KIMIPA:自学习边缘人工智能旨在减少光学检测中的伪废品

2026-11-06 20:00:11

3074

如果合格部件被错误地作为废品剔除,会浪费时间、材料和能源。KIMIPA研究项目正是为了解决这个问题:一种可加装的边缘人工智能将补充基于相机的检测和分拣系统,使其能够可靠地识别并减少伪废品。参与方包括弗劳恩霍夫IMS以及中型企业SDC Control和Scemtec。

如今的基于相机的检测和分拣系统主要采用固定规则和阈值。因此,污染、光照变化或对焦偏差经常导致合格部件被判定为废品。固定阈值无法补偿这些变化,因为它们不了解设备的状态。

KIMIPA:自学习边缘人工智能旨在减少光学检测中的伪废品

“伪废品意味着:我们对相同的部件进行多次检测和分拣,并在其间手动重新校准。这降低了整条生产线的效率。在代工分拣中,这一点尤为明显:根据客户委托检测和分拣部件的公司,按部件收费,每一次错误剔除都会直接造成损失,”SDC Control总经理Dennis Freudenreich说。

直接在设备上学习

KIMIPA的核心是一个通用的可加装硬件平台,人工智能模型不仅可以在其上运行,还可以在现场进行再训练。该系统将检测过的部件归类为“正常”、“异常”和“伪废品”。同时,它会识别错误评估的原因,例如污染、不利照明或工艺偏差。目标是达到至少90%的分类准确率。

技术基础由弗劳恩霍夫IMS提供:该研究所开发的开源框架AIfES能够运行神经网络,并直接在微控制器上训练和调整。因此,弗劳恩霍夫IMS是少数掌握在资源受限硬件上进行自适应学习的机构之一——这是KIMIPA无需云服务的前提。

融入设备机械师的经验知识

通过数字用户界面,设备机械师可以标记被错误剔除的部件,从而将他们的经验知识直接融入人工智能训练中。作为回报,系统会提供具体的后续控制建议,例如关于照明、进料速度或设备组件清洁的建议。从长远来看,该平台应能自行调整选定的工艺参数,并在不到一秒的时间内对偏差做出反应。

制造商无关且可加装

由于希望继续使用现有设备,该联盟始终采用开放标准和常见的工业接口,如OPC UA和MQTT。该解决方案采用模块化设计,应能独立于制造商集成到现有的生产、检测和分拣线中。目前市场上尚无类似系统:现有方法要么基于规则,要么基于云,要么是行业特定的封闭系统。

项目启动和下一步计划

作为研究工作的开端,项目合作伙伴于2026年9月30日在诺伊恩拉德的SDC Control GmbH会面。弗劳恩霍夫IMS、Scemtec和SDC Control在会上协调了工作包、接口和初步开发步骤。

在接下来的项目阶段,开发的方法将越来越多地在实际生产条件下进行测试。计划在实际检测装置上进行一系列测量,并逐步集成到现有设备中。重点是人工智能模型对不同部件、检测特征和设备类型的可迁移性。

通过KIMIPA,合作伙伴希望为节约资源的生产做出贡献:减少伪废品意味着更短的检测时间、更低的材料和能源消耗,以及减轻操作人员的负担。由于该平台无需云后端即可运行,因此不会产生外部计算能力和数据传输的持续运营成本。重点领域是代工分拣和批量生产中的光学质量保证。

联盟和资助

KIMIPA由一个由中型企业和研究机构组成的联盟支持。除了弗劳恩霍夫IMS,参与方还包括SDC Control GmbH(诺伊恩拉德)和Scemtec Hard- und Software für Mess- und Steuerungstechnik GmbH(赖希斯霍夫-韦恩拉特)。弗劳恩霍夫IMS获得279,720欧元的资助。该项目从2026年6月1日持续到2028年5月31日,由联邦经济和能源部在中央中型企业创新计划(ZIM)框架内资助(资助标识:16KN126526)。

来源:弗劳恩霍夫IMS

本平台所刊载的资讯来源于外部公开信息及合作方提供,由“中欧世界展会网”进行翻译整理,旨在为用户提供便捷的展会信息参考。我们致力于打造一个汇集全球展会时间与地点信息的服务平台,并可提供展位预订、参观协助、设计搭建等第三方服务对接。

相关资讯仅供参考,不构成任何确定性承诺或要约,亦不对其准确性、完整性承担法律责任。用户基于本平台信息所做的任何决策与行为,均需自行核实并承担相应风险。

如需进一步服务或确认信息,敬请垂询:400-837-8606(24小时客服)。