UdZ 02.23 / 23 the location of the defect on the image. To label the defect mask, the domain expert marks each pixel of the defect in the image. This can take around 20 seconds in average and therefore 20 times longer than the classification label1. Those 20 seconds for around 15,000 labeled images and 18 different product types result in 1,500 hours of estimated training time for one typical factory. As TCL has eight factories in China, the potential savings are 12,000 hours. This is time-consuming as vast number of images are needed and can only be done by trained personnel. Hence, the dependency on defect mask labels limits the scalability of AI-based visual inspection methods, making it difficult to apply them in large-scale production lines. As a result, many manufacturing companies still rely on traditional visual inspection methods, which are less accurate, less robust and more prone to human errors but are easier to implement. Revolutionizing Quality Control: Advancements in AI for Automated Inspection and Labeling The idea to resolve the hurdles for the use of AI in quality control, leads to the question of how CNNs can be advanced to reduce manual labeling effort. The goal is to develop new AI-based algorithms for automated quality inspection, that meets the accuracy requirements of the industry without the need for manual defect mask labeling. A project team of Hong Kong Industrial Artificial Intelligence and Robotics Centre (FLAIR) addresses this challenge. FLAIR develops AI-technologies for the manufacturing industry in Guangdong-Hong Kong-Macau Greater Bay Area (GBA). FLAIR is integrated alongside a total of 28 labs within ‘InnoHK’, Hong Kong’s flagship initiative to promote collaboration with global research institutes.2 FLAIR collaborates on the one side with institutes and centers from einem zuvor erstellten Fehlerkatalog jedes Fehlerbild einer Fehlerklasse zu. Auf der anderen Seite stellt das Fehlermasken-Label die Position des Fehlers auf dem Bild dar. Um die Defektmaske zu labeln, markiert der oder die Expert:in jedes Pixel des Defekts im Bild. Dieser Vorgang kann im Durchschnitt etwa 20 Sekunden dauern und ist damit zwanzigmal länger als die Markierung der Klassifikationslabels1. Diese 20 Sekunden für etwa 15 000 beschriftete Bilder und 18 verschiedene Produkttypen ergeben eine geschätzte Vorbereitungszeit fürs Labeln von 1 500 Stunden für eine typische Fabrik. Da TCL acht Fabriken in China be- treibt, beträgt das Einsparpotenzial 12 000 Stunden. Dies ist zeitaufwendig, da eine große Anzahl von Bildern benötigt wird und nur von geschultem Personal durchgeführt werden kann. Die Abhängigkeit von Fehlermasken-Label schränkt die Skalierbarkeit von KI-basierten, visuellen Inspektionsmethoden ein und erschwert deren Einsatz in großen Produktionslinien. Infolgedessen verlassen sich viele Fertigungsunternehmen nach wie vor auf herkömmliche visuelle Inspektionsmethoden, die zwar weniger genau, weniger robust und anfälliger für menschliche Fehler, aber einfacher zu implementieren sind. Revolutionierung der Qualitätskontrolle: KI-Fortschritte für automatisierte Inspektion und Labeling Die Idee, die Hürden für den Einsatz von KI in der Qualitätskontrolle zu beseitigen, führt zu der Frage, wie CNNs weiterentwickelt werden können, um den manuellen Labeling- Aufwand zu verringern. Ziel ist es, neue KI-basierte Algorithmen für die automatisierte Qualitätsprüfung zu entwickeln, die die Genauigkeitsanforderungen der Industrie erfüllen, ohne dass eine manuelle Kennzeichnung von Fehlermasken- erforderlich ist. Ein Projektteam des Hong Kong Industrial 1 s. Bearman et al. 2016, S. 554 1 Bearman et al. 2016, p. 554 It all began with an exceptional strategic collaboration between FLAIR, the Center Connected Industry (CCI), FIR, and our valued industry partnerTCL. Frankie Liu, Head of Computer Vision, FLAIR
RkJQdWJsaXNoZXIy NzcyMw==