AGC‑VISIONEine neue Definition der Qualitätskontrolle in der Industrie
Unsere Lösung
Es entstand aus der Beobachtung alltäglicher Herausforderungen, aus der Frustration über die Grenzen der manuellen Qualitätskontrolle und aus der Überzeugung, dass Technologie den Menschen dort unterstützen kann – und sollte –, wo Präzision, Schnelligkeit und Zuverlässigkeit entscheidend sind.
Unser System nutzt fortschrittliche neuronale Netze, Bildanalyse und Cloud-basierte Datenverarbeitung, um eine intelligente, skalierbare und flexible Qualitätskontrolle zu gewährleisten – zugänglich von jedem Ort der Welt und von jedem Gerät aus, sogar vom Mobiltelefon.
Aufnahmen an der Produktionslinie
Überprüfung von Fotos durch ein neuronales Netz
Feedback für den Betreiber, Teil OK/NOK
Entdecken Sie die Funktionender App
Schnelle Vorschau der während der Prüfung aufgenommenen Fotos mit der Möglichkeit einer sofortigen OK/NOK-Bewertung sowie der Überprüfung von Fehlerdetails wie Anzahl, Verteilung oder Größe.
Die Möglichkeit, einen neuen Produkttyp hinzuzufügen, der bewertet werden soll, oder die Parameter bestehender Produkte zu ändern.
Definition neuer Fehlerarten und übersichtliche Anzeige bereits vorhandener Fehler. Der Benutzer kann Beschreibungen hinzufügen, Farben zuweisen und Fehler mit Produkttypen verknüpfen.
Die App ermöglicht ein schnelles Training des Netzwerks – bei einer neuen Anomalie geben wir sofort an, ob es sich um einen Defekt oder ein korrektes Element handelt. Wir können auch neue Fehlertypen hinzufügen, die das System automatisch in das bestehende Modell integriert
Transparenter Zugriff auf Produktionsstatistiken: Anzahl der erkannten Fehler, Qualitätstrends und detaillierte Übersichten für die einzelnen Arbeitsstationen. So lässt sich die Prozessqualität leicht überwachen und schnell auf Abweichungen reagieren.
Zugriffsverwaltung im System: Anlegen von Konten, Zuweisen von Rollen und Berechtigungen sowie Festlegen, wer Fotos ansehen, Daten bearbeiten oder Modelle verwalten darf. So hat jeder Benutzer Zugriff genau auf die Funktionen, die er für seine Arbeit benötigt.
Schnelle Vorschau der während der Prüfung aufgenommenen Fotos mit der Möglichkeit einer sofortigen OK/NOK-Bewertung sowie der Überprüfung von Fehlerdetails wie Anzahl, Verteilung oder Größe.
Die Möglichkeit, einen neuen Produkttyp hinzuzufügen, der bewertet werden soll, oder die Parameter bestehender Produkte zu ändern.
Definition neuer Fehlerarten und übersichtliche Anzeige bereits vorhandener Fehler. Der Benutzer kann Beschreibungen hinzufügen, Farben zuweisen und Fehler mit Produkttypen verknüpfen.
Die App ermöglicht ein schnelles Training des Netzwerks – bei einer neuen Anomalie geben wir sofort an, ob es sich um einen Defekt oder ein korrektes Element handelt. Wir können auch neue Fehlertypen hinzufügen, die das System automatisch in das bestehende Modell integriert
Transparenter Zugriff auf Produktionsstatistiken: Anzahl der erkannten Fehler, Qualitätstrends und detaillierte Übersichten für die einzelnen Arbeitsstationen. So lässt sich die Prozessqualität leicht überwachen und schnell auf Abweichungen reagieren.
Zugriffsverwaltung im System: Anlegen von Konten, Zuweisen von Rollen und Berechtigungen sowie Festlegen, wer Fotos ansehen, Daten bearbeiten oder Modelle verwalten darf. So hat jeder Benutzer Zugriff genau auf die Funktionen, die er für seine Arbeit benötigt.
Die Startseite lässt sich an die eigenen Bedürfnisse anpassen: Wählen Sie die wichtigsten Kennzahlen, Module und Übersichten aus, damit die entscheidenden Informationen immer griffbereit sind und sofort nach dem Start der Anwendung angezeigt werden.
