1. VDI-Fachkonferenz zu „Machine Vision“ mit Vortrag von ID Engineering

Ab sofort ist der erste freiwillige Nachhaltigkeitsbericht von ID auf der Startseite online verfügbar. Freiwillig deshalb, weil ID derzeit noch nicht gesetzlich zur Berichterstattung verpflichtet ist. Laut der geltenden EU-Richtlinie zur Nachhaltigkeitsberichterstattung (CSRD – Corporate Sustainability Reporting Directive) müssen Unternehmen aktuell erst dann berichten, wenn sie mindestens zwei der folgenden drei Kriterien erfüllen: mehr als 250 Mitarbeitende, eine Bilanzsumme von über 25 Millionen Euro oder einen Nettoumsatz von über 50 Millionen Euro.

Zwar gibt es einen Vorschlag auf EU-Ebene, diese Schwelle künftig auf 1000 Mitarbeitende anzuheben – er ist aber noch nicht beschlossen und somit nicht rechtskräftig. Weil eine Nachhaltigkeitsstrategie vielen Unternehmen die Chance gibt, sich zukunftssicher und nachhaltig aufzustellen, ist ID in Vorleistung gegangen.

Im Tandem waren die Rollen perfekt aufgeteilt. Dr. Wanner erläuterte zunächst auf der wissenschaftlichen Ebene, worum es sich bei synthetischen Daten handelt und wie man sie sensorrealistisch herstellt. ID-Machine Vision Spezialist Sartor stellte anschließend anhand von Praxisbeispielen vor, welche Bedeutung sie für die industrielle Bildverarbeitung haben.

Grundsätzlich ist der Einsatz synthetischer Bilddaten in der Industrie immer dort von Vorteil, wo es nicht möglich oder schlicht zu teuer ist, Fehler zu generieren oder zu sammeln, um diese für das Training von KI bzw. Deep Learning zu nutzen. Bei hoher Produktvielfalt oder schnellem Wechsel von Produkten in der Automationskette können synthetisch erzeugte Daten die Qualitätssicherheit erhöhen.

Beispiel 1: Sitzprüfung in der Automobilindustrie. Hier können Risse, Narben, Nahtfehler oder Beulen durch synthetische erzeugte Oberflächen simuliert werden, um die KI so zu trainieren, dass in der eigentlichen Produktion genau diese Fehler direkt von Produktionsbeginn erkannt werden, ohne diese vorher in Realität gefunden und trainiert zu haben.

Beispiel 2: Topfprüfung in der Haushaltsindustrie. Durch Deep Learning mit synthetischen Daten werden beispielsweise Farbfehler, Emaille-Kratzer, fehlerhafte Bedruckung oder mangelnder Glanz auf Oberflächen erkannt und in der Produktionssoftware verarbeitet.