KI-gestützte Workstation für die Qualitätskontrolle |
Mehr Effizienz durch Bildverarbeitung, Echtzeitunterstützung und axiomatisches Design
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 41. Jahrgang, 2025, Ausgabe 5, Seite 128-134 |
| Open Access | https://doi.org/10.30844/I4SD.25.5.128 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Steigende Anforderungen an die Individualisierung, kürzere Produktlebenszyklen und strengere Qualitätsstandards verändern die moderne Fertigung [1]. Die traditionelle Qualitätskontrolle, die auf manuellen Prüfungen oder starrer Automatisierung basiert, birgt Herausforderungen bei hoher Produktvielfalt und geringen Stückzahlen, insbesondere bei reflektierenden oder komplexen Materialien wie Glas oder Aluminium [2]. Besonders relevant ist dies in Branchen wie der Premiumverpackung und der Automobilkomponentenprüfung, in denen vielfältige Produktionschargen und manuelle Prüfungen häufig zu Inkonsistenzen führen.
Obwohl Industrie 4.0 Tools wie cyber-physische Systeme, KI und intelligente Arbeitsplätze bietet, ist der integrierte Einsatz von hochauflösender Rot, Grün, Blau (RGB) – und polarisationsempfindlicher Bildgebung noch selten. RGB erfasst Farbe und Textur, während Polarisation Oberflächenfehler wie Spannungslinien und Mikrokratzer, insbesondere auf Glas, hervorhebt. Derzeit existiert kein System, das RGB und Polarisation in einer einheitlichen Echtzeit-Bildverarbeitungspipeline für den industriellen Einsatz integriert. Da bestehende Lösungen beide Aspekte getrennt behandeln, nimmt die Genauigkeit in anspruchsvollen visuellen Szenarien ab [3]. Dies ist wahrscheinlich auf Probleme bei der Synchronisation und Echtzeitverarbeitung hochauflösender Daten zurückzuführen.
Diese Studie zeigt ein modulares, kosteneffizientes System, welches diese Lücke schließen kann. Die zentrale Forschungsfrage lautet, ob ein intelligentes Inspektionssystem RGB- und PolarSens-Bildgebung zusammenführen kann, um eine zuverlässigere Ansicht von Materialoberflächen zu erhalten. Eine weitere Herausforderung besteht darin, diese Eingaben in einer KI-gesteuerten Bildverarbeitungs-Pipeline zu kombinieren, die in variablen Einstellungen in Echtzeit funktioniert.
Darüber hinaus muss die Rolle des axiomatischen Designs (AD) untersucht werden, um Modularität, Skalierbarkeit und Praxistauglichkeit von KMUs sicherzustellen. AD ist eine strukturierte Methode, die Benutzeranforderungen mit technischen Lösungen verknüpft, indem funktionale Anforderungen auf Designparameter abgebildet werden [4]. Die Prinzipien, funktionale Unabhängigkeit von Funktionen und minimale Komplexität von AD, tragen zur Schaffung skalierbarer und nachvollziehbarer Systemarchitekturen bei, die insbesondere in dynamischen industriellen Kontexten nützlich sind.
Dieser Beitrag stellt eine intelligente Workstation auf Basis von AD vor, die hochauflösende und polarisationsempfindliche Bildgebung mit Graphics Processing Unit (GPU)-beschleunigter KI integriert. Das System wurde in einem Anwendungsfall in der Vorverpackung getestet und kostet rund 20.000 Euro, wodurch auch kleine und mittlere Unternehmen (KMU) darauf zugreifen können. Die Ergebnisse zeigen eine verbesserte Fehlererkennung, einen geringeren Bedienungsaufwand und ein skalierbares Design, das für einen breiteren industriellen Einsatz geeignet ist.
Design und Vision in Industrie 4.0: Von der Theorie zur Praxis
Axiomatisches Design (AD) ordnet Probleme vier Bereichen zu – Kunde, Funktionale Anforderungen (FRs), Gestaltungsparameter (DPs) und Prozess – und nutzt iterative „Zickzackbewegungen“ zwischen FRs und DPs, um robuste, entkoppelte Lösungen zu entwickeln. AD eignet sich besonders für komplexe Fertigungssysteme, da es Abhängigkeiten frühzeitig erkennt und eine strukturierte Konstruktion unterstützt – insbesondere in intelligenten und rekonfigurierbaren Umgebungen.
