Durch kleine Mängel bietet sich eine riesige Gelegenheit
Gegenwärtig gibt es in der Volksrepublik China etwa 600 Reifenhersteller, die zusammengenommen etwa 800 Millionen Reifen jährlich oder anders ausgedrückt ein Drittel der gesamten weltweiten Produktionsmenge von Reifen erzeugen.1
Die Gewährleistung einer konstanten Produktqualität in diesem Maß ist eine Herausforderung. Die meisten Unternehmen verlassen sich auf die manuelle Inspektion – eine zeitaufwändige und unzuverlässige Strategie. Die Ausbildung der Inspektoren erstreckt sich über ca. drei Monate, wobei die Inspektionen bis zu 80 % ihrer Zeit in Anspruch nehmen. Selbst umfassend geschulte Menschen urteilen subjektiv und können in der Regel eine Genauigkeitsquote von lediglich 90 bis 95 % aufrechterhalten.1
Ein großer Reifenhersteller beschloss, einen anderen Weg einzuschlagen und sich im Hinblick auf eine bessere Lösung an erfahrene Technologiepartner zu wenden. Das Resultat war beeindruckend.
DeepSight fokussiert KI auf die Vermeidung von Defekten
Auf der Suche nach einer Lösung bezüglich der Reifendefekte wandte sich der Hersteller an Shanghai DeepSight. DeepSight nutzt hochmoderne Technik in den Bereichen Deep Learning, maschinelles Sehen (Computer Vision) und Bildverarbeitung, um Videos in Echtzeit zu analysieren und die wesentlichen Informationen und Erkenntnisse zu entnehmen, die für Unternehmen entscheidend sind.
DeepSight bietet hochgenaue und äußerst zuverlässige Testprodukte, die Kunden bei der Problemlösung effektiv unterstützen. Das Unternehmen ist zudem tief in der Industrie verwurzelt und hat viele erfolgreiche industrielle Zusammenarbeiten auf dem Gebiet der industriellen Fehlererkennung unternommen.
Die Beseitigung winziger Reifenmängel
Aufbauend auf seinem KI-Fachwissen hat sich DeepSight mithilfe von maschinellem Sehen mit der anhaltenden Defektproblematik des Reifenherstellers befasst. Verschiedene Arten von Defekten erfordern unterschiedliche Bilderfassungssysteme, um die bestmöglichen Bilder zu erzeugen. Die DeepSight-Lösung basiert auf Deep Learning und erfordert enorme Rechenleistung. Das Bilderfassungssystem umfasst folgende Komponenten:
- Eine Kamera
- Ein Objektiv
- Eine Lichtquelle
- Die mechanische Struktur (verschiedene Arten von Defekten erfordern unterschiedliche Bilderfassungssysteme)
Die Edge-Geräte der Lösung setzen sich zusammen aus:
- Einem auf Intel® basierenden Industriecomputer und einem Bildschirm zur Bildanalyse, -anzeige und -datenspeicherung
- DeepSight Deep Inspect zur Fehlererkennung
- Dem Intel® Distribution of OpenVINO™ Toolkit
Die Bilddaten werden zunächst durch das Bilderfassungssystem gesammelt. Diese werden dann zur Echtzeiterkennung und -analyse durch die Software von DeepSight, Deep Inspect, an das Edge-Gerät übertragen. Die Ergebnisse werden dann zur Klassifizierung zurück an das Produktionsband übermittelt.
Die Prüfgeräte von DeepSight ersetzen die ursprünglichen Prüfgeräte. Die konfigurierte Schnittstelle kann direkt mit dem Produktionsband des Kunden verbunden werden, so dass der Kunde die Genauigkeit und Stabilität der Prüfgeräte durch Stichproben überprüfen kann.
In Partnerschaft mit Intel kann Deep Sight die Erkennung beschleunigen
Das Kernteam von DeepSight hat seinen Ursprung in den Intel Labs. Zur Erzielung der besten Erkennungsergebnisse wandte sich DeepSight also an das Unternehmen Intel, das sowohl Schlüsseltechnologien als auch kritische Erfahrungen in den Bereichen KI, maschinelles Sehen und Deep Learning mit einbrachte. Intel hat den Algorithmus mithilfe des Intel® Distribution of OpenVINO™ Toolkits optimiert.
