Machbarkeitsstudie zur visuellen Qualitätssicherung

Ein Hersteller von Spritzgussteilen beauftragte eine Machbarkeitsstudie zur Entwicklung eines KI-gestützten Systems zur visuellen Qualitätssicherung. Ziel war es, potenzielle Fertigungsfehler automatisiert zu erkennen und somit Ausschuss zu reduzieren sowie die Qualitätssicherung effizienter zu gestalten.

Umsetzung:
Im Rahmen der Studie wurde geprüft, ob vorhandene CAD-Daten als Grundlage für die Erzeugung synthetischer Trainingsdaten geeignet sind. Es wurden verschiedene Methoden zur Anomalie-Erkennung untersucht, unter anderem durch den Einsatz von Convolutional Neural Networks (CNNs) zur Detektion struktureller Abweichungen an Oberflächen und Formen.

Die Studie analysierte die Anforderungen an Datenqualität, Labeling und Modellkomplexität und bewertete die Aufwände zur Umsetzung einer produktionsreifen Lösung. Darüber hinaus wurden erste Prototypen zur Klassifikation und Segmentierung von Fehlerbildern erstellt, um die technischen Möglichkeiten zu validieren.
Ergebnisse und Empfehlungen wurden in einem Abschlussbericht zusammengefasst und dienten als Entscheidungsgrundlage für eine mögliche Weiterentwicklung in Richtung Pilotierung.