Variable KI-basierte Qualitätsprüfung von Textilien
Projektziele & Projektergebnis
Erstellung projekt in den Bereichen „Produkte“ mit dem Ziel der Erhöhung/Steigerung/ Optimierung der Produkt- / Servicequalität.
Das System kann sicher erkennen, ob ein Fehler im Textil vorhanden ist oder nicht. Bei der exakten Unterscheidung einzelner Fehlertypen besteht weiteres Entwicklungspotenzial, für das zusätzliche Trainingsdaten benötigt werden.
Gesamtprojekt
Top Erkenntnisse aus dem Projekt
Ausgangslage
Zentrale Fragestellungen im Projekt
- Wie können KI-gestützte Kamerasysteme Fehler in Textilien zuverlässig erkennen, wenn nur wenige Trainingsdaten zu einzelnen Fehlertypen vorliegen?
- Wie lässt sich ein bestehender Prüfstand technisch so erweitern und kalibrieren, dass hochauflösende Bilddaten für die KI-basierte Qualitätskontrolle in variablen Textilproduktionen nutzbar werden?
- In welchem Umfang kann KI bereits heute als Vorselektion in der textilen Qualitätsprüfung eingesetzt werden, und welche zusätzlichen Daten sind erforderlich, um künftig auch einzelne Fehlertypen präzise unterscheiden zu können?
Projektdetails
Das Unternehmen
Wo Produkte in kleinen Stückzahlen, mit wechselnden Eigenschaften und hohen Qualitätsanforderungen gefertigt werden, sind klassische Prüfsysteme oft nur eingeschränkt geeignet. Genau hier setzt das Projekt mit der Quintina GmbH an. Das Start-up entwickelt KI-basierte Systeme für die Qualitätskontrolle.
Die Herausforderung
Ausgangspunkt war die Frage, wie sich Kamerasysteme so einsetzen lassen, dass sie Unternehmen auch dann unterstützen, wenn nur wenige Lerndaten zu einzelnen Fehlertypen vorliegen. Gerade in variablen Produktionsumgebungen, etwa bei kleinen Losgrößen oder sich verändernden Produkteigenschaften, ist diese Ausgangslage
besonders anspruchsvoll.
Die Lösung
Gemeinsam mit dem STFI, Partner im Mittelstand-Digital Zentrum Smarte Kreisläufe, hat Quintina erprobt, wie Fehler in variablen Textilproduktionen auch bei geringer
Datenbasis erkannt werden können. Für die Umsetzung wurde ein vorhandener Prüfstand am STFI technisch erweitert und mit einem neuen Kamerasystem sowie
KI-Hardware ausgestattet. Nach der Kalibrierung wurden Fehler an Textilmustern hochauflösend aufgenommen, durch Fachexperten eingeordnet und für das Training
vorbereitet.
Die Umsetzung
Aus 50 gesichteten Bildern wurden elf Aufnahmen gelabelt und mit einem modernen KI-Modell verarbeitet. Dabei konnte das System bereits sicher erkennen, ob ein Fehler
im Textil vorhanden ist oder nicht. Bei der exakten Unterscheidung einzelner Fehlertypen besteht weiteres Entwicklungspotenzial, für das zusätzliche Trainingsdaten benötigt
werden. Der Ansatz zeigt, wie KI schon heute sinnvoll als Vorselektion in der Qualitätsprüfung eingesetzt werden kann. Relevante Bilddaten lassen sich gezielt herausfiltern,
wodurch der Aufbau belastbarer Trainingsdatensätze erleichtert wird. Perspektivisch entsteht so eine Grundlage für eine noch genauere Fehlertypenerkennung. Für produzierende Unternehmen bedeutet das: weniger Ausschuss, geringerer Ressourcenverbrauch, weniger Retouren und eine spürbare Entlastung in Zeiten des Fachkräftemangels.
Die nächsten Schritte
In einem nächsten Schritt sollen weitere Textilmuster, insbesondere Vliesstoffe, einbezogen werden, um das schnelle KI-Training weiter zu verfeinern. Zusätzlich stellt das STFI den entwickelten Prototyp für Tests bereit, damit Unternehmen die Einsatzmöglichkeiten solcher Technologien praxisnah erproben können. Die Ansätze aus dem Projekt sind dabei nicht nur für die Textilbranche interessant, sondern grundsätzlich auch auf andere Industriebereiche übertragbar.
