiedererkennung von Bauteilen aus dem Produktionsumfeld. Dazu gehören etwa Schrauben, Klemmen, Stutzen, Rohre, Schläuche, Kabel, Microcontroller und andere Elektronik.

Wareneingang entlasten

„In der Bildverarbeitung haben sich CNNs durchgesetzt. Um verlässlich etwa 1.000 Objekte des alltäglichen Lebens zu erkennen, sind eine Million Bilder erforderlich, die diese Netze als Trainingsdaten nutzen. Unsere Aufgabe war es, auch mit wenig Daten einen Algorithmus für Industrieanwendungen zu generieren, um in unserem Fall Bauteile ohne Code automatisiert wiederzuerkennen und den Werker am Wareneingang zu entlasten. Ziel ist es, dass der Algorithmus problemlos auch stark ähnliche Objekte voneinander unterscheiden kann, wie etwa Schrauben der gleichen Norm, aber unterschiedlicher Größen, oder Turbolader unterschiedlicher Baureihen“, sagt Jan Lehr, Wissenschaftler am Fraunhofer IPK. „Mithilfe von eigens entwickelten Algorithmen schränken wir den Suchradius auf fünf bis zehn Objekte ein. Der Mitarbeiter muss nicht mehr in der kompletten Palette suchen, die ein Großlager umfasst.“

Um dies zu realisieren, entwickelt das Forschungsteam mit dem Logic.Cube ein Erfassungssystem. Die zu erkennenden Objekte mit einer maximalen Kantenlänge von 40 Zentimetern werden in die würfelförmige Vorrichtung mit integrierter Waage gelegt und dort mit bis zu neun Kameras aufgenommen. Ein Bildverarbeitungsalgorithmus vermisst Höhe, Breite und Länge der Gegenstände, um die Größe des erforderlichen Kartons oder des Regallagerplatzes berechnen zu können. Zeitgleich wird das fotografierte Bilderset zusammen mit der Materialnummer in einer Datenbank gespeichert. Die gesammelten Daten werden dann genutzt, um den KI-Algorithmus zu trainieren, sodass er in der Lage ist, die unterschiedlichsten Bauteile wiederzuerkennen.

Auch als App

Das Forscherteam hat die Funktionen des Erfassungssystems zudem in eine browserbasierte, betriebssystemunabhängige App übertragen, die auf Smartphones, Tablets, Laptops und Desktop-Rechnern läuft. Dabei musste der Trainingsdatensatz mit Smartphone-Daten angereichert und neu trainiert werden. „Wir haben die Algorithmen mit hundert Bauteilen getestet, die in unterschiedlichsten Szenen fotografiert wurden. Pro Bauteil wurden 50 Bilder aufgenommen. Die App zeigt dem Anwender innerhalb von wenigen Sekunden fünf und weniger infrage kommende Bauteile an, unabhängig vom Licht, vom Hintergrund und von der Szenerie. Die Erkennung ist so robust, dass sie die manuelle Suche ersetzen kann“, sagt der Ingenieur. Im Logic.Cube wurden Erkennungsraten von 98 Prozent erzielt, der Suchradius wurde von 4.500 Bildern auf fünf eingeschränkt. Eine ebensolche Erfolgsquote soll künftig mit der App erzielt werden.

Lernendes System

Dabei werden die Bilder übers Internet oder das firmeneigene Intranet in einer lokalen Edge-Cloud abgelegt. Dort findet auch die eigentliche Bildverarbeitung und Wiedererkennung statt. Das Gesamtsystem ist so gestaltet, dass es bei der Benutzung fortlaufend weitere Daten sammelt, die nach einer bestimmten Zeit für ein erneutes Anlernen der Algorithmen verwendet werden können.

Derzeit arbeiten die Forscher daran, das Set an Bilddaten zu erweitern, den Katalog zu digitalisieren und in die App zu integrieren. Alle nachfolgenden Prozesse, wie die Weiterbearbeitung und eventuelle Nachbestellung, sollen künftig über die Edge-Cloud angestoßen werden. Zudem optimieren Lehr und seine Kollegen die Algorithmen, um auch stark ähnlich aussehende Objekte wiedererkennen zu können. In den erfolgten Testläufen war das System in der Lage, sogar Schrauben der gleichen Norm, aber unterschiedlicher Größe korrekt wiederzuerkennen.

Fraunhofer-Institut IPM

Das könnte Sie auch Interessieren

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.