Videoanalyse mit Machine Learning

Andreas Mühlbauer,

Edge Analytics für die agile Automatisierung

HPE setzt Video-Qualitätssicherung mit maschinellem Lernen in der Serverfertigung von Foxconn in Kutna Hora ein. Die Herausforderungen liegen einerseits darin, den Lernprozess deutlich zu verkürzen, andererseits, die Bildverarbeitung in Echtzeit durchzuführen, ohne die Netzwerke stark zu belasten.
Eine Fachkraft braucht mehrere Minuten, um eine ordnungsgemäße Qualitätskontrolle eines komplexen IT-Systems durchzuführen. © Foxconn

Hersteller erhöhen die Anzahl der Produktvarianten oder bieten spezifisch konfigurierte Produkte an, um individuellen Kundenbedürfnissen gerecht zu werden. Dadurch können sie sich einen Wettbewerbsvorteil verschaffen, der allerdings eine Kosten-Nutzen-Abwägung mit sich bringt: steigende Komplexität und Kosten auf allen Stufen des Herstellungsprozesses, von der Produktentwicklung über die Planung und Produktion bis hin zum Service. Die Idee der kundenspezifischen Serienfertigung besteht darin, diese Hürde zu überwinden, indem der gleiche Automatisierungsgrad für die Losgröße eins erreicht wird wie bei der Massenproduktion standardisierter Güter. Dies erfordert eine extrem agile Automatisierung, die in der Lage ist, sofort auf Änderungen im Planungssystem und in der Produktionsumgebung zu reagieren.

HPE Pointnext stellt eine Lösung bereit, die diesen Konflikt beseitigt: die Video-Qualitätssicherung, die maschinelles Lernen als Grundlage nutzt. Unter anderem wird die Lösung derzeit in der Produktion für HPE-Systeme am Foxconn-Standort im tschechischen Kutna Hora eingesetzt.

Anzeige

Komplexität der Herstellung von IT-Systemen

Die Produktion von IT-Systemen ist besonders anfällig für den Komplexitätskollaps. Ein Grund dafür ist die Anzahl der möglichen Produktvarianten. So lässt sich ein bestimmtes Servermodell theoretisch mit zwei bis 16 Speichermodulen ausstatten, die wiederum 16, 32, 64 oder 128 Gigabyte umfassen. Folglich können Speicheroptionen bereits mehrere hundert Produktvarianten berücksichtigen – und diese wiederum müssen mit der Anzahl der verfügbaren Optionen für Prozessoren, Lüfter oder Festplatten multipliziert werden. Zudem ist die IT-Branche für ihr hohes Innovationstempo bekannt, mit kurzen Produkterneuerungszyklen und daraus resultierenden Produkt-Updates, was die Variabilität der Produktionsumgebung zusätzlich erhöht.

Die Qualitätssicherung solcher Produkte erfordert nicht nur die Prüfung der Anzahl und Position solcher Systemkomponenten, sondern auch deren korrekte Implementierung. Beispielsweise muss ein Kabel an den richtigen Port angeschlossen und gleichzeitig auch richtig eingesteckt sein. Auch alle anderen Produktfehler, wie etwa Kratzer auf der Oberfläche des Servergehäuses, müssen geprüft werden.

Hightech-Produkte stellen höchste Anforderung and die Qualitätssicherung: Nahaufnahme einer HPE-Serverplatine. © HPE

Angesichts dieser Umstände wird deutlich, dass es eine Fachkraft mehrere Minuten kosten kann, eine ordnungsgemäße Qualitätskontrolle eines komplexen IT-Systems durchzuführen. Für einen Hersteller wie Foxconn, dessen Fabriken täglich Zehn- oder Hunderttausende von IT-Geräten produzieren, bedeutet dies einen erheblichen Kosten- und Zeitaufwand.

Qualitätssicherung mit Videoanalyse automatisieren

Eine naheliegende Lösung für diese Aufgabe ist der Einsatz von Videoanalysen zur Qualitätssicherung, um den Prozess zu automatisieren. Kameras erfassen hochauflösende Produktbilder auf einem Förderband, geben sie an ein eingebettetes oder angeschlossenes IT-System weiter, wo die Bilder mit Hilfe von Machine-Learning-Algorithmen analysiert werden. Ähnlich dem Menschen vergleicht Machine Learning (ML) das Bild des eigentlichen Produkts mit Referenzbildern, die richtige und fehlerhafte Implementierungen anzeigen. So lernt die Maschine, ob ein Kabel ordentlich in einem Port steckt, ob ein Speichermodul richtig im Sockel sitzt oder ob ein Gehäuse verkratzt ist.

Aber auch für die ML-basierte Videoanalyse stellt die Produktvielfalt eine Herausforderung dar. Um der Analyseanwendung beizubringen, Fehler in der Konfiguration, Implementierung oder andere Produktschäden zu erkennen, können mehrere tausend Referenzbilder notwendig sein, um die Analyseanwendung mit dem tatsächlichen Produktbild vom Förderband abzugleichen. Dies hat zwei wesentliche Nachteile: Erstens kann es Wochen dauern, bis die ML-Algorithmen gelernt haben, präzise und zuverlässig Produktfehler zu erkennen. Zweitens ist dieser Ansatz unflexibel und erfordert einen neuen Trainingszyklus für jede neue Konfiguration, Produkt-erneuerung oder Aktualisierung.

