Warum die meisten KI-bildbasierten Prüfungen beim Setup scheitern und wie Sie es beheben können

KI-basierte Qualitätsprüfung klingt einfach. Kamera montieren. Modell trainieren. Fehler erkennen. In der Praxis schaffen einige Lösungen mehr Probleme, als sie lösen – aufgrund des Setups, nicht der Technologie.

Allein in den letzten 6 Monaten haben wir über 50 Millionen Artikel für unsere Kunden in Europa und Asien gescannt. Wir haben festgestellt, dass die Mehrheit (77%) der Herausforderungen, auf die unsere Kunden gestoßen sind, mit Deployment (Bereitstellung) und Initial Setup (Ersteinrichtung) zusammenhingen. Wir haben häufige Themen in Beleuchtungs-, Installations-, WiFi-Konnektivitäts- und Beschriftungsthemen gruppiert. Bevor sie mit Enao Vision arbeiteten, hatten viele unserer Kunden bereits andere Vision Systeme ausprobiert, die ebenfalls unter diesen Problemen litten.

Unser Enao-Team hat Kunden geholfen, viele dieser Probleme vor Ort oder aus der Ferne zu lösen. Im Folgenden haben wir die grundlegendsten Korrekturen aufgelistet, die jeder durchführen kann, um seine Visual Inspection Systeme (bildbasierten Prüfsysteme) und Defect Detection-Ergebnisse (Fehlererkennungsergebnisse) zu verbessern. Diese Korrekturen sollten bis zu 90% der Leistungsprobleme lösen.

WiFi wurde nicht eingerichtet

Schlechte Internetverbindung ist ein stiller Projekt-Killer. Alle modernen KI-basierten Defect Detection-Lösungen (Fehlererkennungslösungen) verwenden Cloud-Infrastruktur, was bedeutet, dass sie WiFi benötigen.

Wir haben viele Herausforderungen mit WiFi-Konnektivität für Kunden bewältigt. Dazu gehören Standorte ohne WiFi auf der Werkshalle, Gastnetzwerke, die alle zwei Wochen ablaufen, und IT-Richtlinien von Unternehmen, die Downloads blockieren. Heute werden alle KI-Modelle in der Cloud trainiert, sodass schlechtes WiFi bedeutet, dass selbst die besten Modelle nicht auf die Geräte zugreifen oder die Daten liefern können. Die einzigen Ausnahmen sind Großunternehmen, die groß genug sind, um Premiumpreise zu zahlen und ihre eigene lokale (On-Premise) Infrastruktur einzurichten.

Für viele Anbieter automatisierter Qualitätsprüfung war dies ein Problem, das die Kundschaft selbst lösen musste. Dies kann Projekte um Wochen verzögern.

Was Sie tun können: Melden Sie WiFi Ihrem IT-Team, wenn Sie noch in Diskussionen sind. Bitten Sie sie, WiFi-Router und Signalverstärker auf der Shopfloor einzurichten, um sicherzustellen, dass das Signal gut genug ist. Wenn Ihr WiFi Sicherheitsprotokolle hat, richten Sie ein dediziertes Konto für Ihre Erkennungssoftware ein, um wöchentliche Gast-Passwort-Aktualisierungen zu vermeiden.

Wie Enao Vision damit umgeht: Wir stellen in unserem Trial Kit (Testkit) einen 5G-Hotspot zur Verfügung, sodass testende Teams vom ersten Tag an einsatzbereit sind. Kein IT-Team zum Nachhaken, keine WiFi-Zugriffsanfragen.

Montage der Hardware dauerte unnötig lange

Die Genehmigung zur Montage von Hardware zu erhalten oder die richtige Einrichtung vorzunehmen, war eine weitere häufige Herausforderung für Kunden. Viele Anbieter stellen nur ihre Hardware zur Verfügung: die proprietären Kameras und Software. Wenn Kunden zusätzliche Ausrüstung wie Halterungen und Beleuchtung benötigten, zahlten sie dem Anbieter entweder einen Aufpreis oder verbrachten mehr Zeit damit, alles zu beschaffen. Teams erzählten uns, dass sie Wochen auf die Ankunft von Montagematerialien warteten. Andere benötigten Genehmigungen, bevor etwas physisch installiert werden konnte.

Einige durchliefen mehrere Runden verzögerter Genehmigungen, um Hardware einzurichten, nur um mit dem Sammeln von Bildern zum Trainieren der Modelle zu beginnen. Die Projekte kommen zum Stillstand, bevor sie überhaupt beginnen können.

Was Sie tun können: Fragen Sie in ersten Gesprächen nach einer Montagehardware-Liste und einem Setup-Leitfaden. Dies hilft Ihnen, deren Unterstützungsniveau für Ihren Erfolg zu überprüfen. Nehmen Sie die Hardware-Liste und holen Sie die Genehmigung für Installationen von Ihrem Management ein, bevor Verträge unterzeichnet werden. Dies hilft, Ihre Projekte schneller einzurichten.

