BMW Group: KI auf dem Laptop jedes Mitarbeiters

Die BMW Group stützt sich auf das Intel® OpenVINO™ Toolkit für KI-basierte Anonymisierung für jeden Mitarbeiter.

Auf einen Blick:

  • Mit den Marken BMW, MINI, Rolls-Royce und BMW Motorrad ist die BMW Group einer der weltweit führenden Premiumhersteller von Automobilen und Motorrädern.

  • Um nicht nur Datenwissenschaftlern, sondern auch Fertigungsmitarbeitern zu ermöglichen, KI-Workloads auf einem klassischen Desktop-PC zu nutzen, setzt die BMW Group eine von Robotron mit dem Intel® OpenVINO™ Toolkit entwickelte Anwendung ein. Das Toolkit von Intel beschleunigt und verbessert das maschinelle Sehen mit Deep Learning und bringt die BMW Group ihrem Ziel „KI auf jedem Mitarbeiter-PC“ näher.

BUILT IN - ARTICLE INTRO SECOND COMPONENT

Risse, Kratzer im Lack oder falsche Etiketten: Die BMW Group setzt auf Systeme für die automatische Bildverarbeitung (maschinelles Sehen), um Defekte bei der Produktion und Qualitätskontrolle festzustellen. Diese Lösungen nutzen KI-basiertes Deep Learning, um visuelle Daten effizient zu verarbeiten und zu analysieren, die in erster Linie auf Spezialhardware oder in der Cloud gespeichert sind. Um nicht nur Datenwissenschaftlern, sondern auch Fertigungsmitarbeitern zu ermöglichen, KI-Workloads für die Qualitätskontrolle auf einem klassischen Desktop-PC zu nutzen, setzt die BMW Group eine von Robotron mit dem Intel® OpenVINO™ Toolkit entwickelte Anwendung ein. Das Toolkit von Intel beschleunigt und verbessert das maschinelle Sehen mit Deep Learning und bringt die BMW Group ihrem Ziel „KI für alle“ näher.

Mit den Marken BMW, MINI, Rolls-Royce und BMW Motorrad ist die BMW Group einer der weltweit führenden Premium-Hersteller von Automobilen und Motorrädern sowie Anbieter von Premium-Finanz- und Mobilitätsdienstleistungen. Das Produktionsnetz der BMW Group umfasst 31 Produktions- und Montageeinrichtungen in 15 Ländern, während das globale Vertriebsnetz Vertretungen in mehr als 140 Ländern aufweist. Im Jahr 2020 verkaufte die BMW Group weltweit mehr als 2,3 Millionen Autos und mehr als 169.000 Motorräder. Die Gruppe beschäftigt derzeit weltweit rund 120.000 Mitarbeiter und Mitarbeiterinnen.

© BMW Group

Automatisierte Bildverarbeitung in der Produktion

Optische Qualitätskontrolle von Komponenten mithilfe von Bildverarbeitung auf der Grundlage von künstlicher Intelligenz (KI) hat sich zum Branchenstandard entwickelt. Seit 2018 setzt die BMW Group verschiedene KI-Anwendungen für Produktionszwecke ein. Ein Schwerpunkt liegt auf Methoden zur automatisierten Bilderkennung. Die Erfahrung zeigt, dass Systeme mit maschinellem Sehen den menschlichen Prüfern bei repetitiven Testaufgaben überlegen sind. Maschinelles Sehen ist schneller, präziser und zuverlässiger, und gleichzeitig treten dabei auch keine Ermüdungserscheinungen auf. Mit maschinellem Sehen können auf der Fertigungsstraße rund um die Uhr Hunderte von Teilen pro Minute geprüft werden, und die Ergebnisse sind konsistent zuverlässig. Darüber hinaus können solche Tools mit der richtigen Auflösung und Optik Details erkennen, die für das menschliche Auge nicht sichtbar sind.

Bei der BMW Group entlasten KI-Lösungen die Produktionsmitarbeiter bei monotonen Routineaktivitäten wie der Prüfung, ob das Warndreieck oder Erste-Hilfe-Kit am richtigen Ort im Kofferraum untergebracht bzw. die Scheibenwischer-Abdeckkappe richtig angebracht ist. Im Werk Dingolfing führt eine KI-Anwendung auch anspruchsvollere Aufgaben aus. In der Abschlussphase der Prüfung vergleicht die Anwendung die Bestelldaten eines Fahrzeugs mit dem Live-Bild des Modellschriftzugs am neu hergestellten Auto. Dieser Schriftzug wie z. B. „X3“ oder „xDrive“ sowie alle möglichen Kombinationen werden in einer Bilddatenbank gespeichert. Ist der Schriftzug nicht angebracht, erhalten die mit der Abschlussprüfung betrauten Mitarbeiter eine diesbezügliche Mitteilung.

