{"id":1992,"date":"2026-10-28T07:42:02","date_gmt":"2026-10-28T07:42:02","guid":{"rendered":"https:\/\/benlongkj.com\/?p=1992"},"modified":"2026-10-28T07:42:06","modified_gmt":"2026-10-28T07:42:06","slug":"ai-vision-inspection","status":"publish","type":"post","link":"https:\/\/benlongkj.com\/de\/blog\/ai-vision-inspection\/","title":{"rendered":"KI-Visionspr\u00fcfung in der Fertigung: Wie sie sich von der maschinellen Sichtpr\u00fcfung an einer echten Montagelinie unterscheidet"},"content":{"rendered":"

Der Miniatur-Leistungsschalter ist nur noch einen Schritt davon entfernt, dass seine Abdeckung eingerastet wird. Innerhalb von zwei oder drei Sekunden muss die Kamera \u00fcberpr\u00fcfen, ob die Nieten vorhanden sind, der Griff richtig montiert ist und die Laser-Markierungen angebracht wurden. Das regelbasierte Vision-System erkennt eine Niete mit etwas mehr Glanz als die Standardniete und meldet sie als nicht vorhanden. Der Bediener setzt den Alarm zur\u00fcck und dasselbe passiert zehn Minuten sp\u00e4ter. KI-Visionsinspektion<\/span> funktioniert auf eine v\u00f6llig andere Weise. Das System folgt nicht einfach den Regeln des Ingenieurs, sondern lernt anhand einer Sammlung von Bildern, wie ein gutes Produkt aussieht.<\/p>\n

Kurz gesagt basiert die KI-Visionsinspektion auf Industriekameras und einem Deep-Learning-Modell, das mit Bildern verschiedener Komponenten trainiert wurde, um zu bestimmen, ob ein Produkt die Qualit\u00e4tsstandards erf\u00fcllt. KI hat den Vorteil bei der Erkennung von Defekten, die keine feste Form haben, wie zum Beispiel Kratzer, Risse, besch\u00e4digte Markierungen und Schwei\u00dfspritzer, da regelbasierte Vision-Systeme hier versagen. Die KI-Visionsinspektion dient somit als erg\u00e4nzende Technologie zur regelbasierten Vision f\u00fcr Mess- oder Code-Leseaufgaben, ohne die Notwendigkeit elektrischer Tests wie Ausl\u00f6sekennlinien, Kontaktwiderstand und Hochspannungspr\u00fcfung zu ersetzen.<\/p><\/blockquote>\n

\"\"<\/h2>\n

Was ist KI-Visionsinspektion?<\/h2>\n

Die k\u00fcnstliche Intelligenz (KI) visuelle Inspektionstechnologie wird oft als kamerabasiertes Inspektionssystem bezeichnet, da sie Kameras verwendet, um Inspektionsentscheidungen auf Basis k\u00fcnstlicher Intelligenz zu treffen. Es handelt sich nicht um eine innovative Technologie, die eine neue Art von Beleuchtung bringt, sondern um eine neue Art der Verarbeitung von Inspektionsdaten.<\/p>\n

In der Produktionslinie besteht der Inspektionsprozess aus vier Hauptschritten:<\/p>\n

Bildaufnahme. Ein Teil gelangt in den Inspektionsbereich; ein Sensor wird aktiviert und die Kamera nimmt ein Bild auf.
\nBildvergleich. Das Modell vergleicht das aufgenommene Bild mit zuvor gelernten guten und fehlerhaften Mustern und liefert eine Bewertung, die die Wahrscheinlichkeit von Defekten anzeigt und h\u00e4ufig Informationen \u00fcber die Position der Defekte im Bild gibt.
\nErgebnisverarbeitung. Die Entscheidung \u00fcber Bestehen oder Nichtbestehen wird anhand eines von Ingenieuren definierten Schwellenwerts getroffen, basierend auf der vom Modell erhaltenen Bewertung.
\nR\u00fcckmeldungsverarbeitung. Das Teil wird entweder abgelehnt oder darf weiterverarbeitet werden; das aufgenommene Bild, die Bewertung und das Endergebnis werden unter der Seriennummer des Teils gespeichert.<\/p>\n

Der vierte Schritt wird oft \u00fcbersehen, ist aber einer der wichtigsten. Wenn der Kunde das fehlerhafte Produkt zur\u00fcckgibt, haben wir die M\u00f6glichkeit, auf das produzierte Bild zuzugreifen und herauszufinden, wie der Defekt aussah.<\/p>\n

KI-Visionsinspektion vs. Maschinenvision vs. AOI<\/h2>\n

Fast jede Anfrage zu diesem Thema dreht sich um den Vergleich von Maschinenvision mit KI-Visionsinspektion. Im Alltag gibt es vier Modalit\u00e4ten der visuellen Inspektion eines Teils, und jede Modalit\u00e4t erf\u00fcllt ihre eigene einzigartige Aufgabe. Dar\u00fcber hinaus fallen alle Modalit\u00e4ten, au\u00dfer der ersten, in die Kategorie der automatisierten visuellen Inspektionen.<\/p>\n\n\n\n\n\n\n\n\n\n\n\n
<\/th>\nManuelle Inspektion<\/th>\nRegelbasierte Maschinenvision<\/th>\nAOI (automatisierte optische Inspektion)<\/th>\nKI-Visionsinspektion<\/th>\n<\/tr>\n<\/thead>\n
Wie sie entscheidet<\/td>\nBedienerbewertung<\/td>\nRegeln, die ein Ingenieur programmiert: Kanten, Flecken, Messungen, Mustererkennung<\/td>\nRegeln und Referenzvergleich, entwickelt f\u00fcr Leiterplatten<\/td>\nEin Modell, das mit Bildern von guten und schlechten Teilen trainiert wurde<\/td>\n<\/tr>\n
Umr\u00fcstung auf ein neues Produkt<\/td>\nSchnell, aber abh\u00e4ngig von Training und Aufmerksamkeit<\/td>\nNeue Regeln und Feinabstimmung, oft Stunden bis Tage<\/td>\nNeues Leiterplattenprogramm aus CAD und Referenzplatinen<\/td>\nLaden Sie ein Modell f\u00fcr diese Variante; trainieren Sie ein neues, wenn das Produkt neu ist<\/td>\n<\/tr>\n
Was es gut kann<\/td>\nUngew\u00f6hnliche Defekte, Beurteilungen<\/td>\nAbmessungen, Vorhandensein\/Fehlen, Barcode- und Code-Lesung<\/td>\nL\u00f6tstellen und Bauteile auf Leiterplatten<\/td>\nVariable Defekte: Kratzer, Risse, besch\u00e4digte Markierungen, Spritzer, Farbabweichungen<\/td>\n<\/tr>\n
Wo es versagt<\/td>\nErm\u00fcdung, Inkonsistenz, Geschwindigkeit<\/td>\nVariation in Glanz, Farbe oder Position, f\u00fcr die es nicht programmiert wurde<\/td>\nAlles, was keine Leiterplatte ist<\/td>\nDefekttypen, die es nie gesehen hat; \u00c4nderungen in Beleuchtung oder Material<\/td>\n<\/tr>\n
Falsche Ablehnungen<\/td>\nVariiert je nach Person und Schicht<\/td>\nHoch, wenn das Erscheinungsbild nat\u00fcrlich variiert<\/td>\nMittel; ben\u00f6tigt Feinabstimmung pro Leiterplatte<\/td>\nNiedriger bei variablen Merkmalen nach dem Training, muss aber an eigenen Teilen \u00fcberpr\u00fcft werden<\/td>\n<\/tr>\n
Pr\u00e4zise Messung<\/td>\nNein<\/td>\nJa, seine Hauptst\u00e4rke<\/td>\nJa, f\u00fcr Leiterplattenmerkmale<\/td>\nNicht seine Aufgabe; verwenden Sie Regeln f\u00fcr Messungen<\/td>\n<\/tr>\n
Kann es eine Ablehnung erkl\u00e4ren?<\/td>\nTeilweise<\/td>\nJa: welche Regel fehlgeschlagen ist<\/td>\nJa: welche Pr\u00fcfung fehlgeschlagen ist<\/td>\nTeilweise: eine Punktzahl und eine Heatmap, keine Regel<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Wir k\u00f6nnen die folgenden drei Schlussfolgerungen ziehen: Setzen Sie die Verwendung regelbasierter Visionstechniken f\u00fcr die Bewertung von Abmessungen, Vorhandensein von etwas und das Lesen von Codes fort, da sie schnell, genau und einfach sind; nutzen Sie KI-Technologie zur Erkennung von Unvollkommenheiten, die sich st\u00e4ndig \u00e4ndern, wie Kratzer, unvollst\u00e4ndige Markierungen und Farbvariationen; au\u00dferdem muss daran erinnert werden, dass PCB-AOI und Niederspannungs-Elektrobaugruppen unterschiedliche Probleme darstellen: AOI-Maschinen f\u00fcr Leiterplatten funktionieren nicht richtig mit Leistungsschaltern, und KI-Technologien, die an Leistungsschaltern eingesetzt und trainiert wurden, funktionieren nicht mit der Elektronik in RCBOs.<\/span><\/p>\n

