Auf dem Weg zur smarten Qualitätskontrolle
In diesem Digital-Plus Projekt zum Thema Smarte Qualitätskontrolle wurde anhand von Trainingsdaten der Einsatz von Deep Learning in der Qualitätskontrolle des EdgeClip getestet.
Kurzer Blick ins Unternehmen:
Überall dort, wo Strom durch eine Leitung fließt oder Daten mit einem Glasfaserkabel übertragen werden, ist ein Produkt von HellermannTyton nicht weit entfernt. Aufbauend auf einem erfinderischen Erbe, dessen Geschichte 1935 mit den Erfindungen vom Gründungsvater Paul Hellermann in Hamburg begann, ist das Unternehmen heute einer der weltweit führenden Hersteller und Anbieter von Produkten zum Bündeln, Befestigen, Verbinden, Schützen und Kennzeichnen von Kabeln, Leitungen und Konnektivitätslösungen für Datennetzwerke – in Gebäuden, im Boden, in Maschinen und in Fahrzeugen.
Ausgangslage:
Zu den erfolgreichsten Produkten zählt auch der EdgeClip, welcher als Befestigungslösung für die flexible Führung von Kabelbäumen, Schläuchen oder Rohrleitungen in diversen Industrieanwendungen, unter anderem in der Automobilindustrie, dient. Der EdgeClip ist ein kleiner Kabelhalter für die Kantenmontage. Diese speziellen Kunststoffteile mit integrierten Federstahlklammern kommen mit einem Kabelbinder zum Einsatz. Auf mehreren vollautomatischen Montageanlagen werden davon enorme Jahresmengen produziert.
Die hohen Ansprüche der Kunden an die Lieferqualität sowie der eigene Qualitätsanspruch führen zu hohen Anforderungen an die Qualitätskontrolle der produzierten Edge Clips. Zu Sicherstellung dieser Ansprüche, wird derzeit ein automatisiertes pixelbasiertes Vision-System eingesetzt. Wenn dieses System Teile nicht als eindeutig „OK“ klassifizieren kann, werden sie aussortiert. Aufgrund der hohen Qualitätsanforderungen wurde das System so eingestellt, dass Gutteile sicherheitshalber aussortiert, statt Schlechtteile nicht erkannt werden. Aktuell beträgt die Ausschussrate etwa 1%, beinhaltet durch die zuvor erwähnten Umstände jedoch einen immensen Pseudoausschussanteil.
Die Ursachen hierfür sind:
- Blitzeffekte, Glanz
- Schmutz- und Staubpartikel, Zinksplitter, verschmutzte Beschichtungen
- kleine Abweichungen in Geometrie, Abmessungen, Chargenabweichungen
Nachdem sich eine Vielzahl verschiedener Lösungsansätze wie z.B. komplexe Beleuchtungssysteme, 3D-Scans oder Strategien zur Vermeidung von Staub und Verschmutzungen in der Praxis nicht als hilfreich oder kosteneffizient herausgestellt hatten, sollte im Rahmen dieses Projektes durch ein Proof-of-Concept (PoC) untersucht werden, ob Künstliche Intelligenz, insbesondere das Deep Learning, dazu geeignet wäre, die bisherigen visuellen Qualitätssysteme zu unterstützen oder gar zu ersetzen.
Ablauf:
Das Vorgehen im Projekt zur smarte Qualitätskontrolle wurde angelehnt an den Cross Industry Standard Process for Data-Mining (CRISP-DM). Dieses Vorgehen zeichnet sich vor allem dadurch aus, dass es non-linear ist und die Prozessschritte auf Basis der Erkenntnisse beliebig oft iterativ wiederholt werden können.
Für den PoC wurde sich dafür vor allem auf die Bereiche der Datengewinnung, Datenverständnis und auf das Training eines ersten KI-Modells konzentriert.
Für Projekte dieser Art sind sowohl technisches Wissen aus dem Bereich KI, als auch ein hohes Prozessverständnis und Fachwissen zum jeweiligen Anwendungsfall essentielle Erfolgsfaktoren, sodass im Rahmen des Projektes eine enge Zusammenarbeit zwischen den KI-Experten Jan Fischer und Daniel Smit des Mittelstand-Digital Zentrum Hamburg und den Ingenieuren von HellermannTyton stattfand.
