Unser UseCase-Partner
Cedoon arbeitet an einer innovativen KI-Lösung zur automatisierten Qualitätskontrolle von Schrauben, um Produktionsfehler zu minimieren und den Prüfprozess effizienter zu gestalten. In der herkömmlichen Qualitätssicherung erfolgt die Kontrolle der Schrauben manuell, was zu einer hohen Fehleranfälligkeit und ineffizienten Abläufen führt. Durch den Einsatz von künstlicher Intelligenz soll eine automatisierte Lösung entwickelt werden, die mit hoher Präzision Qualitätsabweichungen erkennt und eine zuverlässige Bewertung der Produkte ermöglicht.
Im Zentrum des Projekts steht die Entwicklung eines Bilderkennungssystems, das mithilfe von Machine Learning-Modellen Schrauben visuell analysiert und automatisch entscheidet, ob diese den Qualitätsanforderungen entsprechen. Um dieses Ziel zu erreichen, werden verschiedene Methoden des Deep Learning erforscht und getestet. Dabei kommen Autoencoder zur Erkennung von Anomalien sowie Transfer Learning mit vortrainierten neuronalen Netzwerken wie ResNet15 und SqueezeNet zum Einsatz. Diese Modelle werden speziell darauf trainiert, kleinste Abweichungen in Materialstruktur, Gewindeform und Oberflächenbeschaffenheit zu identifizieren.
Die Umsetzung erfolgt in mehreren Phasen, beginnend mit der Datenerfassung und Vorverarbeitung. Bilder und Videos von Schrauben werden aufgenommen, kategorisiert und standardisiert, um eine konsistente Trainingsgrundlage für die KI zu schaffen. Dabei werden verschiedene Faktoren wie Beleuchtung, Kamerawinkel und Auflösung berücksichtigt. Durch den Einsatz moderner Bildkompressionstechniken wird zudem sichergestellt, dass die Daten effizient verarbeitet werden können, ohne an Analysegenauigkeit zu verlieren.
In der Trainingsphase werden unterschiedliche neuronale Netzwerke mit den aufbereiteten Bilddaten gefüttert, um ein Modell zu entwickeln, das eine präzise Klassifikation zwischen "guten" und "schlechten" Schrauben ermöglicht. Die Evaluierung erfolgt mit MATLAB, wobei verschiedene Modellparameter und Trainingsstrategien optimiert werden. Ziel ist es, eine hohe Vorhersagegenauigkeit zu erreichen, die eine zuverlässige Qualitätskontrolle ohne manuelle Eingriffe ermöglicht.
Nach der erfolgreichen Entwicklung und Evaluierung des KI-Modells folgt die praktische Umsetzung in Form einer nutzerfreundlichen Anwendung. Die erste Version wird als MATLAB-Anwendung zur Bilderkennung bereitgestellt, während in einer späteren Phase eine Web-Applikation mit REST-API entwickelt wird. Diese ermöglicht die Integration in bestehende Fertigungsprozesse und eröffnet die Möglichkeit zur Nutzung der Lösung auf verschiedenen Endgeräten, einschließlich Android-basierten Systemen und IoT-Plattformen.
Durch die Implementierung dieser KI-gestützten Qualitätskontrolle erwartet Cedoon eine signifikante Reduzierung von Fehlerquoten in der Schraubenproduktion. Gleichzeitig werden Ressourcen effizienter genutzt, da fehlerhafte Produkte frühzeitig erkannt und aussortiert werden können. Die Automatisierung dieses Prozesses trägt nicht nur zur Senkung der Produktionskosten bei, sondern verbessert auch die allgemeine Produktqualität und die Wettbewerbsfähigkeit des Unternehmens. Langfristig könnte diese Technologie auf weitere industrielle Anwendungen ausgeweitet werden, um Qualitätsprüfungen in anderen Bereichen der Fertigungsindustrie zu revolutionieren.