Seit dem Posten meines ersten Blogs über Maximo Visuelle Inspektion (MVI), ich war auf einer kleinen Reise, habe mich eingehender mit den Funktionen befasst, neue Anwendungsfälle untersucht und herausgefunden, wie vielseitig diese Technologie sein kann.
‍

In diesem Beitrag möchte ich einen tieferen Einblick in das Angebot von MVI, die technischen Details und die verschiedenen Möglichkeiten geben, wie Sie es zur Lösung realer Probleme verwenden können. Egal, ob Sie neugierig sind, wie MVI unter der Haube funktioniert, ob Sie daran interessiert sind, es am Edge einzusetzen, oder einfach nur nach praktischen Beispielen suchen, ich werde die Erkenntnisse und Lektionen behandeln, die ich bisher gewonnen habe.

Unter der Haube

MVI kombiniert Bild- und Videoanalysen mit Deep-Learning-Modellen, um Klassifikation, Objekt- und Anomalieerkennung durchzuführen. Was MVI auszeichnet, ist seine Zugänglichkeit. Benutzer können Modelle mit minimalem technischem Fachwissen trainieren, wodurch fortschrittliche KI einem breiteren Spektrum von Organisationen zur Verfügung steht.
‍

• Modelltraining: Benutzer laden Bilder oder Videos hoch, beschriften Daten und trainieren Modelle direkt in der MVI-Oberfläche.
• Einsatz: Nach dem Training können Modelle eingesetzt werden, um Anlagen in großem Maßstab zu inspizieren, sei es in der Cloud oder am Edge.
• Integration: MVI ist in Monitor integriert und ermöglicht es dem Benutzer, Regeln für den Umgang mit bestimmten Ergebnissen festzulegen. Es verfügt auch über eine robuste API, die Integrationen in andere Dienste von Drittanbietern ermöglicht und Managen.

Schulung

Um ein Modell mit MVI zu trainieren, benötigen Sie mindestens eine GPU (ja, das ist der teure Teil). Von dort aus ist der Vorgang unkompliziert:
‍

• Erstellen Sie einen Datensatz: Sammle eine Reihe von Bildern (vorzugsweise 20+).
• Beschriften Sie die Daten: Markieren Sie, wo Fehler oder Anomalien in jedem Bild auftreten.
• Erhöhen Sie die Daten: Erhöhen Sie die Datensatzvielfalt für eine bessere Genauigkeit.
• Trainiere das Modell: Wählen Sie einen Algorithmus, der auf Ihrem Anwendungsfall basiert.
• Trainiere das Modell neu: Oft muss das Modell neu trainiert werden, um seine Genauigkeit zu verbessern.
• Bereitstellen: Stellen Sie das trainierte Modell auf dem Cloud- oder Edge-Server bereit.

Nach dem Training können diese Modelle auch exportiert werden. Ermöglicht die Verwendung von Modellen auf mehreren Systemen. Und wenn Sie Ihr Modell nicht mehr verfeinern müssen, können Sie es hier belassen und der teure Teil ist erledigt.

Der Prozess wird nach der Bereitstellung nicht beendet. Folgendes können Sie als Nächstes tun:

‍

• Etikettierung: Verwenden Sie das bereitgestellte Modell, um neue Bilder in Datensätzen automatisch zu kennzeichnen. Dadurch wird das Modell kontinuierlich verbessert und ein Teil der Zeit reduziert, die für das Umschulen/Verfeinern von Modellen benötigt wird.
• Verfeinerung des Modells: Erstellen Sie generalisierte Modelle und passen Sie sie dann an spezifische Bedürfnisse an. Beispielsweise kann ein an Feuerlöschern trainiertes Modell mit zusätzlichen Bildern eines anderen Feuerlöschertyps neu trainiert werden, wodurch das bestehende Modell verfeinert wird, ohne bei Null anfangen zu müssen.

Allgemeiner Gebrauch

Als ich kürzlich an einer Maximo User Group teilnahm, fiel mir auf, dass es ein kleines Missverständnis darüber gab, wie MVI in der Industrie eingesetzt wird. Viele Menschen schienen MVI auf eine ganz bestimmte Art und Weise zu betrachten. Stellen Sie sich eine Kamera vor, die über einem Förderband an einer Produktionslinie befestigt ist und Teile in einer stabilen, unveränderlichen Umgebung analysiert. Und ja, das ist ein klassischer Anwendungsfall, aber er kratzt nur an der Oberfläche.
‍

Was ich entdeckt habe ist das MVI ist weitaus dynamischer und vielseitiger als viele glauben. Es ist nicht auf statische Setups beschränkt. Zum Beispiel kann ein Techniker MVI für persönliche Inspektionen verwenden, indem er einfach ein Foto von einer Anlage macht, während er in einer Fabrik herumläuft. Oder Sie können Live-Übertragungen von Sicherheitskameras entlang der Bahngleise verwenden, um automatisch nach Hindernissen zu suchen. Am anderen Ende des Spektrums können Sie sogar Drohnen über einen Solarpark fliegen lassen, wobei MVI das Filmmaterial live überwacht oder es später im Rahmen einer Chargeninspektion analysiert.
‍

Der allgemeine Kern? MVI passt sich Ihren Bedürfnissen an. Es geht nicht darum, Ihren Prozess an das Tool anzupassen — es geht darum, das Tool an Ihren Anwendungsfall anzupassen, egal ob stationär, mobil, live oder im Nachhinein.