Was ein KI-Visionsinspektionssystem tats\u00e4chlich beinhaltet<\/h2>\n

Das KI-Visionsinspektionssystem in einer Produktionslinie besteht aus f\u00fcnf Komponenten. Jeder spricht \u00fcber das Modell, w\u00e4hrend die \u00fcbrigen vier Komponenten entscheiden, ob ein Projekt akzeptiert wird.<\/p>\n

Kamera<\/h3>\n

Die Wahl einer Industriekamera ist eine Fl\u00e4chenkamera, und die Aufl\u00f6sung h\u00e4ngt von der minimalen Gr\u00f6\u00dfe des Defekts ab, den Sie identifizieren m\u00f6chten. Wenn Sie sich f\u00fcr Risse von 0,1 mm interessieren, ben\u00f6tigen Sie gen\u00fcgend Pixel, die diese L\u00e4nge abdecken, um das Sichtfeld und die Aufl\u00f6sung der Kamera festzulegen. In bestimmten F\u00e4llen erfordert die Anwendung den Einsatz von zwei Kameras oder eines Spiegels, um beide Seiten des zu inspizierenden Teils zu sehen.<\/p>\n

Beleuchtung<\/h3>\n

Beleuchtung ist ein eigener Unterabschnitt, da die Mehrheit der Fehler auf schlechte Beleuchtung zur\u00fcckzuf\u00fchren ist. Silberkontakte, Kupferkomponenten und gl\u00e4nzende Geh\u00e4use reflektieren Licht auf unterschiedliche Weise, abh\u00e4ngig vom Winkel des Objekts. Ringlichter, Kuppellichter, Hintergrundbeleuchtung und Licht mit niedrigem Winkel werden verwendet, um verschiedene Arten von Defekten sichtbar zu machen. Wenn die Beleuchtung vor Beginn des Modelltrainings nicht stabil ist, wird das Projekt nicht erfolgreich sein<\/span>. Das Modell wird die Probleme im Zusammenhang mit der Beleuchtung lernen, anstatt die vorhandenen Defekte in den inspizierten Teilen.<\/p>\n

Berechnung an der Station<\/h3>\n

Die Inferenz wird auf dem Edge-Computer oder direkt in der Smart-Kamera an der Station durchgef\u00fchrt, jedoch nicht in der Cloud. Es ist sehr wichtig, dass eine Entscheidung w\u00e4hrend der Zykluszeit an die SPS zur\u00fcckgegeben wird, damit die Produktionslinie nicht auf die Verbindung warten muss. Die Bilder werden in einer Cloud oder auf einem Server der Fabrik gespeichert, wo die Modelle neu trainiert werden.<\/p>\n

