Business-Use-Cases

Sichtprüfung: Gutteil oder Ausschuss

Kurz gesagt: Mit wenigen Beispielbildern je Klasse lernt ein vorgefertigtes Bildmodell, Gutteile von Ausschuss zu trennen, wenn Aufbau und Licht gleich bleiben. Die Beispielwerte (11 von 12, 60 von 60) stammen von gezeichneten Bildern. Echte Teile sind schwerer, und die Testmenge ist klein.

Am Bandende sieht jemand jede Metallscheibe an und sucht Kratzer, Dellen und ausgebrochene Kanten. Kann eine Kamera das aus wenigen Beispielen lernen, und wo hört das auf?

Die Ausgangslage im Betrieb

Vergleich
  • Links: Heute von Hand: Auge ermüdet, Urteil schwankt je Schicht, Fehler fallen beim Kunden auf
  • Rechts: Mit Kamera: Immer gleicher Blick, Gleiche Beispiele als Maßstab, Mensch prüft Stichproben
  • Urteil: Die Kamera wird nicht müde. Der Mensch bleibt Prüfer.

Eine Prüferin sieht jede Scheibe an. Nach zwei Stunden schwankt ihr Urteil, und Fehler beim Kunden sind teuer.

Eine Stanzerei fertigt runde Metallscheiben. Am Ende des Bandes steht eine Kollegin und schaut sich jede Scheibe an. Sie sucht drei Dinge: Kratzer auf der Fläche, Dellen und ausgebrochene Kanten. Gute Scheiben gehen in die Kiste rechts, schlechte in die Kiste links.

Die Arbeit ist eintönig. Nach zwei Stunden lässt die Aufmerksamkeit nach, und das Urteil schwankt. Was in der Frühschicht noch als gut durchging, wandert in der Spätschicht in den Ausschuss. Dazu kommt: Fehler, die beim Kunden auffallen, sind teuer. Ausschuss, der fälschlich aussortiert wird, ist es auch.

Das Problem ist also nicht, dass die Aufgabe schwer wäre. Sie ist anstrengend, ständig gleich und davon abhängig, wer gerade hinsieht.

Was das System tun soll

Ablauf
  • Foto (der Scheibe)
  • Modell (Balken je Klasse)
  • Gut oder Ausschuss

Aus dem Foto einer Scheibe wird eine Klasse: Gut oder Ausschuss. Der längere Balken gewinnt.

Das Ziel in einem Satz: Das System soll von einem Foto einer Scheibe sagen, ob sie Gutteil oder Ausschuss ist.

Die Eingabe ist ein Kamerabild der Scheibe. Die Ausgabe ist eine Klasse (Gut oder Ausschuss) und dazu ein Balken je Klasse. Der längere Balken gewinnt. Wie groß der Abstand der Balken ist, zeigt dir, wie sicher sich das System ist.

Wichtig ist, was das System nicht tut: Es repariert nichts und beurteilt keine Ursache. Es sortiert nur in zwei Fächer. Was mit den Scheiben im Ausschussfach passiert, entscheidet ein Mensch.

Welche Daten es braucht

Unbeschädigte Metallscheibe mit Rillen auf grauem Untergrund, von oben
Gut (gezeichnetes Beispielbild)
Metallscheibe mit mehreren Kratzern
Ausschuss: Kratzer
Metallscheibe mit einer dunklen Delle
Ausschuss: Delle
Metallscheibe mit ausgebrochener Kante
Ausschuss: Ausbruch

Fotos mit Etikett von der Prüferin, mit gleicher Kamera, gleichem Abstand und gleichem Licht wie im Betrieb.

Gebraucht werden Fotos von Scheiben, bei denen jemand schon entschieden hat, ob sie gut oder Ausschuss sind. Man nennt diese Entscheidung Etikett. Die Fotos müssen so aussehen wie später im Betrieb: gleiche Kamera, gleicher Abstand, gleiches Licht.

Im fertigen Beispiel liegen je 20 Bilder der Klasse Gut und der Klasse Ausschuss, zusammen also 40. Dazu kommen 12 Testbilder, die das System beim Anlernen nie gesehen hat, und weitere 60 frisch erzeugte Prüfbilder. Das ist bewusst wenig. Es zeigt, dass ein vorgefertigtes Bildmodell mit wenigen Beispielen auskommt, wenn die Fehler ähnlich aussehen. Echte Teile brauchen meist deutlich mehr und vielfältigere Beispiele.

Woher die Bilder kommen: aus der eigenen Fertigung. Eine erfahrene Prüferin legt die Etiketten fest. Wichtig ist, dass sich die Prüfenden einig sind, was Ausschuss ist. Zeigen zwei Menschen bei derselben Scheibe auf verschiedene Fächer, lernt das System den Streit mit.

Zum Datenschutz: Auf den Bildern sollen nur Teile zu sehen sein, keine Hände, keine Gesichter, keine Namensschilder. Wird die Prüfung einer Person zugeordnet, ist das Leistungskontrolle und braucht die Beteiligung von Datenschutz und Betriebsrat.

