UdZ 02.23 / 25 passten die Technologie an ihre Produktionsumgebung an, um mehr als 95 Prozent des Labeling-Aufwands zu sparen. Gemeinsam werden wir die Ergebnisse auswerten und weitere Optionen für die strategische Umsetzung prüfen. Die genauen Schritte umfassen: Kick-off: Der erste Schritt bestand darin, den personalisierten Anwendungsfall für TCL zu definieren, Erwartungen und Anforderungen für die Validierungsstudie festzulegen. Hier wurden mit interdisziplinären Expert:innen strategische und operative Vorteile identifiziert. Schulung & Trends zum Thema Computer Vision: TCL erhielt ein spezielles Training zur KI-basierten visuellen Fehlerinspektion und wurde über die neuesten Trends in diesem Bereich sowie über die neuartigen Lösungen auf dem RWTH Aachen Campus informiert. Validierungsstudie: Die Validierungsstudie von TCL wurde erfolgreich abgeschlossen. Ziel war es, das KI- basierte visuelle Qualitätsprüfungssystem zu validieren. TCL stellte daher die erforderlichen Bilddatensätze und erweiterte technische Unterstützung zur Verfügung. Das Inspektionssystem wurde mit sehr wenigen gelabelten Bildern erfolgreich trainiert und validiert. Bei der Fehlersegmentierung wurde eine Erfassungsrate von 65 Prozent und eine Einschlussrate von 60 Prozent erreicht, was auf eine hohe Erkennungsgenauigkeit der Fehler hindeutet; die erkannten Masken können direkt als Label für die nicht gelabelten Bilder verwendet werden. Bei der Klassifizierung von Defekten wurde eine Klassifizierungsgenauigkeit von 80 Prozent erreicht, wobei nur die Klassenlabel zum Trainieren des Modells verwendet wurden. Insgesamt können etwa 80 Stunden manueller Labeling-Aufwand für das Training eines typischen KI-Modells für jeden ProduktionsTraining & Trends Regarding Computer Vision: TCL received a dedicated training on AI based visual defect inspection and be briefed on the latest trends in the field as well as on the novel solutions from the RWTH Aachen Campus. Validation Study: TCL�s validation study is completed successfully. The aim was to validate the AI-based visual quality inspection system, therefore TCL provided the necessary imaging datasets and enhanced technical support. With very limited labeled images, the inspection system has been successfully trained and validated. For defect segmentation task, 65 percent coverage rate and 60 percent inclusion rate have been achieved which shows high detection accuracy of the defects, and the detected masks can be directly used as labels for the unlabelled images. For defect classification task, 80 percent classification accuracy has been achieved where only class labels are used to train the model. Overall, around 80 hours manual labeling effort can be saved for training a typical AI model for each production process, which potentially save TCL more than 11,000 hours for all its factories in China. After the validation study, the aim is to assess the effectiveness and benefits of the AI-based visual quality inspection system by industry experts in the production line. Let´s Continue the Success Story: Expanding AI-Technology through Collaborative Partnerships This successful story should now be continued with additional industrial partners. After successfully implementing the new AI-based quality inspection system in the manufacturing context, it is not only required to further develop the working models, but to repeatedly validate them in FLAIR strives to transform technological advances into innovative, practical solutions for enterprises to achieve new industrialisation. By expanding the network of partners in validation and further cooperation, we look forward to helping more industries and enhancing the I&T ecosystem together. Edmond Lai, CEO, FLAIR
RkJQdWJsaXNoZXIy NzcyMw==