Home
Portfolio
KI-gestützte Qualitätskontrolle

KI-gestützte Qualitätskontrolle

Der Kunde wollte sein Angebot an Testgeräten erweitern, um die Qualitätskontrolle in Produktionsumgebungen zu automatisieren und zu verbessern. Das Team von Itransition validierte die Eignung von KI für die automatisierte Vermessung von Koffeinbeuteln und die Erkennung von Abweichungen von vordefinierten Standards und lieferte eine skalierbare, produktionsreife KI-Lösung.

99,1%

Genauigkeit bei der Defekterkennung

1,5 Sekunden

Prüfzeit pro Produkt

60%

kürzere Anlaufzeit der Anlage

Engagement-Modell

Vollständige Projektauslagerung

Über den Kunden

Unser Kunde ist ein grosses Produktionsunternehmen mit Niederlassungen in ganz Nordamerika. Das Unternehmen ist auf Test- und Messlösungen für die Lebensmittel- und Getränkeindustrie spezialisiert.

Branche

Fertigung

Unternehmensart

Privat

Region

Nordamerika

Die Herausforderung

Das Angebot des Kunden umfasste Anlagen für die Qualitätskontrolle von Koffeinbeuteln. Bei diesem Produkttyp sind präzise Geometrie und eine korrekte Versiegelung aller Nähte entscheidend. Jede Abweichung von strengen Produktionsvorgaben kann dazu führen, dass der Beutel bei der Nutzung aufreisst.

Die Anlagen des Kunden nutzten bereits Automatisierung für die Defektprüfung, basierten jedoch auf klassischen statistischen und mathematischen Algorithmen. Mit wachsender Vielfalt an Beuteltypen und Marken führte dieser Ansatz zu Fehlern und begrenzte die Skalierbarkeit deutlich, da jede neue Variante eine manuelle Anpassung des Algorithmus erforderte.

Der Kunde brauchte deshalb eine Lösung, die effizient skaliert, ohne zeitaufwendige Konfiguration für jede Variante. Außerdem musste die Lösung sowohl auf neuen Testgeräten als auch auf legacy Hardware mit begrenzter Rechenleistung eingesetzt werden können.

Die Lösung

Auf einen Blick

Itransition führte eine Discovery-Phase durch, entwickelte einen Proof of Concept zur Bewertung der KI-Eignung für die Vermessung von Produktdimensionen und die Defekterkennung und lieferte eine skalierbare Lösung für den produktiven Einsatz.

Discovery

Itransition führte eine Discovery-Session durch und empfahl eine Full-Cycle-KI-Lösung, die in der Lage ist, Verpackungsdimensionen wie Länge, Breite, Kantengeometrie und Siegelposition bei Koffeinbeuteln automatisch zu messen sowie Abweichungen von vordefinierten Standards zu erkennen. Im Gegensatz zu klassischen algorithmischen Ansätzen bietet eine KI-basierte Lösung eine stärkere Generalisierungsfähigkeit und kann effektiv auf verschiedene Beuteltypen angewendet werden.

Proof-of-Concept-Erstellung

Um die KI-Eignung für die Vermessung und Defekterkennung von Koffeinbeuteln auf der Hardware des Kunden zu demonstrieren, startete Itransition mit einem Proof of Concept. Da der Kunde einen umfangreichen Bestand realer Produktionsbilder für Entwicklung und Validierung bereitstellte, konnten wir direkt in die Modellentwicklung einsteigen. In der PoC-Phase nutzten wir einen Datensatz mit 1.500 Bildern, um ein Segmentierungsnetz zu trainieren, das anschließend in die Geräte des Kunden integriert wurde.

Nach Eingang eines Bildes segmentierte das Modell relevante Verpackungsbereiche, wodurch das System notwendige Masse wie Länge, Breite und Siegelposition berechnen konnte. Als Ausgabe lieferte das System eine JSON-Datei sowie ein markiertes Bild mit Messwerten und Informationen zu erkannten Defekten und deren Position.

Die Lösung wurde im Shadow-Mode gestartet, in dem die alte und die neue Software parallel liefen und unabhängig Entscheidungen trafen. Alle Abweichungen in den Ergebnissen wurden zusätzlich durch Experten analysiert. Auf Basis dieser Analysen konnte unser Team das System weiter verfeinern. Hauptziel dieser Phase war es, die für den produktiven Einsatz erforderliche Qualität zu erreichen, gefolgt von der Leistungsoptimierung.

Leistungsoptimierung

Obwohl der PoC die Qualität der Lösung bestätigte, war die Performance durch die Legacy-Hardware des Kunden mit begrenzter Rechenkapazität eingeschränkt. Das System lief auf einer reinen CPU-Konfiguration ohne Internet- oder GPU-Zugriff, was die Möglichkeiten für den Einsatz von Computer-Vision-Lösungen begrenzte.

Um diese Einschränkungen zu überwinden und die notwendige Verarbeitungsgeschwindigkeit zu erreichen, implementierte unser Team mehrere Optimierungen, die zu einer 5-fachen Beschleunigung führten:

Bildkompression zur Reduzierung der Eingabegröße und Beschleunigung der Verarbeitung
Modell-Quantisierung zur Senkung der Rechenlast und Verbesserung der Reaktionsfähigkeit
Ein konfigurierbarer Ausgabemodus, mit dem der Kunde je nach betrieblichem Bedarf unterschiedliche Parametersätze auswerten kann

Trotz der Hardwarebeschränkungen konnte der PoC die Eignung der KI-basierten Inspektion erfolgreich nachweisen.

Rollout der Gesamtlösung

Nach dem PoC erweiterte der Kunde den Datensatz deutlich um weitere Verpackungsdesigns, neue Marken, komplexere Geometrien und nicht standardisierte Fälle. Nachdem die nötige Qualität und Performance auf einer Maschine im Shadow-Mode erreicht waren, wurde diese Maschine unter menschlicher Aufsicht in den Produktivbetrieb überführt. Nach einem Monat Betrieb gab das Qualitätskontrollteam des Kunden die KI-Lösung für den produktiven Einsatz frei. Danach wurde das System in vier Stufen auf alle Maschinen des Kunden ausgerollt. Jede Stufe umfasste einen Monat überwachten Betrieb; der Übergang zur nächsten Stufe erfolgte erst nach erfolgreichem Abschluss der vorherigen.

Die neue Lösung arbeitete wie folgt:

Die Kamera am Förderband erfasst ein Bild
Das neuronale Netz segmentiert das Bild in vier vordefinierte Bereiche
Das System berechnet die erforderlichen Masse jedes Segments (Abmessungen und Koordinaten)
Auf Basis der Messwerte bestimmt das Modell die Merkmale einer Referenzverpackung und bewertet jede Probe gegen diese Referenz
Die Lösung gibt eine JSON-Datei und ein markiertes Bild zurück, informiert über Defekte und markiert die genaue Position erkannter Defekte

Das trainierte Modell konnte sowohl Standard- als auch Sondergeometrien verarbeiten und war damit für den produktiven Einsatz in großem Umfang geeignet.

Das Ergebnis

Wir haben eine skalierbare, produktionsreife KI-Lösung geliefert, die aus einem Machbarkeits-PoC hervorging und Hardwarebeschränkungen überwand. Damit erzielte der Kunde folgende Verbesserungen: