Holz mittels KI kontrollieren

Labeln von qualitätsmindernden Merkmalen in der Visual Quality Inspection Webanwendung mit KI-Vision: Bounding Boxes (o.); Segmentierung (u.)
Labeln von qualitätsmindernden Merkmalen in der Visual Quality Inspection Webanwendung mit KI-Vision: Bounding Boxes (o.); Segmentierung (u.)
 Labeln von qualitätsmindernden Merkmalen in der Visual Quality Inspection 
Webanwendung mit KI-Vision: Bounding Boxes (o.); Segmentierung (u.)
Labeln von qualitätsmindernden Merkmalen in der Visual Quality Inspection Webanwendung mit KI-Vision: Bounding Boxes (o.); Segmentierung (u.)Bild: Siemens AG ÖsterreichBild: Siemens AG Österreich

Die Holz-Qualitätsklassen beziehen sich zum einen auf Merkmale wie Durchmesser, Länge, Krümmung und Abholzigkeit (die Abnahme des Durchmessers eines Stammes in Richtung Baumkrone) sowie visuelle Kriterien wie Verfärbung, Buchs, Harzgalle, Risse, etc. Während erstere Merkmale durch etablierte und geeichte Geräte bestimmt werden, unterliegt die zweite Bestimmung dem geschulten Auge des Sägewerkspersonals. Diese repetitive Arbeit erzeugt eine Vielzahl von Daten, und ist somit prädestiniert von KI-Modellen übernommen zu werden. Besonders da Holz ein Naturprodukt ist und damit eine hohe Varianz der genannten Merkmale aufweist.

 Labeln von qualitätsmindernden Merkmalen in der Visual Quality Inspection 
Webanwendung mit KI-Vision: Bounding Boxes (o.); Segmentierung (u.)
Labeln von qualitätsmindernden Merkmalen in der Visual Quality Inspection Webanwendung mit KI-Vision: Bounding Boxes (o.); Segmentierung (u.)Bild: Siemens AG Österreich

Edge-Apps für KI-Vision

Siemens bietet ein breites Spektrum an Edge Apps an, auch für KI-Anwendungen im Vision Bereich. Im Bereich Computer Vision steht eine Bandbreite an möglichen Modellen zur Verfügung. Von einfacher Klassifikation, über Eingrenzung interessanter Stellen (Bounding Boxes) bis hin zu der Klassifikation jedes Pixels (Segmentierung) auf einem Bild kann der jeweils passende Ansatz gewählt werden. Da die Güte von Holz maßgeblich von den Flächen der Anomalien wie Buchs, Risse usw. abhängt, wurde der Ansatz der Segmentierung gewählt. Dank vortrainierten Modellen und öffentlich verfügbaren Daten aus ähnlichen Aufgabenstellungen, ist es möglich, schnell einen robusten Algorithmus zu implementieren, der im Laufe des Betriebes durch das Sammeln weiterer Daten nachtrainiert werden kann. Dafür wird der Algorithmus in ein sogenanntes ML Package gegossen, welches die gesamte KI-Pipeline (Preprocessing, Training, Prediction, Postprocessing und Evaluation) beinhaltet. Das Template ist ein Python Notebook, welches mit Hilfe einer eigens entwickelten AI-SDK gebaut wird. Die AI-SDK ist intuitiv zu handhaben und kann von externen Data Scientists benutzt werden, um bestehenden Python Code Edge ready zu machen. Bei Bedarf entwickeln die KI-Experten von Siemens den Algorithmus. In der Praxis werden die Modelle oft gemeinsam von Domain- und KI-Experten entwickelt.

 Simatic IPC Portfolio für Edge-Anwendungen
Simatic IPC Portfolio für Edge-AnwendungenBild: Siemens AG

Machine Learning Operations

Im Gegensatz zu klassischen Ansätzen der Computer Vision, müssen KI-Modelle nicht statisch über ihre Einsatzdauer sein. Wenn neue Daten verfügbar sind, können die Modelle nachtrainiert und weiter verbessert werden. Auch das Anpassen eines Modelles auf einen ähnlichen Use Case ist ohne nochmaligen Programmieraufwand möglich. Dies ist nützlich, wenn z.B. eine neue Baumsorte zur Qualitätskontrolle geliefert wird, welche andere Kriterien erfüllen muss. Da es sich bei KI-Modellen um statistische Modelle handelt, können Insights und Metriken des zu kontrollierenden Holzes eingesehen und über einen längeren Zeitraum nachverfolgt werden.

Ist ein Modell gut genug für den Einsatz kann mit einem Klick das Deployment angeschoben werden und das fertig trainierte Modell wird von der Cloud Umgebung auf das ausgewählte Edge Gerät geladen. Von dort aus können Steuerungen und Co angesprochen werden und je nach Vorhersage des Modelles bedient werden. Die Erfahrung zeigt, dass ein Modell oftmals schon vorhanden ist, die in Inbetriebnahme des Algorithmus allerdings zu Kopfschmerzen bei Kunden führt. Mit der Abstraktion der Inbetriebnahme mit Hilfe von Container Technologien ist dieses Problem gelöst und die Experten können sich ganz auf ihre Kerntätigkeiten konzentrieren. Der beschriebene holistische Einsatz von Maschinellem Lernen wird unter dem Stichwort ML Ops (Machine Learning Operations) zusammengefasst.

Intuitives Front End als Webanwendung

Für die Benutzung der Lösung steht ein intuitives Front End als Webanwendung zur Verfügung, welches von dem Personal des Sägewerkes bedient werden kann. Hier kann das Modell jederzeit angepasst und konfiguriert werden, ohne den Code zu verändern. Auch das Labeln neuer Daten passiert hier. Gerade im Falle von Pixelklassifikation kann das Einzeichnen diffiziler Segmente gemütlich auf einem Tablet Gerät getätigt werden. Als Edge Geräte werden robusten und Industrie gehärtete Simatic Industrie PCs verbaut, welche für eine feuchte und staubige Umgebung wie sie im Sägewerk herrscht, ausgelegt sind. Dabei kann, je nach Hardwareanforderungen, aus einem breiten Portfolio gewählt werden. So gibt es mittlerweile auch Edge Boxen, in welchen leistungsstarke Graphikkarten verbaut sind. Die Automatisierung von Prozessschritten kann somit End-zu-End mit KI angereichert werden und jederzeit angepasst werden. Algorithmen übernehmen repetitive Arbeiten, während sich das Sägewerkpersonal auf andere Aufgaben konzentrieren kann.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert