Industrie | Machine Vision | KI KI-Inspektion: Maddox AI teilt das Risiko

Anbieter zum Thema

Heidrive GmbH

UberCloud

Maddox AI teilt das Risiko: Bezahlung erst bei erfüllten KPIs. KI-Modelle erkennen Defekte im Betrieb, Software wird als SaaS gepflegt. Datenzentristik und synthetische Fehlerbilder beschleunigen.

Bei der Entwicklung einer komplexen Anlage mit integrierter Bildverarbeitung trage der Käufer üblicherweise einen Großteil des Risikos, so Peter Droege, einer der Gründer und CEO des Tübinger Unternehmens Maddox AI: „Bis zur Installation und der Integration einer Prüfanlage in die Produktion haben Kunden oft bereits bis zu 90 Prozent des Projektbudgets bezahlt. Der risikoreichere Teil ist es, den Einsatz der automatisierten Inspektion vorzubereiten und ihre präzise Funktion im Regelbetrieb sicherzustellen. Da zu diesem Zeitpunkt nur noch die letzten 10 bis 15 Prozent der Zahlung ausstehen, kann die Motivation von Maschinenbauern und Systemintegratoren schwinden, die Anlage optimal und schnell zum Laufen zu bekommen.“

Dieses Risiko übernimmt Maddox AI mit einem neuen Ansatz, so Droege: „Wir stimmen zunächst alle Key Performance-Indikatoren mit unseren Kunden ab. Danach installieren und integrieren wir die geeignete Vision-Hardware in die Produktion und beginnen mit dem Sammeln und Annotieren von Bilddaten sowie dem Trainieren von KI-Modellen. Bis dahin sind unsere Leistungen kostenfrei.“ Erst wenn alle festgelegten KPIs erfüllt sind, d.h. die KI-Modelle akkurat und ausreichend schnell alle relevanten Defekte im Regelbetrieb identifizieren, kommt es zum kostenpflichtigen Lizenzvertrag. Für den Einsatz der KI-Modelle und der Weiterentwicklung liefert Maddox AI Software-Updates, die als jährliche Software-as-a-Service (Saas)-Gebühren abgerechnet werden.

Neben der besseren Fehlererkennung und der effektiveren Datenannotation ermöglicht Maddox AI zudem die Optimierung von Produktionsprozessen.

Datenzentristische KI: Der Schlüssel zur Qualitätsprüfung

Dass Maddox AI bei seinem ungewöhnlichen Geschäftsmodell auf Künstliche Intelligenz setzt, hat gute Gründe: Regelbasierte Bildverarbeitungsysteme sind der manuellen Qualitätskontrolle zwar deutlich überlegen, stoßen aber vor allem bei komplexen Aufgaben oft an ihre Grenzen. Jedoch stellen auch KI-basierte Vision-Systeme nicht per se ein Wundermittel für jede Anwendung dar: Bei der Annotation von Bildern und der Entwicklung geeigneter KI-Modelle bieten sie oft noch nicht die nötige Anwenderfreundlichkeit und Zuverlässigkeit und werden deshalb derzeit nur begrenzt eingesetzt.

Hier geht Maddox AI einen Schritt weiter, so Droege: „Entscheidende Erfolgsfaktoren für den Einsatz von KI und die Nutzung von Machine Learning (ML)-Methoden sind eine optimale Machine Learning-Architektur und eine konsistente Datenbasis. Die ML-Architektur ist bei praktisch allen Anbietern sehr ähnlich. Eine konsistente Datenbasis wird hingegen von den meisten Lösungen am Markt vernachlässigt, obwohl es der größte Hebel für bessere Ergebnisse ist.“

Smarter Vision-Sensor

Bildverarbeitung in Roboteranwendungen integrieren

Wie Maddox AI diese verbesserte Datenkonsistenz erzielt, erläutert Droege anhand eines Beispiels: „In der Produktion fallen durch hohe Stückzahlen große Datenmengen an, während Defekte nur relativ selten auftreten. Anstatt manuell nach NOK-Teilen zu suchen, um Trainingsdaten für Defekterkennungsmodelle zu gewinnen, kann unser Software-Tool Similarity Search vorhandene Daten nach Bereichen durchsuchen, die bereits markierten Defekten stark ähneln. So lassen sich gezielt relevante Beispiele finden, was die Datenannotation deutlich schneller und konsistenter macht.“

Künstliche Fehlerbilder für optimierte KI-Inspektionssysteme

Eine weitere Schwachstelle vieler ML-Systeme: Bestimmte Fehler treten in der Produktion so selten auf, dass sie zum Anlernen von KI-Modellen nicht zur Verfügung stehen. Hier kann Maddox AI künstliche Fehlerbilder generieren und so das Training von Inspektionssystemen effizienter gestalten.„Unsere Software enthält Werkzeuge, die dem Menschen beim einfacheren, schnelleren Erstellen von konsistenten Datensätzen helfen“, unterstreicht Droege. „Datenannotation ist der zeitintensivste und wichtigste Hebel zur Verbesserung der KI-Performance eines Vision-Systems. Unsere Supervised AI-Tools in Kombination mit konsistenteren Daten machen den Unterschied zu anderen KI-Systemen sowie zu regelbasierten Systemen am Markt: Sie reduzieren den Pseudoausschuss und erhöhen so die Wirtschaftlichkeit in der Produktion.“
Neben der besseren Fehlererkennung und der effektiveren Datenannotation ermöglicht Maddox AI zudem die Optimierung von Produktionsprozessen. Inspektionssysteme nutzen Informationen über erkannte Fehler oft gar nicht oder nicht effizient genug zur Optimierung von Anlagen. Durch die Auswertung der gesammelten Qualitätsdaten erkennt die Software übergeordnete Zusammenhänge - wie die Abnutzung von Werkzeugen oder falsch eingestellte Anlagenparameter und gibt dem Anwender entsprechende Hinweise. So kann dieser rechtzeitig reagieren und damit die Effektivität seiner Produktion steigern. Künftig soll Maddox AI nicht nur anzeigen, welche Fehler erkannt wurden und wie sie entstanden sein könnten, sondern proaktive Vorschläge machen, wie man diese Fehler vermeiden könnte.

Komplexe Qualitätskontrolle wirtschaftlich automatisieren

„Für die meisten Aufgaben in der industriellen Qualitätskontrolle ist der Einsatz menschlicher Arbeitskräfte keine wirtschaftliche Option. Traditionelle regelbasierte Inspektionssysteme weisen zwar oft eine hohe Kosteneffizienz auf, eignen sich aber vor allem für einfachere Prüfaufgaben und liefern selbst bei optimaler Auslegung aller Parameter oft keine absolut zuverlässigen Ergebnisse. Zudem dauert es häufig sehr lange, bis ein System stabil eingerichtet und einsatzbereit ist.“ Der Machine Learning-basierte Ansatz von Maddox AI eignet sich hingegen auch für komplexe Inspektionsaufgaben und besticht durch seine Kosteneffizienz, so Droege.
 „Wir haben unsere Lösungen mittlerweile in sehr vielen Industriesparten wie Automotive, Medizin und Pharma, Elektronik, bei der Lebensmittelherstellung, bei der Produktion von Konsumgütern und in zahlreichen weiteren Bereichen erfolgreich im Einsatz“, freut sich Droege. „Das zeigt uns, dass wir mit unserer Idee eines optimierten Machine Learning-Ansatzes richtig liegen und damit selbst komplexe Qualitätskontrollen mit hoher Kosteneffizienz realisieren können.“

Peter Stiefenhöfer ist Inhaber von PS Marcom Services in Olching.