Das Modell<\/h3>\n

Zwei Arten von Modellen werden h\u00e4ufig in Inspektionssystemen verwendet. Klassifikations- und Segmentierungsmodelle werden mit Proben normaler Teile und Defekten jeder Art trainiert. Das Anomalie-Erkennungsmodell lernt nur die Eigenschaften normaler Teile und erkennt alles, was anders aussieht, was gut funktioniert, wenn keine Defekte vorhanden sind. Viele L\u00f6sungen nutzen beide genannten Modelltypen.<\/p>\n

Der Handshake mit der SPS<\/h3>\n

W\u00e4hrend des Handshake-Prozesses tauschen das Kamerasystem und die SPS einige einfache Signale aus: Teil in Position, Ausl\u00f6ser, Ergebnis, Erfolg oder Fehler und manchmal ein Defektcode. Das Ergebnis und die Bilder werden \u00fcber eine standardisierte Schnittstelle wie OPC UA oder Modbus TCP an das MES gesendet, was die Suche nach jedem Bild anhand einer Seriennummer erm\u00f6glicht. Unsere \u00dcbersicht von industrielle Automatisierungssensoren<\/a> erkl\u00e4rt, wo die Vision unter den anderen Sensoren an einer Maschine einzuordnen ist.<\/p>\n

\"\"<\/p>\n

Wo AI Vision Inspection in einer elektrischen Montagelinie angesiedelt ist<\/h2>\n

K\u00fcnstliche Intelligenz hat im Kontext der Defekterkennung bei Leistungsschaltern und Sch\u00fctzen ihren Platz. Die untenstehende Tabelle zeigt die verschiedenen Arten von Vision-Inspektionsprozessen, die verwendet werden k\u00f6nnten, und identifiziert die beste Methode zur Durchf\u00fchrung entweder durch KI, Regeln oder beides. Die Inferenzzeit variiert zwischen einigen zehn Millisekunden, was noch akzeptabel ist, da die Zykluszeiten an der Station etwa 2\u20133,5 Sekunden betragen bei einem MCB-Automatisierungslinie<\/a>.<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n
Pr\u00fcfen<\/th>\nWas schiefgehen kann<\/th>\nRegeln oder KI?<\/th>\nWarum<\/th>\n<\/tr>\n<\/thead>\n
Nietvorhandensein<\/td>\nFehlender oder halb gesetzter Niet<\/td>\nZuerst Regeln; KI, wenn der Glanz stark variiert<\/td>\nDas Vorhandensein ist einfach, aber Reflexionen verursachen Fehlablehnungen<\/td>\n<\/tr>\n
Kontaktposition und Neigung<\/td>\nSilberkontakt geneigt oder exzentrisch<\/td>\nRegeln f\u00fcr Position; KI f\u00fcr Oberfl\u00e4chensch\u00e4den<\/td>\nPosition ist eine Messung; Schaden nicht<\/td>\n<\/tr>\n
Griff und Polarit\u00e4t<\/td>\nGriff umgedreht, falsche Polreihenfolge<\/td>\nRegeln<\/td>\nFeste Geometrie, klares Muster<\/td>\n<\/tr>\n
Laserbeschriftung und OCR<\/td>\nFehlende, schwache oder gebrochene Zeichen<\/td>\nKI-OCR f\u00fcr besch\u00e4digte Markierungen; Regeln f\u00fcr Codes<\/td>\nKI bew\u00e4ltigt teilweise oder kontrastarme Markierungen besser<\/td>\n<\/tr>\n
Geh\u00e4userisse und Sinkstellen<\/td>\nFormfehler, Kurzsch\u00fcsse, Farbabweichungen<\/td>\nKI<\/td>\nDefekte variieren in Form und Position<\/td>\n<\/tr>\n
Klemmeneinf\u00fchrung<\/td>\nKlemme nicht vollst\u00e4ndig eingesetzt<\/td>\nRegeln oder 3D-Messung<\/td>\nTiefe ist eine Dimension<\/td>\n<\/tr>\n
Etiketten und Bedienungsanleitungen<\/td>\nFalsches Etikett, fehlendes Beiblatt<\/td>\nRegeln plus OCR<\/td>\nAbgleich mit dem Rezept<\/td>\n<\/tr>\n
Schwei\u00dfspritzer und Grate<\/td>\nSpritzer auf Kontakten, Grate an geschwei\u00dften Teilen<\/td>\nKI<\/td>\nUnregelm\u00e4\u00dfige Formen und Gr\u00f6\u00dfen<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Benlongs eigene Maschinen verwenden heute die regelbasierte Seite dieser Tabelle. Auf der MCB-Multipol-Montagemaschine<\/a>, eine CCD-Kamera \u00fcberpr\u00fcft die Seitenwandausrichtung und den Polabstand und positioniert die Teile auf \u00b10,05 mm vor dem Nieten. Die MCB-Automatikpr\u00fcflinie<\/a> umfasst die Sichtpr\u00fcfung des Geh\u00e4uses, der Beschriftung und der Schrauben. KI f\u00fcgt am meisten hinzu, wo die Fehler unregelm\u00e4\u00dfig sind, weshalb Geh\u00e4use, Markierungen und Schwei\u00dfn\u00e4hte an der Spitze der Liste stehen.<\/p>\n

