SATA
SATA Objekterkennung

Machine Learning im Wartungs- und Reinigungsprozess von Lackierpistolen

Eine Person hät eine Lackiepistole. Die Lackierpistole wird durch die Anwendung in drei versschiedene Abschnitte unterteilt. Die Abschnitte sind "nazzle", "body" und "screw". Neben den Kästen wir jeweils eine Prozentanzeige gezeigt, die den Wartungsbedarf des jeweiligen Segments anzeigt.
Land
GER
Branche
Industry
Leistung
Datenstrategie
Datenstrategie
Bereich
Marketing
Sales
IT
Produktmanager
Ausgangslage
Machine Learning wird heute in vielen Anwendungen eingesetzt. Ein bekanntes Beispiel ist die automatische Objekterkennung. Dabei wird ein System so trainiert, dass es selbstständig Objekte auf Bildern oder in der realen Umgebung erkennt. Ein Beispiel ist unser für SATA entwickeltes System, das Lackierpistolen in Wartungs- und Reinigungsprozessen selbstständig erkennt. Durch gezieltes Training wird das System in die Lage versetzt, Objekte auf Bildern oder in der realen Umgebung präzise zu identifizieren.
Analyse und Aufgabenstellung

Interaktive Unterstützung in der Praxis

Das von mediaman entwickelte System erkennt den aktuellen Zustand der Lackierpistole und gibt dem Anwender entsprechende Anweisungen. Es besteht aus zwei Teilsystemen: einem Objektdetektor und einer Zustandserkennung. Der Objektdetektor erkennt die verschiedenen Komponenten der Lackierpistole im Kamerabild und berücksichtigt dabei deren Position und Größenverhältnisse, um sicherzustellen, dass sie korrekt montiert sind. Die erkannten Zustände werden an die Zustandserkennung weitergeleitet, die den aktuellen Reinigungsschritt bestimmt und dem Nutzer entsprechende Anweisungen auf dem Bildschirm anzeigt. Die Objekterkennung basiert auf einem Convolutional Neural Network (CNN), das durch Transfer Learning an die spezifische Aufgabe angepasst wurde. Das Training erfolgt durch überwachtes Lernen mit annotierten Bildern. Das System wird in Python ausgeführt und verarbeitet Live-Bilder von der Webcam des Computers.

Ergebnis

Machine Learning ist eine zukunftsweisende Technologie für Unternehmen. Einmal trainierte Systeme können leicht an ähnliche Szenarien angepasst werden und profitieren von kontinuierlichem Nutzerfeedback. Eine mögliche Weiterentwicklung könnte die Integration in Augmented-Reality-Brillen sein, um Anweisungen und Objekterkennung direkt sichtbar zu machen. Dies würde auch Anwendungen in der Logistik und Qualitätssicherung zur automatischen Erkennung von Objekten oder Fehlern ermöglichen, was zu weniger Fehlern, kürzeren Einarbeitungszeiten und besseren Arbeitsergebnissen führt.

Picture of Steven Bailey
Steven Bailey
Director Strategic Business

Und was können wir für Sie tun?

Ich helfe Ihnen gerne weiter – in einem persönlichen Gespräch.
Jetzt Kontakt aufnehmen