- In der Trainingsphase werden weniger Trainingsdaten benötigt, da das Modell mit einer einheitlichen Ansicht sich nur auf eins konzentriert: Fehler zu identifizieren. Durch diese Vereinfachung lässt sich das Deep Learning Modell schneller trainieren, ohne die Zuverlässigkeit zu beeinträchtigen.
- Dadurch, dass die Bilddaten normalisiert sind, können Daten aus verschiedenen Maschinen bzw. Fertigungslinien in den Trainingsdatensatz einfließen. So lässt sich schneller die kritische Masse für ein robustes Modell erreichen.
- Im Umkehrschluss macht diese Standardisierung das Deep Learning Modell im hohen Maß skalierbar: es kann in jedem Bildverarbeitungssystem an jedem Standort ausgerollt werden, ungeachtet möglicher Variationen in der Bilderfassung, denn die Variationen werden von Image Twin herausgefiltert.
- Diese Skalierbarkeit macht das System lernfähiger: wird ein neuer Defekt an einer Maschine entdeckt, lernen alle Maschinen beim nächsten Modell-Update daraus. So profitiert ein Werk in Mexiko automatisch von der Erfahrung des Werks in Frankreich.
- Über die eigentliche Prüfaufgabe hinaus ermöglicht die einheitliche Produktabbildung erweiterte Analysen zur fertigungslinien- und standortübergreifenden Qualitätssicherung. Hierzu hat Eigen Innovations eine eigene Cloud-Plattform entwickelt, die die Bild- und Prüfdaten mit anderen Prozessdaten korreliert, um Defekte nicht nur zu erfassen, sondern auch ihre Ursachen zu ermitteln.
www.eigen.io