Was die Sichtpr\u00fcfung nicht beurteilen sollte<\/h3>\n

Es gibt schwerwiegende Fehler bei Leistungsschaltern, die visuell nicht bestimmt werden k\u00f6nnen:<\/p>\n

Die Sofortausl\u00f6sungstechnologie;
\nZeit bei 1,13 und 1,45-fachem Nennstrom f\u00fcr thermische Ausl\u00f6sung;
\nKontaktwiderstand;
\nDielektrische Festigkeit;
\nFehlerstrom-Ausl\u00f6sezeit bei FI-Schutzschaltern und FI\/LS-Schaltern.<\/p>\n

Ein Leistungsschalter kann perfekt aussehen, aber dennoch versp\u00e4tet ausl\u00f6sen. Die Pr\u00fcfung der genannten Merkmale erfolgt an einem Pr\u00fcfstand, wie z. B. einem MCB-Magnetausl\u00f6se- und Hochspannungstestger\u00e4t<\/a>, das eine Ausl\u00f6sezeit von \u00b11 ms f\u00fcr jedes getestete Ger\u00e4t ber\u00fccksichtigt. Eine Kamera erkennt das Aussehen eines Teils; die elektrische Pr\u00fcfung entscheidet, ob es ordnungsgem\u00e4\u00df funktioniert. Eine gute Linie verbindet die Testergebnisse eines Ger\u00e4ts mit seiner eindeutigen Seriennummer.<\/span><\/p>\n

Beispiel: Eine Kamerastation an einer MCB-Linie<\/h2>\n

So k\u00f6nnte eine einzelne KI-Sichtstation an einer Leistungsschalterlinie arbeiten, die etwa drei Sekunden pro Einheit l\u00e4uft. Die Zeiten sind typische Werte f\u00fcr diese Art von Station, keine Spezifikation.<\/p>\n\n\n\n\n\n\n\n\n\n\n
Zeit<\/th>\nWas passiert<\/th>\n<\/tr>\n<\/thead>\n
0,00 s<\/td>\nDer Leistungsschalter kommt in die Vorrichtung und wird eingespannt. Ein Sensor best\u00e4tigt die Position.<\/td>\n<\/tr>\n
0,05 s<\/td>\nDie SPS sendet einen Trigger. Das Stroboskoplicht wird ausgel\u00f6st und die Kamera belichtet f\u00fcr einige Millisekunden.<\/td>\n<\/tr>\n
0,10\u20130,20 s<\/td>\nDas Bild erreicht den Edge-Computer. Das Modell \u00fcberpr\u00fcft die Nieten, den Griff, die Markierung und das Geh\u00e4use und gibt f\u00fcr jedes eine Bewertung zur\u00fcck.<\/td>\n<\/tr>\n
0,25 s<\/td>\nDie Bewertungen werden mit Schwellenwerten verglichen und ein Bestehen oder Nichtbestehen mit einem Fehlercode wird an die SPS gesendet.<\/td>\n<\/tr>\n
Ab 0,30 s<\/td>\nBei einem Fehler leitet die SPS den Leistungsschalter zum Ausschusskanal. Bei Bestehen wird er weitergeleitet.<\/td>\n<\/tr>\n
Parallel dazu<\/td>\nBild, Bewertungen und Ergebnis werden im MES unter der Seriennummer des Leistungsschalters gespeichert.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Der Prozess des Wechsels von einer Maschine zur anderen ist der Punkt, an dem k\u00fcnstliche Intelligenz echten Mehrwert schafft. Ein Leistungsschalter kann an einem einzigen Tag zwischen 1P- und 4P-Modellen, B-, C- und D-Modellen sowie vielen Nennstr\u00f6men wechseln. Bei regelbasierter Sicht bedeutet ein Wechsel, dass ein Ingenieur die zu beobachtenden Bereiche und numerischen Grenzwerte f\u00fcr verschiedene Modelle aktualisieren muss. Bei KI-Sicht werden verschiedene Produktfamilien separat trainiert, und das Rezept zum Wechseln der Maschine wird auch verwendet, um das richtige Modell auszuw\u00e4hlen.<\/p>\n