Im Gegensatz zu explorativen Ansätzen wie Design Thinking oder Agile, die für die frühe Ideenfindung und Prototypenentwicklung nützlich sind, bietet AD eine formale Struktur, die sich ideal für die technische Systemzerlegung und Rückverfolgbarkeit eignet, insbesondere wenn Modularität, Kosteneffizienz und industrielle Integration im Vordergrund stehen [5]. AD hilft KMUs bei der Entwicklung modularer, skalierbarer intelligenter Systeme, die auf die betrieblichen Anforderungen und die Ziele von Industrie 4.0 abgestimmt sind.
KI unterstützt AD, indem sie die Zerlegung, Optimierung und Validierung erleichtert, Anforderungen in funktionale Anforderungen übersetzt und geeignete Designparameter auf Basis von Daten und Simulationen vorschlägt. Insbesondere Computer Vision (CV) spielt eine Schlüsselrolle in der Automatisierung der Qualitätsprüfung, da sie eine schnelle, berührungslose und konsistente Bewertung ermöglicht, die manuelle Kontrollen – vor allem bei hohen Stückzahlen oder variablen Bedingungen – übertrifft. [6]. Typische Aufgaben beinhalten die Fehlererkennung, Maßkontrolle und Teileprüfung [7], wobei häufig Methoden wie Kantenerkennung oder Template-Matching zum Einsatz kommen.
Neuere Entwicklungen kombinieren CV mit KI, insbesondere Deep Learning und Convolutional Neural Networks (CNNs), um subtile oder komplexe Fehler zu erkennen [8]. Polarisationsbildgebung steigert die Leistungsfähigkeit bei reflektierenden oder transparenten Materialien wie Glas und Metall [3], während GPU-Beschleunigung Echtzeit-Inline-Inspektion ermöglicht. In Kombination mit digitaler Assistenz liefert CV den Bedienern Feedback und Entscheidungshilfen [9]. Die in dieser Studie vorgestellte intelligente Workstation vereint diese Technologien und ermöglicht eine skalierbare, anpassungsfähige und präzise Qualitätskontrolle.
Entwurf der intelligenten Workstation: Von den Anforderungen zu den Funktionen
Die KI-Smart-Workstation ist ein cyber-physisches Produktionssystem (CPPS), das physische und digitale Komponenten über vernetzte Kommunikation intelligent verbindet. Sie steigert die Qualität und reduziert Fehler durch die Integration von spezialisierter Hardware, KI-Software und Mensch-Maschine-Interaktion. Polarisationskameras, hochauflösenden Kameras und adaptiver Beleuchtung ermöglichen präzise Oberflächeninspektion, während KI-gestützte Echtzeitanalyse auf GPU-Basis und eine benutzerfreundliche Oberfläche die Bedienerentscheidungen unterstützt.
Das AD-Framework strukturiert das System, insbesondere die funktionalen Anforderungen und Designparameter, und unterstützt die modulare und skalierbare Architektur der Workstation. Die funktionalen Anforderungen (FRs) wurden aus den zentralen Kundenanforderungen (CNs) abgeleitet, die durch Beiträge der Stakeholder im zuvor manuellen Qualitätskontrollprozess vor der Verpackung identifiziert wurden. Dazu gehören die präzise Erkennung fehlender oder falscher Teile, eine schnelle und zuverlässige Inspektion, die Anpassungsfähigkeit an verschiedene Produkte sowie eine klare Bedieneranleitung zur Reduzierung von Schulungszeiten und Fehlern.
Diese CNs wurden in FRs übersetzt, die die wesentlichen Fähigkeiten des Systems abbilden: Erkennung von Defekten auf Glas und Aluminium, zuverlässiges Lesen von QR-Codes, Gewährleistung der Echtzeitleistung, Unterstützung modularer Bildverarbeitungskomponenten, Anpassung an variable Lichtverhältnisse und Unterstützung der Bediener durch eine intuitive Benutzeroberfläche. Die entsprechenden DPs umfassen hochauflösende, polarisationsempfindliche Kameras, GPU-basierte Verarbeitung, modulare Software, KI-gesteuerte Kalibrierung und Erkennung sowie ein visuelles Dashboard für Echtzeit-Feedback.