Für das gewählte KI-Verfahren Deep Learning kamen sogenannte Convolutional Neural Networks zum Einsatz, die dem visuellen Cortex nachempfunden sind und sich hervorragend für die Bilderkennung eignen. Wie bei vielen KI-Verfahren ist auch beim Deep Learning der Erfolg unter anderem von der Qualität und der Menge der verfügbaren Trainingsdaten abhängig. Der Trainingsdatensatz sollte möglichst repräsentativ für den späteren Einsatz sein.
In diesem Projekt besteht dieser aus Bildern von Teilen, die vom bisherigen Qualitätssystem als Ausschuss erkannt wurden. Diese werden im Nachgang von Experten begutachtet. Die Bilder des Datensatzes werden also nach erhaltenswerten und nicht erhaltenswerten Teilen sortiert. Hierzu wurde in einem ersten Schritt ein sog. Annotation-Tool zur Sortierung an die Anforderungen der Experten von HellermannTyton angepasst. Der Trainingsdatensatz wurde iterativ erweitert, so dass der finale Datensatz aus ca. 20.000 Bildern besteht.
Als Zwischenergebnis wurde auf Basis eines kleineren Datensatzes durch die Experten des Business Innovation Lab ein erstes Deep Learning Modell erzeugt. Das auf der Resnet50-Architektur basierende Modell wurde mit der Bibliothek fast.ai erzeugt und auf handelsüblichen PC mit einer RTX 3090 Grafikkarte trainiert.
Ausgehend von der Klassenverteilung von etwa 5:1, zeigte sich, dass die erreichte Genauigkeit von ca. 82% genau dieser Verteilung der Klassen entsprach. Eine genauere Analyse ergab jedoch, dass das KI-Modell keine Merkmale der Bilder, sondern nur die Verteilung der Klassen gelernt hatte. Um dem entgegenzuwirken wurden verschiedene Lösungsansätze, wie Augmentierung der Daten, Over- und Undersampling sowie gewichtete Verlustfunktionen untersucht. Insgesamt wurden so etwa 250 unterschiedliche Modellkonfiguration trainiert, bewertet und auf neuen Daten getestet.
Ergebnisse:
Der Proof-of-Concept zur smarten Qualitätskontrolle konnte zeigen, dass Deep Learning eine sinnvolle Alternative zu den klassischen visuellen Qualitätskontroll-Systemen sein kann: Aus den ca. 250 unterschiedlichen Modellkonfiguration wurden etwa 20 Modellkonfigurationen identifiziert, die sich als besonders geeignet erwiesen hatten. Die höchste Genauigkeit im Training von ca. 95% erreichte das Projektteam mit Hilfe des sog. Transfer Learnings, bei dem komplexe Deep Learning Modelle, die auf die Klassifizierung einer Vielzahl von Objekten mit hunderttausenden von allgemeinen Bildern trainiert wurden, mit dem eigenen Datensatz nachtrainiert (engl. finetuning) werden. Man profitiert also dabei von den Erkenntnissen und Trainingsfortschritten anderer, so reduziert sich der Ressourcen und Zeitaufwand um ein Vielfaches und ist somit auch für KMU durchführbar.
Zur Visualisierung, Sortierung und Clustering der Daten, sowie dem Testen und Vergleichen verschiedener Deep Learning Modelle wurde von den Experten der HAW ein Dashboard entwickelt, das HellermannTyton zur Verfügung gestellt wird und zukünftig bei der weiteren Bearbeitung des Themas „Smarte Qualitätskontrolle“ zum Einsatz kommen wird. Die Erkenntnisse und trainierten Modelle werden zukünftig in einer prototypischen Versuchsanlage eingesetzt.
Sie haben Fragen zu diesem Digital Plus-Projekt zum Thema smarte Qualitätskontrolle, oder zu anderen Digitalisierungs-Möglichkeiten?
Kommen Sie gern auf uns zu, wir bringen Sie Digital Voraus! Wir freuen uns über eine Nachricht an mittelstand-digital@hk24.de
Das Mittelstand-Digital Zentrum Hamburg gehört zu Mittelstand-Digital. Mit dem Mittelstand-Digital Netzwerk unterstützt das Bundesministerium für Wirtschaft und Klimaschutz die Digitalisierung in kleinen und mittleren Unternehmen und dem Handwerk.