Home
Portfolio
KI-gestützte Qualitätskontrolle

KI-gestützte Qualitätskontrolle

Der Kunde wollte sein Testgeräte-Angebot zur Automatisierung und Verbesserung der Qualitätskontrolle in Produktionsumgebungen ausbauen. 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

Ausfuehrungszeit der Qualitaetskontrolle pro Produkt

60%

kuerzere Einlaufzeit der Anlage

Kaffeebohnen fuer die Qualitaetskontrolle

Engagement-Modell

Vollstaendige Projektauslagerung

Ueber den Kunden

Unser Kunde ist ein grosses Produktionsunternehmen mit Niederlassungen in ganz Nordamerika. Das Unternehmen ist auf Test- und Messloesungen fuer die Lebensmittel- und Getraenkeindustrie spezialisiert.

Branche

Fertigung

Unternehmensart

Privat

Region

Nordamerika

Die Herausforderung

Das Angebot des Kunden umfasste Anlagen fuer die Qualitaetskontrolle von Koffeinbeuteln. Bei diesem Produkttyp sind praezise Geometrie und eine korrekte Versiegelung aller Naehte entscheidend. Jede Abweichung von strengen Produktionsvorgaben kann dazu fuehren, dass der Beutel bei der Nutzung aufreisst.

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

Der Kunde brauchte deshalb eine Loesung, die effizient skaliert, ohne zeitaufwendige Konfiguration fuer jede Variante. Ausserdem musste die Loesung sowohl auf neuen Testgeraeten als auch auf legacy Hardware mit begrenzter Rechenleistung eingesetzt werden koennen.

Die Loesung

Auf einen Blick

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

Discovery

Itransition fuehrte eine Discovery-Session durch und empfahl eine Full-Cycle-KI-Loesung, die in der Lage ist, Verpackungsdimensionen wie Laenge, Breite, Kantengeometrie und Siegelposition bei Koffeinbeuteln automatisch zu messen sowie Abweichungen von vordefinierten Standards zu erkennen. Im Gegensatz zu klassischen algorithmischen Ansaetzen bietet eine KI-basierte Loesung eine staerkere Generalisierungsfaehigkeit und kann effektiv auf verschiedene Beuteltypen angewendet werden.

Proof-of-Concept-Erstellung

Um die KI-Eignung fuer 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 fuer Entwicklung und Validierung bereitstellte, konnten wir direkt in die Modellentwicklung einsteigen. In der PoC-Phase nutzten wir einen Datensatz von 1.5k Bildern, um ein Segmentierungsnetz zu trainieren, das anschliessend in die Geraete des Kunden integriert wurde.

Nach Eingang eines Bildes segmentierte das Modell relevante Verpackungsbereiche, wodurch das System notwendige Masse wie Laenge, Breite und Siegelposition berechnen konnte. Als Ausgabe lieferte das System eine JSON-Datei sowie ein markiertes Bild mit Messwerten, Defektvalidierung und Defektposition, sofern vorhanden.

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

Leistungsoptimierung

Obwohl der PoC die Qualitaet der Loesung bestaetigte, war die Performance durch die Legacy-Hardware des Kunden mit begrenzter Rechenkapazitaet eingeschraenkt. Das System lief auf einer CPU-only-Konfiguration und ohne Internet- sowie GPU-Zugriff, was den Einsatz von Computer-Vision-Loesungen begrenzte.

Um diese Einschraenkungen zu ueberwinden und die notwendige Verarbeitungsgeschwindigkeit zu erreichen, implementierte unser Team mehrere Optimierungen, die zu einer 5-fachen Beschleunigung fuehrten:

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

Trotz der Hardwaregrenzen konnte der PoC am Ende erfolgreich die Eignung fuer eine KI-basierte Inspektion nachweisen.

Rollout der Gesamtloesung

Nach dem PoC erweiterte der Kunde den Datensatz deutlich um weitere Verpackungsdesigns, neue Marken, komplexere Geometrien und nicht standardisierte Faelle. Nachdem die noetige Qualitaet und Performance auf einer Maschine im Shadow-Mode erreicht waren, wurde diese Maschine unter menschlicher Aufsicht in den Produktivbetrieb ueberfuehrt. Nach einem Monat Betrieb gab das Qualitaetskontrollteam des Kunden die KI-Loesung fuer den produktiven Einsatz frei. Danach wurde das System in vier Stufen auf alle Maschinen des Kunden ausgerollt. Jede Stufe umfasste einen Monat ueberwachten Betrieb; der Uebergang zur naechsten Stufe erfolgte erst nach erfolgreichem Abschluss der vorherigen.

Die neue Loesung arbeitete wie folgt:

Die Kamera am Foerderband 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 Loesung gibt eine JSON-Datei und ein markiertes Bild zurueck, informiert ueber Defekte und markiert die genaue Position erkannter Defekte

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

Das Ergebnis

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