Aufnahme von Fotos direkt über die App und sofortige Bildanalyse durch ein neuronales Netz. Der Benutzer erhält umgehend eine OK/NOK-Bewertung sowie eine Vorschau der erkannten Mängel, wodurch sich die Qualität des Bauteils schnell überprüfen lässt
Eine übersichtliche Zusammenstellung aller auf der ausgewählten Linie aufgenommenen Fotos: Aufnahme-ID, Aufnahmedatum sowie OK/NOK-Statistiken. So lässt sich der Prüfverlauf schnell einsehen und Serien mit einer erhöhten Anzahl an Fehlern erkennen.
Transparenter Zugriff auf Produktionsstatistiken: Anzahl der erkannten Fehler, Qualitätstrends und detaillierte Übersichten für die einzelnen Arbeitsstationen. So lässt sich die Prozessqualität leicht überwachen und schnell auf Abweichungen reagieren.
Die Startseite lässt sich an die eigenen Bedürfnisse anpassen: Wählen Sie die wichtigsten Kennzahlen, Module und Übersichten aus, damit die entscheidenden Informationen immer griffbereit sind und sofort nach dem Start der Anwendung angezeigt werden.
Aufnahme von Fotos direkt über die App und sofortige Bildanalyse durch ein neuronales Netz. Der Benutzer erhält umgehend eine OK/NOK-Bewertung sowie eine Vorschau der erkannten Mängel, wodurch sich die Qualität des Bauteils schnell überprüfen lässt
Eine übersichtliche Zusammenstellung aller auf der ausgewählten Linie aufgenommenen Fotos: Aufnahme-ID, Aufnahmedatum sowie OK/NOK-Statistiken. So lässt sich der Prüfverlauf schnell einsehen und Serien mit einer erhöhten Anzahl an Fehlern erkennen.
Transparenter Zugriff auf Produktionsstatistiken: Anzahl der erkannten Fehler, Qualitätstrends und detaillierte Übersichten für die einzelnen Arbeitsstationen. So lässt sich die Prozessqualität leicht überwachen und schnell auf Abweichungen reagieren.
Der Implementierungsprozessin Ihrem Unternehmen
1. Bedarfsanalyse und Qualitätsaudit
Zunächst nimmt ein Ingenieur von AGC-VISION Kontakt mit dem Unternehmen auf, um sich ein Bild davon zu machen, wie der Qualitätskontrollprozess derzeit abläuft. Wir prüfen, ob es Fehlerkataloge gibt, wie die Bewertungskriterien definiert sind und wie der Informationsfluss in der Produktion strukturiert ist.
2. Einrichtung der Arbeitsplätze und Integration der Kameras
Anschließend unterstützen wir das Unternehmen bei der Auswahl und Integration von Kameras oder anderen Bildquellen in die Produktionslinie. Ziel ist es, mit der systematischen Erfassung von Bildern der zu prüfenden Teile zu beginnen.
3. Fotos mit Tags versehen und Daten vorbereiten
Die gesammelten Fotos werden markiert – dabei werden konkrete Mängel, deren Lage und Art angegeben. Auf dieser Grundlage entsteht ein Trainingsdatensatz, der die Grundlage für das Training der AI-Modelle bildet.
4. Training eines neuronalen Netzes
Anhand einer vorbereiteten Datenbank trainieren wir das neuronale Netz darauf, die für den jeweiligen Produktionsprozess typischen Fehler zu erkennen. Das Modell lernt die Unterschiede zwischen einwandfreien und fehlerhaften Teilen kennen und identifiziert subtile Mängel, die auf den ersten Blick nicht erkennbar sind.
5. Wirksamkeitstests an neuen Fotos
Nachdem das Modell trainiert wurde, führen wir Tests mit neuen, bisher unbekannten Bildern durch. Wir prüfen, wie effektiv das System Fehler erkennt und ob es die Qualitätsanforderungen des Kunden erfüllt.
6. Starten der laufenden Analyse
Nach erfolgreicher Validierung beginnt das System mit der Echtzeitanalyse der Bilder. Die Ergebnisse werden im Analyse-Dashboard angezeigt, und die Benutzer können die Elemente sofort als OK/NOK bewerten.
7. Kontinuierliche Verbesserung und Anpassung
Das Modell wird laufend anhand neuer Daten angepasst und trainiert. Dadurch steigert das System kontinuierlich seine Effizienz und passt sich den sich ändernden Produktionsbedingungen an.