Gemeinsam mit Relimetrics, einem auf Qualitätsaudits für Industrie 4.0 spezialisierten Unternehmen, hat HPE Pointnext eine Lösung implementiert, um diese Probleme zu beheben. Ein Schlüssel dazu ist die Disaggregation von Produktbildern. Die Lösung speichert keine Referenzbilder beispielsweise kompletter HPE-Server, sondern von einzelnen Komponenten, wie etwa die Speichermodule in ihren Steckplätzen, den Prozessorsockel mit Lüfter oder die Festplatte. Für jedes Produkt, das auf das Förderband kommt, stellt das Manufacturing Execution System (MES) der Analyseanwendung die Stückliste zur Verfügung, so dass sie die relevanten Referenzbildkomponenten zu einem vollständigen Referenzbild zusammensetzen kann. Dieser Ansatz wirkt sich in zweifacher Hinsicht aus. Erstens lernen die ML-Algorithmen viel schneller und effizienter, da Referenzbildkomponenten häufig wiederverwendet werden. Im Werk von Foxconn in Kutna Hora konnte HPE Pointnext das ML-Modell für ein neues Servermodell mit rund 1.000 Konfigurationsvarianten in nur zwei Tagen schulen und damit den Prozess der Fehlererkennung vollständig automatisieren. Zweitens bietet der Ansatz hohe Flexibilität, indem die Bildkomponenten entsprechend der tatsächlichen Produktkonfiguration gemäß der Stückliste kombiniert werden.

Edge Analytics für ein Qualitätsmanagement in Echtzeit

Ein beweglicher Arm mit fünf Videokameras filmt den Server aus unterschiedlichen Perspektiven. © HPE

Wird ML zur Steuerung eines Produktionsprozesses wie der Qualitätssicherung eingesetzt, stellt die Datenmenge, die von den Videokameras erzeugt wird, eine weitere Herausforderung dar. Bei der Serverproduktion von Foxconn zum Beispiel werden zehn Videokameras für jedes einzelne Förderband eingesetzt, um extrem detaillierte Bilder von jedem Serverdetail aufzunehmen. Diese Kameras erzeugen drei Gigabyte Bilddaten pro Stunde. Die schnelle Übertragung dieser Daten an ML-basierte Videoanalysesysteme ist für hochproduktive Fabriken entscheidend. Es wäre nicht praktikabel, diese Daten über interne oder externe Netzwerke zu übertragen, um sie auf entfernten Servern zu verarbeiten – die Latenz wäre zu hoch, die Netzwerke wären mit diesen Datenmengen überlastet und die Produktionssysteme kämen bei Netzwerkausfällen zum Erliegen.

Daher setzt HPE Pointnext die ML-basierte Videoanalyselösung auf konvergierten HPE-Edge-Systemen ein – robuste, kompakte Systeme, die IT-Fähigkeiten in Enterprise-Qualität am Netzwerkrand bieten, also in unmittelbarer Nähe zur Datenquelle. Diese Systeme sind für Produktionsumgebungen konzipiert und integrieren auch Operational Technology (OT) wie Datenerfassungssysteme, Steuerungssysteme und industrielle Netzwerke, um eine nahtlose bidirektionale und deterministische Kommunikation und Steuerung von OT-Systemen wie Videokameras, Produktionsmaschinen oder Förderbändern zu liefern.

Mit dieser Lösung wird der konstante Videokamera-Datenstrom zunächst auf konvergenten Edge-Systemen verarbeitet, die in unmittelbarer Nähe des Förderbandes laufen, um Bilder des aktuellen Produkts zu extrahieren. Anschließend werden die Daten in Echtzeit mit ML-Algorithmen zur Fehlererkennung analysiert. Nur ein Teil der analysierten Bilder wird zur Archivierungszwecken über das Netzwerk übertragen, um Rückverfolgbarkeit und Compliance zu gewährleisten.

Um die Komplexität und erhöhte Kosten bei hoher Produktionsvariabilität zu vermeiden, müssen Hersteller ihre Abläufe von einer statischen auf eine agile Automatisierung umstellen. Schlüsselfaktoren hierfür sind Methoden der Künstlichen Intelligenz wie das maschinelle Lernen. Wie das Beispiel der maschinellen Qualitätssicherung verdeutlicht, erfordert die Umsetzung jedoch Lösungen, die die Besonderheiten des jeweiligen Produktionsprozesses berücksichtigen. Darüber hinaus sollten Hersteller neue Edge-Infrastrukturen aufbauen, um Videostreams intelligent umzusetzen. Laut Gartner werden bis 2022 infolge digitaler Geschäftsprojekte 75 Prozent der von Unternehmen generierten Daten außerhalb des traditionellen, zentralisierten Rechenzentrums oder der Cloud erhoben und verarbeitet. 2018 waren es noch weniger als 10 Prozent. Die Videoanalyse in der Qualitätssicherung ist nur eines von vielen Beispielen, das zeigt, weshalb diese Vorhersage ihre Gültigkeit hat.

Norbert Reil, Director Global IoT Services, HPE Pointnext bei Hewlett Packard Enterprise / am

Anzeige

Das könnte Sie auch interessieren

Anzeige
Anzeige
Anzeige
Anzeige

SAS Forum 2019

Innovative Technologien

Am 4. und 5. Juni 2019 bringt das SAS Forum 2019, die größte deutschsprachige Analytics-Konferenz, Vordenker und Anwender innovativer Technologien zusammen. Erwartet werden weit über 1.000 Teilnehmer.

mehr...
Anzeige
Anzeige
Anzeige

Newsletter bestellen

Immer auf dem Laufenden mit dem SCOPE Newsletter

Aktuelle Unternehmensnachrichten, Produktnews und Innovationen kostenfrei in Ihrer Mailbox.

AGB und Datenschutz gelesen und bestätigt.
Zur Startseite