FOCUS – GASTBEITRAG 24 / UdZ 02.23 Artificial Intelligence and Robotics Centre (FLAIR) nimmt sich dieser Herausforderung an. FLAIR entwickelt KI-Technologien für die verarbeitende Industrie in Guangdong-Hong Kong-Macau Greater Bay Area (GBA). FLAIR ist zusammen mit insgesamt 28 Laboren in die Leitinitiative InnoHK von Hongkong zur Förderung der Zusammenarbeit mit globalen Forschungsinstituten integriert.2 FLAIR arbeitet zum einen mit Instituten und Zentren auf dem RWTH Aachen Campus zusammen, etwa dem Center Connected Industry (CCI) und dem FIR e. V. an der RWTH Aachen. Auf der anderen Seite kooperiert FLAIR mit Industriepartnern wie TCL, um langfristige Innovationen zu etablieren. Das Projektteam erzielte wichtige Fortschritte in der KI-Technologie, insbesondere beim unüberwachten Lernen (unsupervised learning), die es ermöglichen, die manuelle Arbeit zu reduzieren. Die Expert:innen entwickelten KI-Technologien, die den Lablingprozess automatisieren können, sodass Produktionsunternehmen KI-basierte Qualitätsprüfungssysteme einfacher und schneller einführen können3. Insbesondere werden eine CAM-basierte Fehlersegmentierung und eine feature-based ROI-cropping defect classification mit einer Auto-Labling-Architektur vorgeschlagen, bei der die das zeitaufwendige Labling von Fehlern auf Pixelebene stark reduziert werden kann. Darüber hinaus kann auch der Aufwand des Qualitätskontrollpersonals für die Trainieren der KI-Modelle verringert werden, was besonders in der High-Mix-Produktion mit einer hohen Anzahl von Umstellungen und Produktionsprozessanpassungen wichtig ist. Insgesamt können mehr als 11 000 Stunden von den geschätzten 12 000 StundenLabling-Zeit eingespart werden. Das Projekt hat nun seine Endphase erreicht, denn der letzte Schritt besteht in der Validierung vor Ort mit dem Partner TCL. Die Validierung folgt einem strukturierten Ansatz. Zunächst halfen wir TCL, einen vorteilhaften Anwendungsfall zu identifizieren, führten technologische Schulungen durch und RWTH Aachen Campus, such as the Center Connected Industry (CCI) and the Institute for Industrial Management FIR. On the other side, FLAIR collaborates with industrial partners such as TCL to establish long-term innovation. The Project team made major advancements in AI technology, particularly in unsupervised learning, that make it possible to reduce manual labor. The experts developed AI technologies that can automate the labeling process, making it easier and faster for production companies to implement AI-based quality inspection systems3. In particular, CAM-based defect segmentation and feature-based ROI-cropping defect classification are proposed with auto-labeling architecture, where timeconsuming pixel-level labeling of defects can be greatly reduced. Furthermore, the efforts of quality control personnel for model training can be also reduced which is especially important in high-mix production with a high number of changeovers and production process adjustments. In total more than 11.000 hours from the estimated 12.000 hours of training time can be saved. The project has now reached its final stages as the remaining step is the on-site validation with the Partner TCL. The validation follows a structured approach. First, we helped TCL to identify a beneficial use case, had technological trainings and are tailoring the technology to their production environment to save more than 95 percents labeling effort. Together we will evaluate the results and assess further options for strategic implementation. The exact steps include: Kick Off: The first step was to define personalized use case for TCL, set expectations and requirements for the validation study. Here strategic and operational benefits were identified with interdisciplinary experts. Through our collective teamwork, we have achieved remarkable strides in the development of cutting-edge AI algorithms for automated quality inspection in LCD production. Benny Drescher, CTO, FLAIR 2 s. Wittstamm et al. 2022, S. 28 3 Liu et al. 2022, S. 506 – 513 2 Wittstamm et al. 2022, p. 28 3 Liu et al. 2022, pp. 506 – 513
RkJQdWJsaXNoZXIy NzcyMw==