Künstliche Intelligenz in Forschung, Bildung und Industrie
Der Einsatz von künstlicher Intelligenz in Industrie, Bildung und Forschung wird immer wichtiger. Um dieses komplexe Thema hands-on zu visualisieren, eignet sich das Modell Qualitätssicherung mit KI-System von fischertechnik hervorragend. Es wird dank Verknüpfung von Theorie und Praxis ein nachhaltiges Lernerlebnis geschaffen.
Visualisierung von Qualitätssicherung durch KI mit fischertechnik
Der Einsatz von künstlicher Intelligenz bei der Qualitätskontrolle bringt viele Vorteile mit sich, welche beispielsweise in der Automobilindustrie bereits genutzt werden. Es können Prozesse verkürzt, Fehlerquoten und Kosten minimiert sowie die Fehlerbewertung standardisiert werden. Die fischertechnik Sortieranlage wird mit Werkstücken in drei verschiedenen Farben geliefert. Diese Werkstücke sind mit drei Bearbeitungsmerkmalen sowie verschiedenen Fehlerbildern versehen. Die Werkstücke werden von der Kamera gescannt und mit Hilfe der eintrainierten KI klassifiziert. Je nach Farbe, Merkmal und Fehlerbild werden die Werkstücke anschließend anhand ihrer Qualitätsmerkmale von der künstlichen Intelligenz sortiert. Die verwendete KI ist mit maschinellem Lernen in Tensorflow realisiert, bei dem ein künstliches neuronales Netz mit Bilddaten eintrainiert wurde. Die eingelernte KI wird auf dem fischertechnik TXT 4.0 Controller ausgeführt. Die Ablaufsteuerung des Modells ist in der Programmierumgebung ROBO Pro Coding und in Python implementiert.
Eigene KI-Anwendungen generieren
Wer einen Schritt weiter gehen möchte, dem steht die Möglichkeit zur Generierung eigener KI-Anwendungen zur Verfügung. Das Eintrainieren erfolgt hierbei in Python, wofür zur Erklärung ein entsprechendes Beispielprojekt bereitgestellt wird.
Modellaufbau der Sortierstrecke mit KI
Sortieranlage für Werkstücke in 3 verschiedenen Farben (weiß, rot, blau), mit 3 verschiedenen Bearbeitungsmerkmalen (Bohrung, Ausfräsungen, Bohrung+Ausfräsungen) sowie verschiedenen Fehlerbildern (Bohrung unrund, Bohrung fehlt, Ausfräsungen fehlen ganz oder teilweise, Risse im Werkstück. Diese Bearbeitungs- und Fehlermerkmale werden mit entsprechenden Klebeetiketten auf den Werkstücken simuliert. Die Werkstücke werden von der Kamera gescannt und mit Hilfe der eintrainierten KI klassifiziert. Je nach Farbe, Merkmal und Fehlerbild werden die Werkstücke anschließend in 4 verschiedene Schächte sortiert. Die KI ist mit Tensorflow realisiert und wird auf dem TXT 4.0 Controller ausgeführt. Es können auch eigene KI-Modelle generiert werden. Das Eintrainieren erfolgt auf einem Rechner in Python. Ein entsprechendes Beispielprojekt wird zur Verfügung gestellt. Die Ablaufsteuerung für die Sortieranlage ist in der Programmierumgebung ROBO Pro Coding und in Python implementiert.