Wenn eine neue Variante erscheint, muss das Team Bilder sammeln, das Modell erstellen und pr\u00fcfen, bevor es in Betrieb genommen wird. Das klingt kompliziert, muss aber nur einmal pro Modell durchgef\u00fchrt werden, unabh\u00e4ngig davon, wie viele \u00c4nderungen es gibt.<\/p>\n

Wie Hersteller heute KI-Sichtpr\u00fcfung einsetzen<\/h2>\n

Einige \u00f6ffentliche Beispiele zeigen, wie weit die Technologie verbreitet ist und wo ihre Grenzen liegen.<\/p>\n

Cognex und Keyence: KI in Smart Cameras<\/h3>\n

Cognex hat ein Deep-Learning-System in seine neueste In-Sight D900 Industrie-Smart-Kamera integriert, die ViDi Deep-Learning-Technologie f\u00fcr optische Zeichenerkennung, Montage\u00fcberpr\u00fcfung und Fehlererkennung verwendet. Die neueste In-Sight L38 kombiniert KI mit zwei- und dreidimensionaler Sicht und ben\u00f6tigt laut Cognex nur 5-10 beschriftete Bilder zur Konfiguration. Die IV4-Kameraserie von Keyence umfasst KI-Funktionalit\u00e4ten zur Teileidentifikation, Z\u00e4hlung und Zeichenerkennung mit Empfehlungen f\u00fcr optimale Bildgebung. Die Zukunft ist klar: Die Integration von KI in Kameras ist Realit\u00e4t.<\/p>\n

Siemens: KI-Inspektion in einer Box<\/h3>\n

Im Jahr 2024 kaufte Siemens ein deutsches Unternehmen namens Inspekto, das KI-basierte visuelle Inspektion als Einheit anbietet, einschlie\u00dflich Kamera, Lichtquelle, Objektiv und Software. Das Training des Systems umfasst etwa 20-30 Bilder von guten Produkten; zudem kann die Installation von den Bedienern selbst ohne Integrationsaufwand durchgef\u00fchrt werden. Ein von Siemens durchgef\u00fchrtes Referenzprojekt ersetzte die manuelle Bewertung von gestanzten Teilen durch KI-Technologie und erm\u00f6glichte eine Reduzierung der manuellen Pr\u00fcfungen um bis zu achtzig Prozent.<\/p>\n

BMW und Lighthouse-Fabriken<\/h3>\n

Die AIQX-Systeme von BMW sammeln Informationen zu Produktionsprozessen \u00fcber Kameras, die an der Montagelinie angebracht sind, und f\u00fchren Pr\u00fcfungen von Varianten und Vollst\u00e4ndigkeit durch, erkennen Anomalien in Echtzeit und geben sofortiges Feedback an die Bediener. Dar\u00fcber hinaus meldete die Fabrik von Rockwell Automation in Singapur, die in der Liste der neuesten Global Lighthouses des Weltwirtschaftsforums aufgef\u00fchrt ist, eine Reduzierung der Fehler um 35% dank KI-Qualit\u00e4tskontrollsystemen. Unser Leitfaden zu Fabrik-Lighthouse-Beispielen<\/a> zeigt, wie die visuelle Inspektion in den umfassenderen Datenkreislauf bei Siemens, Schneider Electric und Eaton integriert ist.<\/p>\n