Das Toolkit lieferte für Intel® Prozessoren optimierte Tools für maschinelles Sehen und Deep-Learning-Inferenz, was zu erheblichen Leistungsverbesserungen führte. Durch die Beschleunigung der Intel® Hardware mit dem Intel® Distribution of OpenVINO™ Toolkit konnte DeepSight seinen Erkennungsmodell-Algorithmus auf einem normalen Industriecomputer zuverlässig ausführen.
Die integrierte Hard- und Software beschleunigte die Leistung und ermöglichte es der DeepSight-Inspektionssoftware, Defekte schneller zu erkennen. Dies sparte Zeit im Bereich der Optimierung und Entwicklung und ermöglichte eine schnellere Bereitstellung.
Von kleinen Defekten zu großen Vorteilen
Die Automatisierung und Beschleunigung der frühzeitigen Fehlererkennung ermöglichten es dem Reifenhersteller, die Produktionseffizienz zu maximieren und gleichzeitig entstehende Abfälle und die Gesamtkosten zu reduzieren. Die Anstrengungen führten ebenfalls zu einer hohen Stabilität und einer niedrigen Umweltbelastung.
Jetzt können die Probleme, die Reifendefekte verursachen, schon früher während des Fertigungsprozesses behandelt werden, und nicht mehr erst, wenn die Reifen bereits auf dem Fließband waren. Heute ist der Hersteller dank der auf Intel® basierenden DeepSight-Lösung in der Lage, mehr als 20.000 Reifen pro Tag in Echtzeit mit einer verbesserten Genauigkeitsquote von mehr als 99,9 % zu prüfen.1
Zudem hat sich die Erkennungsgeschwindigkeit im Vergleich zur traditionellen manuellen Inspektion drastisch verbessert: Sie beträgt jetzt im Durchschnitt weniger als eine Sekunde pro Inspektion – eine drastische Verbesserung der Erkennungszeit im Vergleich zu früheren Methoden. Die verbesserte Geschwindigkeit und Genauigkeit haben sich auch auf das Gesamtergebnis ausgewirkt und dazu beigetragen, die Arbeitskosten um etwa 42.000 USD pro Produktionsband zu senken.1
Die Lösung arbeitet schnell und mit der gleichen Geschwindigkeit wie das ursprüngliche Produktionsbande – eine Leistung, die vom Reifenhersteller sehr geschätzt wird. Sie bietet zudem eine hervorragende Skalierbarkeit und beschleunigtes Lernverhalten im Falle neuer Defekte. Ausgehend von diesem ersten Erfolg wurde die DeepSight-Lösung inzwischen in weiteren Produktionsbändern eingesetzt und wird voraussichtlich auch für andere ähnliche Reifeninspektionen eingesetzt werden.
Deep Sight und Intel helfen einem Reifenhersteller, das Tempo zu erhöhen
Durch die Kombination von DeepSight-Technik, Intel® Core™ Prozessoren und dem Intel® Distribution of OpenVINO™ Toolkit war es dem Kunden von DeepSight möglich, schnell Dinge zu identifizieren, die die „menschlichen“ Inspektoren zuvor nicht erkennen konnten, und gleichzeitig Inspektionsaufgaben auszuschließen, die das Sehvermögen der Inspektoren belasten können. Und da die maschinelle Inspektion objektiv ist und dabei niemand ermüden kann, kann sie ununterbrochen und mit größerer Geschwindigkeit und Effizienz durchgeführt werden.
Indem das Unternehmen in die Lage versetzt wurde, die Grundursache für Reifendefekte anzugehen, bevor sie zu größeren Problemen werden, half DeepSight dem Reifenhersteller, von ihm sehr wilkommen geheißene Verbesserungen in der Produktionseffizienz, der Bereitstellungsgeschwindigkeit, der Mitarbeiterproduktivität, der Abfallreduzierung und der Produktqualität zu erzielen.