Zu Beginn unserer Zusammenarbeit besuchten wir das Werk des Kunden, um die aktuellen Herstellungs- und Beschichtungsprüfprozesse, die IT-Infrastruktur sowie die Anforderungen und Richtlinien zur Fehlervalidierung zu untersuchen.

Auf der Grundlage unserer Erkenntnisse konzipierten wir eine auf neuronalen Netzen basierende Computer-Vision-Lösung. Mit dem Ziel einer unterbrechungsfreien Anpassung der Produktionspipeline schlugen wir vor, die KI-Erkennung in der letzten Phase des Produktionsprozesses mit Hilfe einer Hochvergrößerungskamera zu ermöglichen, die Bilder von Behältern erfasst und zur Analyse an die KI-Lösung sendet. Je nach Ergebnis würde der Behälter entweder für den Versand freigegeben oder als fehlerhaft eingestuft werden.

Eine der wichtigsten Projektanforderungen bestand darin, sicherzustellen, dass das KI-Modell Beschichtungsbereiche auf der Grundlage der Beschichtungsqualität segmentieren kann. Um dies zu ermöglichen, arbeiteten wir mit dem Kunden zusammen, um einen Datensatz mit etwa 1.000 beschrifteten Bildern vorzubereiten, um das KI-Modell richtig zu trainieren. Darüber hinaus haben wir eine Pipeline für die automatische Umschulung des Modells eingerichtet, damit es im Laufe der Zeit auf der Grundlage von Live-Daten lernt und seine Ergebnisse ohne menschliches Zutun anpasst.

Wir unterteilten den Einführungsprozess der Lösung in mehrere Phasen. Zunächst führten wir die KI-Lösung in allen Produktionslinien ein, um sie parallel zum bestehenden Arbeitsablauf der Fehlererkennung laufen zu lassen, damit wir ihren Betrieb beobachten konnten. Unter analysierten und validierten wir die Systemausgabe für jedes Bild, z. B. ob ein Defekt erkannt wurde, ob keine Defekte vorlagen und wo der Defekt gefunden wurde, und trainierten die Lösung auf der Grundlage identifizierter Grenzfälle neu , damit sie die erwartete Genauigkeitsschwelle erreicht.

Nach drei Überprüfungs- und Nachtrainingszyklen erreichten wir eine Systemgenauigkeit von 99,3 %, die wir anhand von 10.000 Produkten überprüft haben. Schließlich erhielten wir die Genehmigung der Qualitätskontrollabteilung, das System vollständig in Betrieb zu nehmen,das den bisherigen Prozess ersetzt.

Die gelieferte KI-Lösung führt automatisch die folgenden Aufgaben zur Fehlererkennung aus:

• Schätzung der Fläche der Schutzbeschichtung und ihres Anteils an der Gesamtfläche des Behälters
• Identifizierung von Beschichtungslücken und deren prozentualen Anteilen
• Misst die Schichtdicke und erkennt dünne Schichten
• Trifft die Entscheidung , ob das Produkt fehlerhaft ist oder nicht
• Sendet automatische Warnungen an das Fördersystem, um fehlerhafte Behälter zu entfernen

Wir führten die KI-Lösung in der lokalen Umgebung des Kunden ein, um sicherzustellen, dass sie unabhängig von der Internetverbindung ohne Unterbrechung funktioniert und die Fehlererkennung in Echtzeit ermöglicht. Nach der Bereitstellung überwachte unser Team die Lösung, um eine Modellabweichung zu verhindern, und arbeitete mit den Produktions- und IT-Teams des Kunden zusammen, um neue Funktionen zu entwickeln, die Erkennungsfunktionen der Lösung zu verbessern und fortlaufend beratende Unterstützung zu leisten.