Wie es funktioniert

Ablauf
  • Foto
  • Zahlenliste (Merkmale des Bildes)
  • 3 Nachbarn (ähnlichste Beispiele)
  • Mehrheit (ergibt die Klasse)

Ein vorgefertigtes Netz macht aus dem Foto Zahlen. Die drei ähnlichsten Beispiele entscheiden per Mehrheit.

Das Beispiel nutzt dasselbe Verfahren wie das Labor Bildmodell anlernen. Es hat drei Schritte:

  • Merkmale holen: Ein vorgefertigtes Netz, das schon viele Bilder gesehen hat, macht aus jedem Foto eine Liste von Zahlen. Sie beschreibt, was im Bild zu sehen ist, etwa Kanten und Flächen. Mehr dazu in Wie ein Computer ein Bild sieht und Wie Netze Bilder verstehen.
  • Beispiele ablegen: Die Zahlenlisten der 40 Beispielbilder werden mit ihrem Etikett gespeichert. Trainiert wird dabei nichts. Das macht das Anlernen schnell.
  • Nachbarn befragen: Kommt ein neues Bild, holt das System dessen Zahlenliste und sucht die 3 ähnlichsten Beispiele (nächste Nachbarn). Die Mehrheit unter ihnen bestimmt die Klasse.

Das Beispiel zum Starten

Kennzahlen
  • 40 Beispielbilder, je 20 je Klasse
  • 12 Testbilder, nie gesehen
  • 60 frisch erzeugte Prüfbilder

Du lernst 40 Beispielbilder an, wählst ein Testbild und liest die Balken.

Das fertige Beispiel zeigt eine Stanzerei mit runden Metallscheiben. Die Bilder sind per Code gezeichnet, es sind also keine echten Teile. Auf den Scheiben sitzen Kratzer, Dellen und ausgebrochene Kanten.

So läuft es ab: Du startest das Beispiel, und der Jetson nimmt je 20 Beispielbilder für Gut und Ausschuss auf. Dann wählst du eines der Testbilder, das das System noch nie gesehen hat, und lässt es zuordnen. Du liest die Balken und vergleichst mit der erwarteten Klasse. Probiere danach weitere Testbilder, vor allem solche mit Delle oder Ausbruch.

Nach dem Klick siehst du das Labor Anlernen mit den schon aufgenommenen Beispielen und kannst direkt prüfen.

Beispiel starten

Was dabei herauskommt

Kennzahlen
  • 11 von 12 Testbilder richtig (Beispielwerte)
  • 60 von 60 Prüfbilder richtig (Beispielwerte)
  • 1 Fehler: Ausschuss als Gut
Metallscheibe mit ausgebrochener Kante, vom Modell fälschlich als Gut eingestuft
Testbild 10: Ausschuss, als Gut erkannt

11 von 12 Testbildern und 60 von 60 Prüfbildern stimmten. Der eine Fehler war ein übersehener Ausschuss.

Gemessen wurde mit genau diesen Bildern und dem Verfahren des Labors. Von den 12 Testbildern wurden 11 richtig zugeordnet. Bei den 60 weiteren, frisch erzeugten Bildern waren es alle 60. Gemessen wurde auf einem Entwicklungsrechner mit denselben Modelldateien, nicht auf dem Jetson selbst. Nimm die Zahlen als Beispielwerte.

Der eine Fehler ist lehrreich: Auf dem Testbild 10 war eine Scheibe Ausschuss, das System nannte sie Gut. Das ist die teure Richtung, denn ein schlechtes Teil geht weiter. Die Balken liegen oft eng beieinander. Entscheidend ist, welche Klasse vorn liegt, aber ein knapper Vorsprung ist ein Zeichen, genauer hinzusehen.

Wie gut ist das Ergebnis einzuordnen? Mit Vorsicht. Die Bilder sind gezeichnet, die Fehler sitzen immer ähnlich (Delle oben, Ausbruch unten). Deshalb reichen 20 Beispiele. Echte Teile glänzen, spiegeln und haben Fehler an beliebiger Stelle. Außerdem sind zwölf Testbilder eine kleine Menge: Ein einziger Fehler fällt dort stark ins Gewicht. Wie man solche Zahlen liest, steht auf der Seite Wie gut ist ein Modell?.

Stolpersteine

Übersicht
  • Licht und Glanz (abgeschirmter Aufbau)
  • Untergrund (beide Klassen gleich aufnehmen)
  • Neue Fehlerarten (nachlernen, Stichproben)
  • Veränderung (laufend beobachten)

Meist scheitert es an den Bildern, nicht am Verfahren. Oben das Problem, darunter das Gegenmittel.

