Kategorie: KI & Deep Learning

Transparent AI

Current ML development practices are insufficient to create reliably and trustworthy solutions. Products are often only tested in operation (above). Setting up integrated and data-driven infrastructure is a must-have to create the next generation of machine vision applications (below).

The next generation of machine vision in industrial systems will rely on complex AI. Companies that want to safely innovate with machine vision need to put reliability and trust at the core of their development and operations. In this article, Lakera provides insights into challenges and solutions.

Holz-Klassifizierung

Bild 2 | One-Click-Deployment des ML Package in der Visual Quality Inspection Webanwendung nach Training in der Cloud auf die Edge Box mittels ´Start Prediction´.

Für Holzproduzenten ist es wichtig zu wissen, in welche der verschiedenen Qualitätsklassen das unverarbeitete Rundholz fällt. Die Edge Apps von Siemens sind auch für solche KI-Vision-Anwendungen einsetzbar.

HSI goes AI

Image 1 | Comparing Yatsuhashi crackers with the results of RGB and HSI. The results show that misclassification with RGB is quite common due to the influence of light and other factors. The HSI results show that Sparse Modelling is capable of classifying

Different applications show that combining Hyperspectral Imaging (HSI) with AI and Sparse Modeling of Hacarus enables new possibilities to improve the accuracy of image data analysis, both for manufacturing and medical domains.

Mind-Connected AI

Image 2 | One possible application of the new AI systems can be security surveillance, other are manufacturing and medical AI models as well as neuromarketing or simulators.

A new technology by InnerEye establishes a direct interface between an expert user and an AI system which enables a smooth and accurate User-AI knowledge transfer and collaborate decisions.

Brand Protection

Image 1 | A visual AI Inspection System helps a distillery to reduce costs and avoid production downtime, as labelling errors can be avoided or detected earlier.

Dairy Distillery, a Canadian spirits manufacturer that has pioneered a unique process to produce vodka from a dairy byproduct, uses an AI visual inspection system of Pleora Technologies to add decision-support for manual labelling and quality control (QC) checks.

Gute Fehler

Bild 1 | Mit einem einzigen Solino-Sensor werden alle Aspekte erfasst, die Qualität und visuelles Erscheinungsbild eines Produktes ausmachen.

KI ist in aller Munde, aber kaum jemand vertraut dem ‚Prozess‘. Wie werden die Daten verarbeitet? Nach welchen Normen wird gemessen? Das sind häufige Fragen, wenn es um die Entscheidung geht, ein neues Deep-Learning-Modell einzusetzen, um die Qualitätssicherung abzubilden.

KI-Diskrepanz

Bild 1 | Maddox AI hat anhand einer Umfrage fünf Punkte extrahiert, warum Anwender KI-Inspektionssysteme derzeit nur verhalten einsetzen.

Während 70 Prozent der Teilnehmer einer Umfrage KI-basierte Inspektionssysteme für serienreif halten, setzen aktuell lediglich 17 Prozent diese auch ein. Dies ist bemerkenswert, da gleichzeitig fast 80 Prozent der befragten Firmen immer noch auf eine manuelle Qualitätskontrolle setzen. Wie diese Diskrepanz zu erklären ist, wurde im Rahmen einer Umfrage von Maddox AI mit über 110 Anwendern und Marktbeobachtern ergründet.

Sauber dank KI

In einer Kistenwaschanlage verbleiben gelegentlich Kleberückstände auf den Kisten. Optimierte KI-Modelle mit synthetischen Trainingsdaten helfen, diese Rückstände zuverlässiger zu detektieren.

Viele Anwendungen von Bilderkennung erfordern individuell trainierte KI-Modelle. Für die Qualitätssicherung benötigt die KI das Wissen, welche Bereiche in Bildern auf mangelnde Qualität hinweisen. Das Anreichern von echten Bilddaten mit synthetisch erzeugten Bildern liefert der KI Trainingsmaterial, das die Treffsicherheit von KI-Entscheidungen erhöhen kann, z.B. bei einer Mehrwegkisten Waschanlage.