FabGoalieAI ist für den Einsatz in der finalen Qualitätskontrollphase nach der Stoffveredelung in Produktionsstraßen von Strick- oder Webstoffen konzipiert. Die Maschine umfasst ein Servosteuerungssystem, eine Spannungsregelung und eine Arbeitsstation.

Das Herzstück der Lösung ist ein KI-Software-Algorithmus, der fehlerhafte Objekte im Stoff erkennt und als Defekte klassifiziert. Die Entwickler entschieden sich für einen einstufigen Erkennungsansatz, um eine Echtzeitdetektion zu ermöglichen. Dazu setzen sie auf ein konvolutionales neuronales Netzwerk zur Bildverarbeitung. Dies ermöglichte es dem Prototyp, sechs Arten von Fehlern zu erkennen – einschließlich Ölflecken, Farbflecken, falsches Garn, Löcher, gebrochenes oder gezogenes Garn und Faltenbildung. Aktuellen Angaben der Forscher zufolge kann die neueste Softwareversion mehr als zehn Fehlerarten identifizieren.

Workflow der Datenerfassung

Speziell angepasste Kameras für Produktionsumgebungen und ein Markierungssystem fotografieren die laufenden Stoffbahnen. Der Prototyp verwendet dazu zwei Kameras, aber der KI-Erkennungs-Algorithmus unterstützt eine größere Anzahl von Datenquellen. Studien zeigen beispielsweise, dass das Hinzufügen einer dritten Kamera aus einem anderen Winkel die Erkennungsgenauigkeit für verschiedene Defektarten erhöht. Die 8K-Fotos der Kameras werden in Graustufenbilder umgewandelt und in 128 kleinere Bilder mit einer Auflösung von jeweils 512x512 Pixeln unterteilt. Diese ermöglicht eine Prüfung von bis zu 54 Metern (60 Yards) Stoff pro Minute und erlaubt gleichzeitig einen vollständig lokalen Betrieb mit begrenzten Rechen- und IT-Ressourcen.

In den ersten KI-Lernphase markierten die Entwickler die Defekte manuell und kennzeichneten deren Typen, um eine Grundlage für das Training der KI zu schaffen. Im jetzigen Produktionsbetrieb kann FabGoalieAI eigenständig Defekttypen erkennen und deren Positionen genau identifizieren.

Lesen Sie den vollständigen Artikel in unserer Ausgabe 2/2025.