Innovationsdienstleister
Standort:
Deutschland
Dauer der Zusammenarbeit:
2018 - heute
Branchen:
Herstellung
Über den Kunden:
Unser Kunde bat uns um Unterstützung bei der Entwicklung einer Computer-Vision- und IoT-Lösung für ein Metallverarbeitungsunternehmen. Infopulse integrierte das KI-gesteuerte Datenerfassungssystem, das die Kosten für die Modernisierung der Fertigung deutlich senkte und die digitale Transformation des Unternehmens vorantrieb.
Anforderung
Viele Fabriken mit kontinuierlicher Produktion verlassen sich noch auf die manuelle Datenerfassung von alten Messgeräten. Diese Messgeräte wurden vor Jahren installiert und erfüllen perfekt ihre Hauptfunktionen. Solche Arbeitsgeräte durch hochmoderne APIs zu ersetzen, kann zu hohen Kosten führen. Daher suchen die Hersteller nach wirtschaftlich sinnvollen Lösungen, um den Abruf und das Senden der Daten in die Cloud zu automatisieren.
Unser Kunde, der für seine innovativen digitalen Initiativen bekannt ist, bat uns um Unterstützung bei der Entwicklung einer Lösung mit Computer Vision und IoT für seinen Kunden aus der Metallherstellung. Diese sollte die Ablesung alter Messgeräte automatisieren und so die Fertigungsleistung optimieren sowie menschliche Fehler reduzieren. Es ist ziemlich kompliziert, alte Messgeräte (Waagen, Thermoelemente, Barometer, Sensoren usw.) nachzurüsten und in ein modernes IT-Ökosystem zu integrieren, das den Anforderungen der Prozessdigitalisierung gemäß Industrie 4.0 / OPC Unified Architecture und IoT-Standards entspricht. Wir mussten herausfinden, wie man mit einem Gerät im Taschenformat schnell Daten auf Messuhren oder 7-Segment-Anzeigen erkennen kann.
Lösung
Das F&E-Team von Infopulse trainierte ein Convolutional Neural Network (CNN), um die Ziffern auf den Messgeräten des Kunden sofort zu erkennen – trotz Bildfehlern auf 7-Segment-LCD-Displays wie Blendungen, weißen Flecken, Reflexionen von Objekten oder Personen usw. Um die Ziffern zu variieren, verarbeiteten unsere Entwickler 10 GB an Messgerätebildern, die sie von einem Hersteller erhalten hatten, sowie hochgeladene Ad-hoc-Bilder und andere Open-Source-Beispiele. Am Ende standen 20 GB an Bildern für den Aufbau des Convolutional Neural Network zur Verfügung.
Das Team entschied sich für Theano und Keras als Open-Source-Toolkit für maschinelles Lernen, um Entwicklungskosten zu sparen, und speiste einmalig alle Bilder in ein neuronales Netzwerk auf einer leistungsstarken Amazon AWS Virtual Machine ein. Dann begannen wir mit dem eigentlichen Training des Netzwerks. Das beinhaltete das Zählen, die Unterscheidung von kleinen und großen Zahlen und die Umwandlung der Zeigerposition auf einer Messuhr in einen bestimmten digitalen Wert. Nach Erreichen des gewünschten Ergebnisses haben wir das entwickelte CNN über ein Raspberry-Pi-3-Gerät mit HD-Kamera bereitgestellt.
Technologien
Ergebnis
- Die KI-Bilderkennung erfolgt in weniger als 2 Sekunden mit einem kleinen Handheld-Gerät.
- Die empfangenen Daten werden per WLAN automatisch in einer Datenbank gespeichert.
- Das MVP-Release wurde in nur 2 Wochen entwickelt. Das produktionsreife System wurde nach 3 Monaten vom Infopulse-Team, bestehend aus zwei Ingenieuren und einem Architekten, freigegeben.
- Wir halfen dem Kunden, Entwicklungskosten zu sparen, indem wir Theano und Keras als kostenlose Open-Source-Software (FOSS) einsetzten.
- Wir erreichten eine hohe Fehlertoleranz durch die Zuverlässigkeit der gewählten Hardware und der entwickelten fehlerfreien Software.
- Darüber hinaus hat die entwickelte Lösung, nachdem ein Kunde sie implementiert hatte, das Interesse anderer großer Kunden geweckt, wie zum Beispiel Automobil- und Getränkehersteller.
Verwandte Services
Wir haben eine Lösung für Ihre Anforderungen. Senden Sie uns einfach eine Nachricht, und unsere Experten werden sich so schnell wie möglich mit Ihnen in Verbindung setzen.
Vielen Dank!
Wir haben Ihre Anfrage erhalten und werden Sie in Kürze kontaktieren.