FOCUS – GASTBEITRAG 26 / UdZ 02.23 FLAIR Auto-Labeling system will enhance productivity and release labor from the unpleasant manual labeling task. The FLAIR solution will be of great benefit to the industry, solving the time-consuming manual processes in the production environments for defect labeling. The solution has the potential to be applied into a wide variety of industries and will enhance vision systems performance as well as contribute to the occupational health and safety for employee’s vision protection. We thank the FLAIR team for the development conducted together with TCL. Dr. Dahai Yu, General Manager, AI Director of TCL Corporate Research prozess eingespart werden, wodurch TCL potenziell mehr als 11.000 Stunden für alle seine Fabriken in China einsparen kann. Nach der Validierungsstudie sollen die Wirksamkeit und die Vorteile des KI-basierten visuellen Qualitätsprüfungs- systems von Branchenexpert:innen in der Produktionslinie bewertet werden. Setzen wir die Erfolgsgeschichte fort: Ausweitung der KI-Technologie durch Kooperationspartnerschaften Nach der erfolgreichen Implementierung des neuen KI-basierten Qualitätsprüfungssystems im Fertigungskontext ist es nicht nur erforderlich, die KI-Modelle weiterzuentwickeln, sondern sie auch wiederholt in realen Industrieumgebungen zu validieren. Um dies zu ermöglichen, arbeitet FLAIR an der Kommerzialisierung der Technologie und ermöglicht den Transfer in die Industrie. Der gegenwärtige Zeitpunkt bietet eine günstige Gelegenheit, weitere Kooperationen zu initiieren. Durch die Automatisierung des Labelingprozesses durch unüberwachtes Lernen hat das Projekt die Grenzen des manuellen Labelings überwunden und es Produktionsunternehmen erleichtert, KI-basierte Qualitätsprüfungssysteme einzuführen. TCL war neugierig und wurde zu einem frühen Anwender. Jetzt hat das Projekt das System erfolgreich offline validiert und arbeitet derzeit an der Online-Validierung und den technischen Anpassungen für die Implementierung in die Produktionslinie des Unternehmens. Liu · Drescher · Yu · Wittstamm · Becerra real-world industrial environments. To facilitate this, FLAIR is working on commercializing the technology and enable transfer to the industry. The current moment presents a favorable opportunity to initiate additional collaborations. By automating the labeling process through unsupervised learning, the project has overcome the limitations of manual labeling and made it easier for production companies to implement AI-based quality inspection systems. TCL was curious and became an early adopter. Now the project has successfully validated the system offline and is currently working towards online validation and technical adjustments for implementation in their production line. Liu · Drescher · Yu · Wittstamm · Becerra Literatur: Bearman, A.; Russakovsky, O.; Ferrari, V.; Fei-Fei, L.: What's the point: Semantic segmentation with point supervision. In: Computer Vision-ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part VII. Springer, Cham [u. a.] 2016, S. 554 Liu, C.; Vaassen, S.; Manoj, L.; Zhan, X. Q.; Xu, C.; Rudra Ajay, S.; Lu, Z. Y.; Wittstamm, M.; Jain, S.; Zhang, C.; Drescher, B.: Automatic Labeling in Image Segmentation and Classification for TFT-LCD Manufacturing, In: 2022 IEEE International Conference on Mechatronics and Automation (ICMA), Guilin, Guangxi, China, 2022, S. 506 – 513. DOI: 10.1109/icma54519.2022.9856233 Wittstamm, M.; Drescher, B.; Engländer, J.: RWTH Aachen Campus erforscht Technologien der Künstlichen Intelligenz in der Fertigungsindustrie Hongkongs. In: UdZ – The Data-driven Enterprise 2 (2011) 3, S. 29 – 33.
RkJQdWJsaXNoZXIy NzcyMw==