Jeder DP wird durch spezifische Prozessvariablen umgesetzt, beispielsweise Schachbrett-Kamerakalibrierung, GPU-basiertes Deep Learning, eine Plugin-fähige Python-Architektur, Histogramm-basierte Beleuchtungssteuerung und eine Flask-Schnittstelle für Echtzeit-Feedback. Eine Designmatrix verknüpft die Parameter mit ihren funktionalen Anforderungen, während eine hierarchische Baumstruktur die Systembeziehungen visualisiert.
Prototyp-Implementierung und Leistungserkenntnisse
Eine vorläufige Implementierung der intelligenten Workstation wurde in einer kontrollierten Umgebung entwickelt und getestet, die eine Vorverpackungsstation für Duschkabinenkomponenten simuliert. Ziel war es, die durch AD gewonnenen Annahmen zu validieren und die Leistung des Systems bei der Fehlererkennung und der Bedienerunterstützung zu bewerten.
Der Prototyp integriert mehrere vernetzte Komponenten, die gemeinsam eine automatisierte Inspektion und Bedienerunterstützung ermöglichen. Dazu gehört eine RGB-Kamera (Baumer VLT-X-650 C.I), die 2,5 Meter über dem Vorverpackungstisch positioniert ist und für QR-Code- sowie Materialerkennung eingesetzt wird. Parallel dazu prüft eine PolarSens-Kamera (Baumer VCXG.2-51MP) reflektierende und transparente Materialien auf Fehler.
Für die Materialklassifizierung und Fehlererkennung wurde das YOLOv11-Modell (You Only Look Once) verwendet. Dieser Algorithmus ermöglicht die Objektlokalisierung und -klassifizierung in einem einzigen Durchgang und liefert gleichzeitig Klassenbezeichnungen und Begrenzungsrahmen. Im Gegensatz zu Methoden mit Regionsvorschlägen bietet YOLO eine schnellere Verarbeitung bei vergleichbarer Genauigkeit und eignet sich daher ideal für Echtzeit-Inspektionsaufgaben.
Die Workstation sorgt durch Softboxen und einstellbare LEDs für gleichmäßige, blendfreie Beleuchtung und stabile Sichtverhältnisse. Die Materialien werden auf einem zentralen Vorverpackungstisch geprüft, wobei die Daten über eine modulare Python-Pipeline verarbeitet werden, die Plug-in-Modelle unterstützt. Eine NVIDIA GTX 5070 GPU ermöglicht Echtzeit-KI-Vorhersagen, während eine Flask- und JavaScript-basierte Webschnittstelle Live-Feedback und Bedienerunterstützung bietet. Diese Konfiguration gewährleistet eine nahtlose Integration von Hardware und Software und ermöglicht eine effiziente, automatisierte Qualitätskontrolle.
Der Prototyp wurde in einem realistischen Vorverpackungskontext mit Glas, Aluminium und QR-codierten Artikeln evaluiert.
Wichtige Kennzahlen wie Erkennungsgenauigkeit, QR-Decodierung, Verarbeitungszeit, Modularität und Beleuchtungsrobustheit wurden unter verschiedenen Bedingungen getestet und mit manuellen Inspektionen oder Literaturwerten verglichen, um so die Wirksamkeit zu evaluieren.
- Erkennungsgenauigkeit: Über 80 % für QR-Codes, Profil- und Glasmerkmale sowie Oberflächenfehler, vergleichbar oder besser als bei manueller Inspektion (in der Regel 70–85 % je nach Bedingungen) [10]. Obwohl automatisierte optische Inspektionssysteme im Idealfall 95–99 % erreichen können, ist dieses Ergebnis angesichts der universellen Konfiguration und der Materialienkomplexität bemerkenswert.