Foxconn und Elektronikfertigung: Das ist AOI<\/h3>\n

Foxconn Industrial Internet und Wistron setzen das Nvidia Metropolis Vision-KI-System f\u00fcr die automatisierte Bewertung von Leiterplatten ein. Der beeindruckende Anwendungsfall bezieht sich ausschlie\u00dflich auf die Bewertung von Leiterplatten. Die Inspektion anderer Elemente wie Kontakte, Vorrichtungen und Steckverbinder erfordert die Entwicklung spezifischer Beleuchtungssysteme und einzigartiger Modelle.<\/p>\n

Die Automobilindustrie schreibt das Regelwerk: AIAG CQI-38<\/h3>\n

Im Juni 2026 ver\u00f6ffentlichte AIAG seine Richtlinie namens CQI-38, die sich auf visuelle Inspektionstechnologie und Anwendungsbewertung konzentriert. Das Dokument bietet OEMs, Zulieferern und Herstellern ein standardisiertes Bewertungsverfahren f\u00fcr jedes KI-basierte visuelle Inspektionssystem. Obwohl Hersteller von Niederspannungsprodukten nicht verpflichtet sind, CQI-38 zu verwenden, sind die vorbeugenden Ma\u00dfnahmen zur Technologievalidierung f\u00fcr alle, die an der Bewertung visueller KI-Technologie beteiligt sind, relevant.<\/p>\n

\"\"<\/p>\n

Einsatz von KI-Visionsinspektion ohne sechsmonatigen Pilotversuch<\/h2>\n

Wenn KI-Visionspilotprogramme sich \u00fcber Monate erstrecken, gibt es h\u00e4ufige Gr\u00fcnde f\u00fcr das Scheitern. Die folgende Liste hilft, dies zu verhindern.<\/p>\n

Konzentrieren Sie sich zun\u00e4chst nur auf einen einzigen Defekt. Anstatt die Vision-Technologie von Anfang an in einer Produktionslinie einzusetzen, w\u00e4hlen Sie einen Defekt aus, der heute finanzielle Verluste verursacht, zum Beispiel fehlende Aufdrucke oder besch\u00e4digte Geh\u00e4use.
\nSorgen Sie f\u00fcr die richtige Beleuchtung und Position der Teile, bevor Sie Bilder aufnehmen. W\u00e4hrend des Trainingsprozesses des Modells erzeugen Licht und Bewegung der Teile Rauschen statt Defekte.
\nSammeln Sie mehrere qualitativ hochwertige Bilder und unterscheiden Sie die Defekttypen. Bei seltenen Defekttypen lohnt es sich, eine Anomalieerkennung durchzuf\u00fchren, anstatt vorzut\u00e4uschen, 500 Bilder von Defekten zu haben, die zweimal im Monat auftreten.
\nVergleichen Sie die Anzahl der Fehlablehnungen und Fehl\u00fcberspr\u00fcnge in Ihren Ger\u00e4ten. Die Zahl 99% eines Anbieters mit einem Demo-Modell bedeutet nichts, wenn die Geh\u00e4use unter unterschiedlicher Beleuchtung betrachtet werden.
\nF\u00fchren Sie die Inferenz am Edge und innerhalb der Zykluszeit der Abl\u00e4ufe durch. Die Cloud und der Server werden nur zum Speichern von Bildern und zum Nachtrainieren des Modells genutzt.
\nVerwenden Sie den Schattenmodus, um Eingaben aufzuzeichnen und zu bewerten, lehnen Sie jedoch in dieser Phase keine Messwerte ab. Dieser Modus erm\u00f6glicht es, das Verh\u00e4ltnis von KI-Schl\u00fcssen zu den Erkenntnissen des Pr\u00fcfers zu sch\u00e4tzen, bevor das System in Betrieb genommen wird.
\nValidieren Sie nach jeder \u00c4nderung erneut, falls die Produktionslinie ge\u00e4ndert oder unterschiedliche Ger\u00e4tetypen hergestellt werden.<\/p>\n