Wie Enao Vision damit umgeht: Das Trial Kit von Enao Vision enthält Montagematerialien und ein iPhone – alles, was Sie brauchen, um auf der Linie zu starten. Keine Bestellung, keine Verschraubung, kein Warten. Beginnen Sie sofort mit dem Scannen von Produkten und der Überprüfung von Ergebnissen.

Beleuchtung wurde nicht richtig eingerichtet

Beleuchtung ist der am meisten unterschätzte Teil jedes Machine Vision Inspection-Projekts (bildbasierten Prüfprojekts).

Kunden, die mit anderen Anbietern gearbeitet haben, warteten Wochen auf die empfohlene Beleuchtungsausrüstung. Andere sammelten Hunderte nutzloser Bilder, weil Schatten gute Teile fehlerhaft aussehen ließen. Ungenaue Bilder verwirrten das KI-Modell, bevor das Training überhaupt begann.

Aber was macht ein korrektes Beleuchtungs-Setup aus? Googeln Sie, und Sie werden detaillierte Anleitungen mit Beleuchtungstheorie und technischen Begriffen für verschiedene Beleuchtungen finden. Die praktische Frage lautet: „Was benötigen Sie für Ihre Produktionslinie mit Ihren Materialien und Produkten?“

Einige Leitfäden geben Ihnen allgemeine Überlegungen: Schnelle Linien benötigen kurze Verschlusszeiten. Kurze Verschlusszeiten benötigen viel Licht. Aber zu viel direktes Licht erzeugt Blendung – besonders auf glänzenden Oberflächen. Einige Fehler zeigen sich nur bei seitlichem Lichteinfall. Wie können Sie das herausfinden, ohne Zeit und Hardware zu verschwenden?

Was Sie tun können: Fragen Sie einen Anbieter nach Beleuchtungsleitfäden, empfohlenen Leuchten und Fotos von Setups mit ähnlichen Produkttypen. Fragen Sie den Anbieter auch, ob er Ihnen bei der Einrichtung helfen wird.

Wie Enao Vision damit umgeht: Wenn Sie Hilfe wünschen, fragen Sie uns. Wir geben keine allgemeinen Antworten. Wir haben jede Art von Linie und Oberfläche gesehen. Wir sagen Ihnen genau, welches Beleuchtungs-Setup Sie verwenden sollten, nachdem wir Ihre Bedürfnisse gehört haben – und bringen die Ausrüstung zu Ihrem Test mit, damit Sie wissen, wie ein korrektes Setup aussieht.

Inkonsistente Fehlerbeschriftungen wurden dem KI-Modell zugeführt

Wir haben mit Kunden gesprochen, die beschrieben, wie ganze Teams denselben Fehler unterschiedlich beschrifteten. Bounding Boxes (Begrenzungsrahmen) für Fehler wurden zu groß gezeichnet und verwechselten die guten und fehlerhaften Teile. Wenn die Beschriftungen falsch sind, ist das Modell falsch. Die inkonsistente Beschriftung kann ein KI-Modell verwirren und sowohl zu False Positives (falsch positiven) als auch Negatives (falsch negativen Ergebnissen) führen.

Bei bestimmten Arten von Machine Vision Inspection (bildbasierter Prüfung) müssen Sie alles manuell beschriften. Wir haben von Modellen gehört, die vollständig zusammenbrachen – nicht wegen des Algorithmus, sondern wegen der Trainingsdaten.

Was Sie tun können: Beginnen Sie mit einem oder zwei Testteams. Wählen Sie Produkte, die bereits eine höhere Fehlerrate aufweisen, damit mehr Material vorhanden ist. Schulen Sie alle Ihre Mitarbeitenden auf der Linie, die Bilder korrekt zu beschriften. Sobald sie sich an den Prozess und die Technologie gewöhnt haben, wird der Übergang zu kniffligeren Produkten einfacher sein.

Wie Enao Vision damit umgeht: Unser System schlägt automatisch Beschriftungsaufgaben vor, die Mitarbeitende verifizieren können. Rahmen können angepasst und Beschriftungen hinzugefügt und angepasst werden. Unser System führt Sie aktiv zu den Bildern und Fehlertypen, die am wichtigsten sind – damit Sie schneller bessere Trainingsdaten aufbauen. Wir haben auch Leitfäden für die Beschriftung erstellt, mit Bildern echter Produkte, die wir mit Kunden teilen.

KI-Modelle übersahen, was Menschen übersahen

Ein weiteres häufiges Problem bei der Fehlererkennung ist, dass das KI-Modell nicht „intelligent“ genug war, um zu bemerken, dass etwas nicht stimmte, wenn der Fehler nicht beschriftet war. Dies könnte daran liegen, dass zu wenige Proben des Fehlers hochgeladen wurden. Seltene Fehler wurden möglicherweise übersprungen, weil sie schwer zu erkennen waren. Einige Teams verpassten während der Beschriftung ganze Fehlertypen – und bemerkten es erst, als das Modell eine ganze Charge davon nicht erkannte.