- QR-Decodierungsgenauigkeit: Im Durchschnitt über 80 % unter verschiedenen Licht- und Testbedingungen, was manuelle Methoden mit hohen Fehlerquoten übertrifft [11]. Die Echtzeit-Decodierung reduziert die Arbeitsbelastung des Bedieners und minimierte Übertragungsfehler bei sich wiederholenden Verpackungsaufgaben.
- Materialerkennung und Fehlererkennung: Die Modellleistung wurde anhand der mittleren durchschnittlichen Präzision bei Schnittmengen-Überschreitungs-Schwellenwerten von 0,50 (mAP50) und 0,50:0,95 (mAP5095) bewertet. Bei der Materialerkennung erreichte das System über 90 % mAP50 und 70 % mAP5095. Bei der Fehlererkennung lagen die Werte bei 50 % mAP50 und 20 % mAP5095.
- Verarbeitungszeit pro Bild: 0,19 Sekunden (≈ 5 fps) mit GPU-Beschleunigung, was Echtzeitbetrieb ermöglicht. Dies entspricht einer 7,5-fachen Beschleunigung gegenüber einer CPU-basierten Version aus internen Benchmarks und bestätigt die Machbarkeit eines Inline-Einsatzes, in Übereinstimmung mit den bekannten Vorteilen von GPUs in Multitasking-Inspektionssystemen [12].
- Systemmodularität: Die Workstation wurde mit modularen Komponenten (z. B. Klassen und Funktionen) entwickelt, die einfache Updates ermöglichen. Dies entspricht den Best Practices für flexible Systeme in hochflexiblen Kleinserienfertigungen [1].
- Robustheit gegenüber Beleuchtung: Die Beleuchtungskonfiguration sorgt für eine stabile Bildqualität trotz Umgebungsunterschieden und reduziert blendungsbedingte Störungen, ein wesentlicher Vorteil bei der Inspektion reflektierender oder transparenter Materialien [13].
Obwohl keine Basisdaten zu manuellen Inspektionszeiten oder Fehlerquoten vorlagen, deuteten die Rückmeldungen der Bediener auf eine geringere kognitive Belastung und konsistentere Prozesse hin. Die KI-Modelle passten Schwellenwerte und Konfidenzwerte in Echtzeit an Beleuchtung und der Oberflächenreflexion an und verbesserten so die Fehlererkennung. Diese Anpassungsfähigkeit, die durch Kalibrierung und Rückkopplungsschleifen ermöglicht wurde, optimierte DP4 mit minimalem menschlichem Aufwand. Die Ergebnisse bestätigen, dass das AD alle funktionalen Anforderungen mit geringer Kopplung und hoher Anpassungsfähigkeit erfüllt [14].
Eine praktische Lösung für die Industrie 4.0
Die modulare, KI-gestützte Workstation demonstriert, wie axiomatisches Design (AD) betriebliche Anforderungen in technische Lösungen überführt. Nach dem Prinzip „Plug and Produce“ gewährleistet sie Flexibilität, Standardisierung und eine unkomplizierte Neukonfiguration [15, 16]. Durch die Kombination von cyber-physischen Produktionssystemen (CPPS), digitalen Schnittstellen und modularen Komponenten unterstützt das System KMUs bei der Einführung von Industrie 4.0.
Es automatisiert die Inspektion, reduziert Fehler und Schulungszeiten und verbessert die Produktivität in Umgebungen mit hoher Produktvielfalt. Einige manuelle Schritte bleiben bestehen, etwa die Neupositionierung unter schwierigen Lichtverhältnissen, doch zukünftige Upgrades wie adaptive Beleuchtung könnten die Autonomie weiter erhöhen.
Obwohl die Workstation an Duschkabinenkomponenten getestet wurde, eignet sie sich für allgemeine Vorverpackungsaufgaben, etwa in der Möbel-, Elektronik- oder Maschinenbauindustrie. Ihr modularer Aufbau ermöglicht eine einfache Anpassung an ähnliche Produktionskontexte und unterstreicht damit ihre Skalierbarkeit über den ursprünglichen Anwendungsfall hinaus. Erste Rückmeldungen aus Pilotprojekten deuten darauf hin, dass das System intuitiv und leicht zu integrieren ist und seine Architektur eine vielversprechende Grundlage für eine domänenübergreifende Skalierbarkeit bietet.
