KI zur automatisierten Fehlererkennung von Textilien
Der Demonstrator zur visuellen Qualitätskontrolle von Textilien zeigt, wie KI in der Textilindustrie von kleinen und mittleren Unternehmen (KMU) eingesetzt werden kann, ohne größere finanzielle Investments. Eine vergleichbare Technologie in der Produktion erlaubt eine präzise, kostengünstige und automatisierte Fehlererkennung, um Ausschuss einzusparen und den Ressourcenverbrauch zu reduzieren. Hier finden Sie den Demonstator zur visuellen Qualitätskontrolle von Textilien auf GitHub.
Der Demonstrator zur automatisierten Fehlererkennung von Textilien auf der Hannover Messe 2025.
Herausforderung: Manuelle Textil-Qualitätskontrolle
Die manuelle Qualitätsprüfung in der Textilproduktion von Interieur Bauteilen ist häufig zeitaufwendig, personalintensiv und anfällig für Fehler. Herkömmliche automatisierte Prüfsysteme sind oft teuer und daher schwer zugänglich für kleine und mittlere Unternehmen (KMU). Vor dieser Herausforderung stand auch die Köstler GmbH. In den Hochleistungstextilien für Airbag-Scharniere, die das Unternehmen weltweit vertreibt, führen bereits kleinste Defekte im Stoff oder in der Verarbeitung zu Ausschussteilen.
Lösung: KI-gestützte Textil-Qualitätskontrolle
Der Demonstrator nutzt fortschrittliche KI-Methoden, um die Qualitätsprüfung effizienter, zuverlässiger und kostengünstiger zu machen. Mit Hilfe von Deep Learning kann das System Fehler auf Textilien erkennen und markieren.
Dazu werden Bilder von den zu überprüfenden Stoffen aufgenommen und durch verschiedene KI-Modelle analysiert. Die Modelle prüfen die Bilder auf Muster und Unregelmäßigkeiten, die auf Produktionsfehler hinweisen.
Der Demonstrator verwendet drei verschiedene KI-Modelle zur Fehlererkennung:
- Train Error-Detector (Transfer Learning): Das KI-Modell erkennt Fehler durch die Analyse von Bildmerkmalen und unterscheidet zwischen fehlerfreien und fehlerhaften Stoffbildern.
- Random-Forest-Klassifikator: Das KI-Modell analysiert topologische Merkmale von Bildern und identifiziert Fehler anhand von Unregelmäßigkeiten in der Stofftextur.
- Autoencoder zur Anomalieerkennung: Ein Autoencoder Modell erkennt Abweichungen vom Normalverhalten. Trainiert wird es ausschließlich mit Gut-Daten, welche den Vorteil bieten, in großer Menge zur Verfügung zu stehen.
Nutzung des Demonstrators
Der Demonstrator zeigt, wie KI-gestützte Qualitätskontrolle mit einfachen Mitteln umgesetzt werden kann. Hierzu wird ein zu prüfendes Teil eingelegt. Der Demonstrator zieht das Textilprodukt über den Scanner. Die verschiedenen KI-Modelle analysieren das Textilprodukt und klassifizieren es je nach Anforderung. Anschließend sortiert der Demonstrator das Produkt in die Gut oder Schlecht-Kiste. Der Code des Demonstrators ist öffentlich auf unserem GitHub Profil zugänglich inklusive einer Auflistung der benötigten Hardware-Komponenten für den Bau des physischen Demonstrators.
Ressourceneinsparung
Der Demonstrator zeigt, wie Unternehmen Ressourcen in der Qualitätskontrolle von Textilien effizienter nutzen können. Fehlerhafte Produkte werden frühzeitig erkannt, was Ausschuss, Materialien und Energie einspart. Ebenso verringert die Automatisierung den Zeitaufwand für Facharbeiter*innen, so dass diese anderen Aufgaben übernehmen können. Unternehmen profitieren somit nicht nur von einer besseren Qualitätssicherung, sondern auch von einem nachhaltigeren und wirtschaftlicheren Produktionsprozess.
Grafik 2: Schematische Darstellung des Demonstrators.
Funktionen
- KI-gestützte Qualitätssicherung entlastet Facharbeiter*innen, verbessert die Qualität des Sicherungsprozesses und erhöht die Effizienz
- Frühe Fehlererkennung spart Ressourcen
- Sortiert Textilien in Gut und Schlecht-Teile
Der Demonstrator wurde im Rahmen der Initiative des Green-AI Hub Mittelstands entwickelt. Der Green-AI Hub Mittelstand ist eine KI-Initiative des Bundesministeriums für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit, koordiniert durch die Zukunft – Umwelt – Gesellschaft (ZUG) gGmbH. Der Demonstrator wurde vom Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) entwickelt.
