Qualitätskontrolle durch Anomalieerkennung
Einen Fehler an einer Uhrenkomponente mit einem iPhone erkennen, ohne vorher Tausende fehlerhafter Teile fotografieren zu müssen.
Kontext
Die Sichtkontrolle von Uhrenkomponenten erfolgt mit blossem Auge und Lupe, an Teilen von wenigen Millimetern. Das ist langsam, ermüdend, und die Konstanz hängt von der Tageszeit ab.
Die Automatisierung mit maschinellem Lernen wirkt naheliegend, bis man nach dem Trainingsdatensatz fragt. Ein seltener Fehler ist per Definition selten: Niemand besitzt eine Sammlung von Tausenden Ausschussteilen, nach Fehlerart geordnet.
Rahmenbedingungen
Eine klassische überwachte Klassifikation kam damit nicht in Frage. Es brauchte ein Verfahren, das ausschliesslich aus einwandfreien Teilen lernt und alles meldet, was davon abweicht.
Zweite Anforderung: Vertraulichkeit. Die fotografierten Komponenten sind geistiges Eigentum. Bilder an einen externen Analysedienst zu senden, stand nicht zur Debatte.
Dritte Anforderung: Das Werkzeug musste am Werktisch nutzbar sein, nicht an einem Rechner in einem anderen Gebäude.
Lösung
Eine unüberwachte Anomalieerkennung, ausschliesslich auf einwandfreien Teilen trainiert und direkt auf einem über die Komponente gehaltenen iPhone ausgeführt.
Der Trainingsdatensatz wurde synthetisch erzeugt: Die Komponenten werden modelliert und unter Variationen von Beleuchtung, Ausrichtung und Material gerendert. Das ergibt eine Menge einwandfreier Bilder, die keine Fotokampagne in derselben Zeit geliefert hätte.
Architektur
Zwei Ansätze wurden umgesetzt und verglichen. PatchCore baut ein Gedächtnis normaler Merkmale auf und misst den Abstand jeder Bildregion zu diesem Gedächtnis. EfficientAD verfolgt dasselbe Ziel mit geringerem Rechenaufwand, was zählt, wenn die Inferenz auf einem Telefon läuft.
Die synthetischen Bilder entstehen in Blender, mit expliziter Kontrolle darüber, welche Variationen als normal gelten sollen. Genau dort entscheidet sich die Qualität des Systems: Ein auf zu saubere Renderings trainiertes Modell meldet Reflexionen als Fehler.
Die Modelle werden für CoreML konvertiert und auf dem Gerät ausgeführt. Kein Bild verlässt das iPhone, die Netzlatenz entfällt, und das Werkzeug funktioniert in einer Werkstatt ohne WLAN-Abdeckung.
Fazit
Der Aufbau funktioniert nach dem Prinzip, auf das es ankam: das Normale lernen, statt das Anormale zu sammeln. Er lässt sich auf eine neue Komponente übertragen, indem ein synthetischer Datensatz neu erzeugt wird, ohne erneute Fotokampagne.
Der Ansatz trägt über die Uhrenindustrie hinaus, für jedes Serienteil, bei dem der Fehler selten und das geistige Eigentum heikel ist.
CoreML · PatchCore · EfficientAD · Blender · iPhone