Was in der Praxis schiefgeht, hat selten mit dem Verfahren zu tun und fast immer mit den Bildern:

  • Licht und Glanz: Metall spiegelt. Ein Fenster, das die Sonne hereinlässt, verändert alles. Gegenmittel: abgeschirmter Aufbau mit festem, gleichmäßigem Licht.
  • Hintergrund und Lage: Wenn Gutteile immer auf dem blauen Band liegen und Ausschuss auf dem grauen Tisch, lernt das System den Untergrund statt den Fehler. Gegenmittel: beide Klassen auf gleichem Untergrund und in gleicher Lage aufnehmen.
  • Neue Fehlerarten: Was das System nie gesehen hat, ordnet es nach Ähnlichkeit ein, oft falsch. Gegenmittel: neue Fehler sammeln und nachlernen, Stichproben vom Menschen ziehen.
  • Veränderung über die Zeit: Neues Werkzeug, neue Charge, anderer Glanz. Das System muss beobachtet werden, siehe Vom Prototyp in den Betrieb.

Nutzen und Aufwand

Übersicht
  • Welche Entscheidung? (Gut oder Ausschuss)
  • Welche Daten? (Eigene Fotos im Betriebslicht)
  • Wer prüft? (Person zieht Stichproben)

Gleiches Urteil in jeder Stunde. Vor dem Pilot festlegen: Entscheidung, Daten, Prüfer.

Der Nutzen liegt vor allem im Gleichmaß: Das System sieht in der zehnten Stunde genauso hin wie in der ersten und beurteilt jede Scheibe nach denselben Beispielen. Die Prüferin wird entlastet und kann sich auf Grenzfälle und auf die Ursache der Fehler konzentrieren.

Handarbeit bleibt: Beispielbilder aufnehmen und etikettieren, den Aufbau mit Licht und Halterung bauen, Stichproben ziehen und das System nachpflegen. Wer das Ergebnis prüft, muss vorher klar sein. Meist ist es ein Mensch, der regelmäßig Stichproben aus beiden Fächern kontrolliert, vor allem aus dem Gut-Fach.

Wer eine Alternative sucht, die nur Gutteile braucht, schaut auf Auffälliges finden. Dabei lernt das System, wie normal aussieht, und meldet Abweichungen.

  • Welche Entscheidung? Gutteil oder Ausschuss, als Vorschlag. Was mit knappen Fällen geschieht, ist festgelegt.
  • Welche Daten? Eigene Fotos im Betriebslicht, einheitlich etikettiert, ohne Personen im Bild.
  • Wer prüft? Eine benannte Person zieht regelmäßig Stichproben und vergleicht mit dem Ergebnis des Systems.

Das nimmst du mit

  • Mit wenigen Beispielbildern je Klasse lernt ein vorgefertigtes Bildmodell, Gutteile von Ausschuss zu trennen, wenn Aufbau und Licht gleich bleiben.
  • Die Beispielwerte (11 von 12, 60 von 60) stammen von gezeichneten Bildern. Echte Teile sind schwerer, und die Testmenge ist klein.
  • Das Ergebnis ist ein Vorschlag. Ein Mensch zieht Stichproben, besonders aus dem Gut-Fach.

Teste dich

  1. Warum liegen im Beispiel je 20 Bilder pro Klasse, und das genügt?
    Antwort

    Weil ein vorgefertigtes Netz schon viel kennt und die gezeichneten Fehler immer ähnlich sitzen. Das Netz bringt Wissen über Bilder mit, und die Fehlerarten wiederholen sich. Bei echten Teilen mit Fehlern an beliebiger Stelle braucht man mehr und vielfältigere Beispiele.

  2. Das System sagt bei einer schlechten Scheibe „Gut“. Warum ist das hier die teure Fehlerrichtung?
    Antwort

    Das schlechte Teil geht weiter und kann beim Kunden auffallen. Ein übersehener Fehler wandert in die Auslieferung. Deshalb zählt man beide Fehlerrichtungen getrennt und prüft Stichproben aus dem Gut-Fach.

  3. Gutteile liegen immer auf dem blauen Band, Ausschuss auf dem grauen Tisch. Was kann passieren?
    Antwort

    Das System lernt den Untergrund statt den Fehler. Ein Verfahren nutzt jeden Unterschied, den es findet, auch den falschen. Beide Klassen müssen unter gleichen Bedingungen aufgenommen werden.

  4. Was bedeutet es, dass die Balken oft eng beieinander liegen?
    Antwort

    Das System ist sich bei diesem Bild unsicher, ein Mensch sollte hinsehen. Die gewinnende Klasse entscheidet, aber ein knapper Abstand zeigt Unsicherheit. Solche Fälle lassen sich gezielt zur Prüfung vorlegen.

  5. Wie belastbar sind die Werte 11 von 12 und 60 von 60 für deine eigene Fertigung?
    Antwort

    Sie sind Beispielwerte für gezeichnete Bilder und sagen wenig über echte Teile. Die Bilder sind einfacher als echte Fertigung, und zwölf Testbilder sind wenig. Aussagekräftig wird erst ein Pilot mit eigenen Teilen.

Weiter geht es