Einige Modelle erfordern, dass Mitarbeitende genügend Proben der Fehler finden, damit das Modell sie erkennt; bis sie das tun, ist der Durchlauf bereits vorbei und es ist eine neue Variante. Bei seltenen oder subtilen Fehlern versagen Modelle, die große Datensätze benötigen.

Das bedeutet, es gibt kein Sicherheitsnetz. Viele automatisierte Qualitätskontrollsysteme legen die volle Last auf die Bedienerinnen und Bediener, jeden Fehler manuell zu finden, zu markieren und zu beschriften. Das kostet Zeit, und es ist leicht, Dinge zu übersehen.

Was Sie tun können: Fragen Sie einen Anbieter, wie sein Modell funktioniert. Vergleichen Sie, wie viele Musterproben Anbieter benötigen, bevor das Modell zu funktionieren beginnt. Wählen Sie einen Anbieter, der eine realistische Anzahl von Bildern hat und Ihnen klar erklären kann, wo ihre Modelle gut funktionieren und was die Einschränkungen sind.

Wie Enao Vision damit umgeht: Das Machine Vision System von Enao Vision findet Fehler selbstständig. Es tut dies, indem es Oberflächenanomali​​en automatisch erkennt und sie einer menschlichen Bedienerin oder einem menschlichen Bediener zur Bestätigung, Beschriftung und Verfeinerung meldet. Dieser Ansatz macht das KI-Modell nicht nur allgemeiner und robuster, sondern hilft auch Mitarbeitenden, ihre Energie auf Entscheidungsfindung und Training zu konzentrieren, nicht auf die Suche nach Bildern zum Aufnehmen und Hochladen.

Modelle ließen sich nicht auf neue Produkte übertragen

Dieses Problem ist eines, das wir von Kunden gehört haben, die andere Anbieter genutzt hatten. Ein KI-Modell, das Fehler für eine Produktvariante effektiv erkannt hat, versagt bei der nächsten. Kunden erzählten uns von Modellen, die im Test gut funktionierten und dann zusammenbrachen, als ein neues Produkt auf der Linie lief. Andere erzeugten konstante False Positives (falsch positive Ergebnisse) bei normalen Variationen, die das Modell nie gesehen hatte. Neue Farben, neue Oberflächen, neue Profile – jede kann ein Modell brechen, das auf älteren Daten trainiert wurde.

Dieses Leistungsproblem hängt damit zusammen, wie das Modell des Machine Vision Systems funktioniert. Dies könnte bedeuten, dass Teams bei jeder Produktvariante immer wieder von vorne beginnen müssen. Jedes Mal muss das Team manuell neue Daten sammeln und von Grund auf neu trainieren. Mehr darüber erfahren Sie in unserem Artikel, der erklärt, wie die neuesten KI-Modelle für automatisierte Fehlererkennung funktionieren.

Was Sie tun können: Finden Sie genau heraus, wie das Modell funktioniert, bevor Sie sich verpflichten. Fragen Sie, ob das Modell für jede Produktvariante neu trainiert werden muss oder ob es verallgemeinertes Wissen gibt. Wenn einige Anbieter sagen „kein Training erforderlich“, fragen Sie sie, wie das Modell lernen kann, sich zu verbessern, wenn es Fehler macht.

Wie Enao Vision damit umgeht: Das Machine Vision System von Enao Vision ist darauf ausgelegt, zu verallgemeinern. Das bedeutet, es identifiziert automatisch, wo Ihr Defect Detection-Modell (Fehlererkennungsmodell) schwach ist, und schlägt die richtigen Bilder vor, um es zu beheben. Es funktioniert als Partner und sagt Ihnen, wie Sie es verbessern können, damit sich die Abdeckung kontinuierlich verbessert, ohne wiederholten manuellen Aufwand.

Fazit

Die meisten Automated Quality Inspection-Lösungen (automatisierten Qualitätsprüfungslösungen) scheitern aus denselben Gründen: Konnektivitätsprobleme, Installationsverzögerungen, schlechte Beleuchtung, inkonsistente Beschriftungen und starre Machine Vision Systeme, die sich nicht anpassen können.

Die meisten davon sind lösbare Probleme. Gleichzeitig sind es Probleme, vor denen Mitarbeitende nicht gewarnt werden. Die Kundschaft wird allein gelassen, sie zu lösen. Enao Vision macht das nicht. Wir wissen, dass Erfolg genauso viel mit der Technologie zu tun hat wie mit dem Setup. Deshalb haben wir nicht nur die Software, die Hardware, sondern das komplette Setup-Paket gehandhabt. Jedes Enao Vision Trial Kit enthält ein iPhone, einen 5G-Hotspot für Konnektivität, Montagematerial und auf Anfrage ein Beleuchtungs-Setup. Dies hilft unseren Kunden, sich auf die anstehende Aufgabe zu konzentrieren: das Scannen auf Fehler und das Sehen von Ergebnissen in Stunden.

Neugierig, wie eine reibungslose Bereitstellung aussieht? Vereinbaren Sie einen Termin mit uns – wir zeigen es Ihnen gerne.