Fehlablehnungen: Die Zahl, die entscheidet, ob die Linie die Kamera beh\u00e4lt<\/h2>\n

Zwei Werte sind viel bedeutender als jeder Genauigkeitswert, der in einem Prospekt erw\u00e4hnt wird. Die Fehlerrate zeigt an, wie viele fehlerhafte Teile die Kamera durchgelassen hat. Die Fehlablehnungsrate sagt uns, wie viele fehlerfreie Produkte verworfen wurden.<\/p>\n

Um die Situation zu verdeutlichen, betrachten wir ein Beispiel, das nicht aus einer realen Situation stammt. Eine der Produktionslinien produziert eine Charge von 10.000 Leistungsschaltern, von denen 50 Teile einen Oberfl\u00e4chendefekt aufweisen.<\/p>\n\n\n\n\n\n\n\n\n
<\/th>\nEinstellung A: strenge Schwelle<\/th>\nEinstellung B: lockere Schwelle<\/th>\n<\/tr>\n<\/thead>\n
Erfasste defekte Schalter<\/td>\n49 von 50 (98% R\u00fcckruf)<\/td>\n46 von 50 (92% R\u00fcckruf)<\/td>\n<\/tr>\n
Verpasste defekte Schalter<\/td>\n1<\/td>\n4<\/td>\n<\/tr>\n
Abgelehnte gute Schalter<\/td>\n150 (1,5% Fehlablehnungsrate)<\/td>\n20 (0,2% Fehlablehnungsrate)<\/td>\n<\/tr>\n
Anteil der Ablehnungen, die wirklich fehlerhaft sind<\/td>\n49 von 199, etwa 25% Pr\u00e4zision<\/td>\n46 von 66, etwa 70% Pr\u00e4zision<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Alles scheint von Einstellung A erfasst zu werden, aber es stellt sich heraus, dass drei von vier abgelehnten Schaltern v\u00f6llig in Ordnung sind. Im Gegensatz dazu erh\u00e4lt Einstellung B gute Bewertungen von den Bedienern und l\u00e4sst vier defekte Schalter durchrutschen.<\/p>\n

Die Auswirkungen der beiden Szenarien sind nicht symmetrisch. Einen einzelnen defekten Leistungsschalter, der einen Kurzschluss verursachen kann, zu behalten, ist viel kostspieliger als mehrere einwandfreie wegzuwerfen. Aber wenn die Falschr\u00fcckweisungsrate zu hoch ist, werden die Bediener der Kamera nicht mehr vertrauen, abgelehnte Teile ohne \u00dcberpr\u00fcfung erneut zuf\u00fchren und sie schlie\u00dflich ausschalten. Die goldene Regel f\u00fcr eine erfolgreiche Einf\u00fchrung des Systems besteht daher darin, die R\u00fcckweisungsrate bei den Defekten, die einen Unterschied machen, zu sch\u00fctzen und sp\u00e4ter die Falschr\u00fcckweisungsrate durch bessere Beleuchtung, mehr Trainingsbilder und unterschiedliche Schwellenwerte f\u00fcr jeden Defekttyp zu verbessern.<\/p>\n

KI-Visionssystem, SPS, MES und der Rest der Linie<\/h2>\n

Eine Vision-Station bildet eine Komponente des Automatisierungsstapels, der bei der Entscheidungsfindung durch die Kamera hilft, wobei die SPS diese Entscheidung ausf\u00fchrt und das MES das Bild zusammen mit seinem Ergebnis in Bezug auf die Seriennummer archiviert, die mit den elektrischen Testergebnissen verkn\u00fcpft ist, die in den nachfolgenden Produktionsstufen erzeugt werden, wodurch n\u00fctzliche Informationen gewonnen werden k\u00f6nnen und nicht nur Daten gespeichert werden:<\/p>\n