Zukünftige Entwicklungen werden auf langfristige Zuverlässigkeit, Selbstlernfähigkeit und eine tiefere Integration in CPPS-Frameworks abzielen. Insgesamt positioniert diese Arbeit die intelligente Workstation als skalierbare, zukunftsfähige Lösung, die technische, menschliche und organisatorische Dimensionen moderner Fertigung effektiv miteinander verbindet.
Dies ist die deutsche Version des englischen Originalbeitrags mit der DOI: 10.30844/I4SE.25.5.124
Literatur
[1] Tsarouhas, P.; Papaevangelou, N.: Critical steps and conditions to be included in a business model in logistics, seeking competitive advantage from the perspective of the modern digital age and industry 4.0. In: Applied Sciences 14 (2024) 7, S. 2701.[2] Aust, J.; Pons, D.: Comparative analysis of human operators and advanced technologies in the visual inspection of aero engine blades. In: Applied Sciences, 12 (2022) 4, S. 2250.
[3] Li, D.; Peng, X.; Cao, H.; Xie, Y.; Li, S.; et al.: Real-time polarimetric imaging and enhanced deep learning model for automated defect detection of specular additive manufacturing surfaces. In: Photonics 12 (2025) 3, S. 243.
[4] Suh, N. P.: Designing-in of quality through axiomatic design. In: IEEE Transactions on reliability, 44 (1995) 2, S. 256-264.
[5] Matt, D. T.; Rauch, E.: Application of axiomatic design for the design of flexible and agile manufacturing systems. In: Design Engineering and Science (2021), S. 483-519.
[6] Zhou, L.; Zhang, L.; Konz, N.: Computer vision techniques in manufacturing. In: IEEE Transactions on Systems, Man, and Cybernetics: Systems, 53 (2022) 1, S. 105-117.
[7] Silva, C. A. d. S.; Paladini, E. P.: Smart machine vision system to improve decision-making on the assembly line. In: Machines13 (2025) 2, S. 98.
[8] Ren, Z.; Fang, F.; Yan, N.; Wu, Y.: State of the art in defect detection based on machine vision. In: International Journal of Precision Engineering and Manufacturing- Green Technology, 9 (2022) 2, S. 661-691.
[9] Havlíková, K.; Hořejší, P.; Kopeček, P.: Effect of augmented reality support on quality inspection of welded structures. In: Applied Sciences 13 (2023) 21, S. 11655.
[10] Caballero-Ramirez, D.; Baez-Lopez, Y.; Limon-Romero, J.; Tortorella, G.; Tlapa, D.: An assessment of human inspection and deep learning for defect identification in floral wreaths. In: Horticulturae 9 (2023) 11, S. 1213.
[11] Kubáňová, J.; Kubasáková, I.; Čulík, K.; Štítik, L.: Implementation of barcode technology to logistics processes of a company. In: Sustainability 14 (2022) 2, S. 790.
[12] Weiss, E.; Caplan, S.; Horn, K.; Sharabi, M.: Real-time defect detection in electronic components during assembly through deep learning.. In: Electronics 13 (2024) 8, S. 1551.
[13] Nascimento, R.; Rocha, C. D.; Garcia Gonzalez, D.; Silva, T.; Moreira, R.; et al.: Automated optical system for quality inspection on reflective parts. In: The International Journal of Advanced Manufacturing Technology (2025), S. 1-16.
[14] Seeliger, A.; Cheng, L.; Netland, T.: Augmented reality for industrial quality inspection: An experiment assessing task performance and human factors. In: Computers in Industry 151 (2023), S. 103985.
[15] Rauch, E.; Spena, P. R.; Matt, D. T.: Axiomatic design guidelines for the design of flexible and agile manufacturing and assembly systems for smes. In: International Journal on Interactive Design and Manufacturing (IJIDeM), 13 (2019) 1, S. 1–22.
[16] Francalanza, E.; Mercieca, M.; Fenech, A.: Modular system design approach for cyber physical production systems. In: Procedia Cirp72 (2018), S. 486-491.
Ihre Downloads
Potenziale: Innovation
Lösungen: Qualitätsmanagement
Das könnte Sie auch interessieren
