top of page
Etiketten_Header

Finde den Fehler

Falsche Etiketten finden - ohne zu wissen, was eigentlich “falsch” ist.

Es gibt ein beliebtes Getränk bei uns im Büro. Manche macht es etwas hibbelig, aber das scheint niemanden zu stören. Als wir gerade begonnen hatten, tiefer in das Feld der KI-basierten Anomalieerkennung einzusteigen, ist uns eine Flasche mit fehlendem Etikett in die Hände gefallen. So ist es ja häufig: Fängt man an, sich mit einem Problem zu beschäftigen, läuft es einem plötzlich ständig über den Weg. Wie sagt man so schön: Für einen Hammer sieht alles aus wie ein Nagel.

Das Problem

Manche Produktionsfehler bringen uns Kunden zum Schmunzeln, andere sind befremdlich oder können gar die Gesundheit gefährden. Aus Sicht der Hersteller können diese Fehler zu hohen Kosten und Image-Schäden führen (man denke an die selbst-entzündenden Akkus in Smartphones namhafter Hersteller). Zugegeben: Ein fehlendes Etikett auf der Getränkeflasche hat noch niemanden das Leben gekostet. Optimal ist es in der Produktion aber offensichtlich nicht gelaufen und als Fan des Getränkes konnten wir das so nicht stehen lassen.

Anomaliedetketion bei Flaschenetiketten

Von uns getestete Fehlerfälle (teilweise konstruiert).

Unsere Lösung

Um fehlende Etiketten zu erkennen, lässt sich ein Klassifikator trainieren, der Flaschen mit Etikett von solchen ohne Etikett unterscheidet. Wir wollten aber eine Lösung entwickeln, die nicht nur auf diesen einen Fehlerfall anwendbar ist, sondern generell erkennt, wenn etwas mit der Flasche nicht stimmt (nicht voll genug, Etikett kaputt, falsche Flasche, etc.). 

Daher haben wir uns für den Ansatz der Anomaliedetektion entschieden. Genauer gesagt: Wir haben in der aktuellen Forschungsliteratur einen geeigneten Ansatz ausfindig gemacht, ihn weiterentwickelt, intern Trainingsdaten generiert und einige Modelle trainiert. Das Ergebnis ist eine KI, die alle von uns getesteten Fehler zuverlässig erkennt und im Bild markiert. Und das, ohne je einen Fehlerfall im Training gesehen zu haben.

Auf dieses Ergebnis stoßen wir nun erstmal an: Prost!

Erkennungsschwelle: 3-4 mm

Schnelligkeit: 0,3 Sek./Aufnahme

Ausgabe: Defektsegmentierung

Verwendete Technologien: 

CNN, Semantic Segmentation, UNet, Autoencoder, Adversarial Training, Probabalistic Diffusion

bottom of page