Ein weiteres Beispiel ist eine KI-Anwendung im Presswerk, in dem die Karosserie-Komponenten geformt werden. Dort hat die BMW Group zusammen mit der Robotron Datenbank-Software GmbH, einem Spezialisten für industrielle Computer-Vision und IoT mit Sitz in Dresden, eine Lösung entwickelt, die sogenannte Pseudo-Fehler beseitigt, d. h. Abweichungen vom Sollwert, selbst wenn in der Realität keine derartige Abweichung vorhanden ist. „Metallspäne oder Ölrückstände, die nach dem Formen auf den Karosserieteilen bleiben, können leicht mit sehr feinen Rissen verwechselt werden“, erläutert Michael Baling, Leiter der Industry Division bei Robotron. „Mit der KI-Lösung und der Möglichkeit des neuronalen Netzwerks, auf ca. 100 wirkliche Bilder pro Merkmal zugreifen zu können, werden Pseudo-Fehler minimiert – bei 100 Bildern der fehlerlosen Komponente sowie 100 Bildern mit Staubkörnern, Öltropfen auf der Komponente oder mit Rissen. Dies kann zur Identifizierung von Grenzfällen verwendet werden.“

© BMW Group

Basierend auf Deep Learning

Die beschriebenen Prüfungslösungen für Qualitäts- und Konformitätstests in der Fertigung verwenden Deep Learning zur Verarbeitung der riesigen Mengen an Bilddaten. Deep Learning ist eine Unterkategorie von KI oder maschinellem Lernen und basiert auf künstlichen neuronalen Netzen, die aus mehreren Schichten bestehen und dem menschlichen Gehirn ähnlich sind. Nach dem Training extrahieren Spezialalgorithmen Proben aus Rohdaten (in diesem Fall Bilddaten) und verbessern ihre Fähigkeiten im Laufe der Zeit. In der Regel müssen Menschen nicht mehr Teil des eigentlichen Lernprozesses sein.

Die Bildverarbeitung basiert auf einem Mustervergleich. Um zuverlässige und wiederholbare Ergebnisse zu erzielen, muss das KI-System schnell und genau trainierte Muster mit den tatsächlichen Objekten auf der Montagelinie in Übereinstimmung bringen. Bei der aktuellen Produktion bewertet die Lösung Bilder einer Komponente und richtet sie in Millisekunden mithilfe des Algorithmus aus, der das antrainierte Wissen aus Hunderten anderer Bilder derselben Komponente nutzt. So bestimmt das künstliche neuronale Netzwerk Abweichungen vom Standard in Echtzeit und überprüft beispielsweise, ob all die notwendigen Teile am richtigen Ort installiert oder montiert wurden.

Deep Learning Inferencing, d. h. die konkrete Verwendung des trainierten KI-Modells für die Bewertung der visuellen Daten, ist bislang nur in begrenztem Umfang auf besonderer Hardware möglich.

Ziel: Demokratisierung der KI mit Intel OpenVINO

Das Ziel der BMW Group ist die Demokratisierung der KI-Inferenzierung und eine Lösung ganz ohne Programmcode. Dies bedeutet, dass in Zukunft nicht nur Datenwissenschaftler oder Spezialisten im Bereich maschinelles Lernen in der Lage sind, KI-Workloads für die Qualitätskontrolle zu entwickeln und zu verwenden. Mit Intel OpenVINO sollte jeder Mitarbeiter in der Fertigung dieses Tool zur Verfügung haben, statt dass es nur auf teurer Spezialhardware ausgeführt werden kann, aber nicht auf jedem Standard-PC.

Um dieses Ziel zu erreichen, hat die BMW Group zusammen mit Robotron und Intel diverse AI APIs und Tools geschaffen. Damit kann jeder Benutzer eine KI-Anwendung für die Objekterkennung auf seinem Betriebs-PC in Zukunft erstellen und verwenden. Dieses Open-Source-Projekt, das die BMW Group für die gesamte Branche unter https://github.com/BMW-InnovationLab bereitstellt, basiert auf dem Intel OpenVINO Toolkit. Die Lösung läuft sowohl unter Windows als auch Linux.

Intel OpenVINO ist ein spezielles Toolkit für Deep-Learning-Frameworks wie TensorFlow, MXNet und Caffe. Es umfasst das Intel® Deep Learning Deployment Toolkit mit Modelloptimierung und einer Inferenz-Engine sowie optimierte Bibliotheken und Funktionen für OpenCV und OpenVX. OpenCV ist eine kostenlose Software-Bibliothek mit Algorithmen für die Bildverarbeitung das maschinelle Sehen. OpenVX ist ein offener Standard für die plattformübergreifende Beschleunigung von Anwendungen für das maschinelle Sehen.

Das OpenVINO Toolkit beschleunigt Workloads für maschinelles Sehen mit Deep Learning und optimiert diese Anwendungen auf verschiedenen Intel Plattformen. Dazu zählen CPUs mit integrierter Grafik, Hardware-Beschleuniger für Kameras oder andere Bildverarbeitungsgeräte in Edge-Computern, auf denen die KI-Anwendung nahe der Videokamera arbeitet. Dies stellt sicher, dass der Algorithmus auf jedem PC optimal ausgeführt wird.

Aktuelles Projekt: Anonymisierung von Bilddaten

Derzeit arbeitet Robotron an einem Projekt mit Intel OpenVINO für die BMW Group zur Anonymisierung von Gesichtern oder Komponenten (https://github.com/BMW-InnovationLab/BMW-Anonymization-API). „In der Industrie geben Betriebsrat und die allgemeine Datenschutzverordnung vor, dass zur Einhaltung der Compliance eine Anonymisierung von Personen bei jeglicher Form von Bildmaterial erforderlich ist. KI hilft daher dem maschinellen Sehen, mit der DSGVO konform zu werden“, so Michael Baling von Robotron.

Um die Personen oder Komponenten automatisch zu anonymisieren, sollten die im Bild/Video sichtbaren Gesichter mit dem neuen KI-Modul pixeliert oder verdeckt werden. Das Gleiche gilt für Bereiche oder Produkte, die nicht im Bild/Video erfasst werden sollten. Zu diesem Zweck werden Modelle mit Bilddateien trainiert, um zu erkennen, ob Personen oder Komponenten im Bild sind, damit sie später ausgefiltert oder pixeliert werden können. Der Anonymisierungsprozess, bei dem das Modell oder der Algorithmus auf das Bild oder Video angewendet wird, wird auf einem Standard-Büro-PC ausgeführt. Dank OpenVINO sind keine Server oder andere spezielle Hardware mehr erforderlich.

Michael Baling fasst zusammen: „Mit OpenVINO kann die Inferenz für den Anonymisierungs-Workflow direkt auf Standardhardware ausgeführt und für diesen Zweck perfekt optimiert werden. Dank unserer zweckorientierten Partnerschaft mit Intel konnten wir hier sehr schnell hervorragende Ergebnisse erzielen. Dies bedeutet, dass jetzt potenziell jeder Mitarbeiter KI-Anwendungen verwenden kann.“

© BMW Group

Komponenten des Intel OpenVINO Toolkit

Das OpenVINO Toolkit umfasst Modelloptimierung, eine Inferenz-Engine, optimierte Bibliotheken und Funktionen für OpenCV und OpenVX sowie die webbasierte Grafikumgebung Deep Learning Workbench. Hier eine kurze Beschreibung:

  • Bei der Modelloptimierung handelt es sich um ein Befehlszeilen-Tool auf Python-Basis, das unter Windows, Linux und MacOS ausgeführt werden kann. Es unterstützt mehr als 100 bereits trainierte, öffentlich zugängliche Modelle aus beliebten Deep-Learning-Frameworks wie Caffe, TensorFlow, Apache MXNet oder Open Neural Network Exchange (ONNX). Die Modelloptimierung führt Analysen aus und passt die Modelle an, um auf unterschiedlichen Endgeräten optimal ausgeführt zu werden. Auf diese Weise können Algorithmen auf verschiedenen Intel Hardware-Plattformen bereitgestellt werden, um Zeit und Entwicklungsressourcen zu sparen.
  • Die Inferenz-Engine bietet Inferenzlösungen mithilfe einer gemeinsamen API auf der gewünschten Plattform, d. h. Prozessor, Grafikprozessor GPU usw. Inferenz bezieht sich auf die Verwendung des trainierten Modells, um anhand der gegebenen Daten Schlussfolgerungen zu ziehen oder Prognosen zu treffen. Dies ermöglicht auch die Ausführung verschiedener Layer auf unterschiedlicher Hardware wie beispielsweise CPU und GPU sowie die Optimierung von Workloads für Grafikanalyse, Planung, Modellkomprimierung und mehr.
  • Open CV und OpenVX: Das Toolkit bietet auch optimierte Bibliotheken und Funktionen für OpenCV und OpenVX. OpenCV ist eine kostenlose Software-Bibliothek mit Algorithmen für Bildverarbeitung und maschinelles Sehen für die Programmiersprachen C, C++, Python und Java. OpenVX ist ein offener Standard für die plattformübergreifende Beschleunigung von Anwendungen für das maschinelle Sehen.
  • Deep Learning Workbench: Diese webbasierte grafische Umgebung ermöglicht Benutzern, die Leistung von Deep-Learning-Modellen und Datensätzen auf verschiedenen Intel Architekturkonfigurationen (CPU, GPU und VPU) zu visualisieren. Sie bietet wichtige Kennzahlen wie Latenz, Durchsatz und Leistung für jeden Layer des ausgewählten neuronalen Netzwerks. Dies ermöglicht die Konfiguration von Inferenzexperimenten, um eine optimale Leistung zu bieten.

Informationen über zugehörige Produkte und Lösungen