MVI am Rande

Edge-Bereitstellung bedeutet, die KI-Modelle von MVI auf Geräten oder Servern auszuführen, die näher an den Anlagen liegen. Ein einfaches Beispiel ist eine Kamera, die direkt mit einem lokalen Edge-Server verbunden ist. Die Kamera streamt Daten mit minimaler Latenz an diesen Server, wo die Ausgabe kontinuierlich analysiert wird, sodass das Modell Aktionen auslösen kann.

Die wichtigsten Vorteile

• Einblicke in Echtzeit: Edge-Geräte oder Knoten verarbeiten Bilder und Videos sofort und ermöglichen so die sofortige Erkennung von Fehlern oder Anomalien.
• Reduzierte Latenz: Entscheidungen können lokal getroffen werden, ohne auf mehrere API-Aufrufe mit einem Cloud-Server warten zu müssen.
• Bandbreiteneffizienz: Nur relevante Ergebnisse (keine Rohbilder) werden an zentrale Systeme gesendet, wodurch Netzwerkressourcen eingespart werden.
• Verbesserte Sicherheit: Sensible Anlagendaten können lokal oder regional verarbeitet und gespeichert werden, wodurch die Expositionsrisiken reduziert werden.
  ‍
  ‍

Verwenden des MVI Edge-Servers

Die Verwendung eines Edge-Servers ist überraschend einfach, sobald Sie einmal angefangen haben. Der erste Schritt besteht darin, ihn mithilfe eines API-Schlüssels mit Ihrem MVI-Trainingsserver zu verbinden. Diese Verbindung ist es, die alles freischaltet. Von dort aus können Sie die Modelle herunterladen, die Sie lokal auf dem Edge ausführen möchten.

Sobald die Modelle eingerichtet sind, richten Sie Ihre Eingangsquellen ein. Sie können zwischen Bildordnern, Videoordnern oder Live-Kamera-Feeds wählen, je nachdem, wie Sie Ihre Daten überprüfen möchten. Ganz gleich, ob es sich um einen konstanten Livestream oder um einen Stapel von Bildern und Videos handelt, der Edge-Server verarbeitet alles sauber und effizient.
‍

‍

Als Nächstes erstellen Sie eine Station. Stellen Sie sich das als logische Gruppierung für Ihre Inspektionen vor, bei der die zugehörigen Ergebnisse an einem Ort zusammengeführt werden. Innerhalb einer Station definieren Sie dann einzelne Inspektionen. Bei jeder Inspektion können Sie entscheiden, welches Modell Sie verwenden möchten, wie es sich verhalten soll und was sie auslöst, unabhängig davon, ob dies nach einem Zeitplan erfolgt oder durch eine MQTT-Nachricht gesteuert wird.
‍

Schließlich läuft alles im Armaturenbrett zusammen. Von hier aus können Sie alle Ihre Inspektionen auf einen Blick sehen und sofort deren aktuellen Status nachvollziehen. Sie können nachverfolgen, was bearbeitet wurde, die Ergebnisse überprüfen, sobald sie eintreffen, und schnell erkennen, was Ihrer Aufmerksamkeit bedarf.

Beispiel für einen Anwendungsfall

Ein Solarpark setzt Drohnen ein, die mit Edge-KI ausgestattet sind, um Paneele zu inspizieren. Die Drohnen analysieren das Filmmaterial in Echtzeit, melden beschädigte Paneele und senden nur umsetzbare Warnmeldungen an das zentrale Maximo-System. Techniker vor Ort erhalten gezielte Arbeitsaufträge, wodurch der Zeitaufwand für manuelle Inspektionen minimiert und die Betriebszeit der Anlagen maximiert wird.

Technische Überlegungen zur Edge-Bereitstellung

Eines der großartigen Dinge bei der Edge-Bereitstellung ist die Flexibilität. Die Server oder Geräte, auf denen die Modelle ausgeführt werden, können je nach Anwendungsfall und den Anforderungen des Modells variieren. Ich habe kürzlich mit Naviam an der UK&I MUG teilgenommen. Dort haben wir eine Demo gesehen, in der IBM einen Edge-Server auf einer fast 15 Jahre alten Hardware ohne GPU und nur 16 GB RAM laufen ließ.
‍

Es gilt immer noch die Regel: Sie bekommen, wofür Sie bezahlen. Ein neuerer Server bietet Ihnen eine bessere Geschwindigkeit und Zuverlässigkeit, aber selbst bescheidene Hardware kann bestimmte Arbeitslasten bewältigen, ohne das Budget zu sprengen.

Auswirkungen auf die reale Welt

• Herstellung: Erkennung von Maschinenverschleiß, bevor es zu Ausfällen kommt
• Energie und Versorgung: Inspektion von Rohrleitungen, Stromleitungen und Sonnenkollektoren an abgelegenen oder gefährlichen Orten
• Transport: Überwachung der Infrastruktur (z. B. Eisenbahnen, Brücken) auf Korrosion oder Schäden mit sofortigen Warnmeldungen für Wartungsteams

‍

‍

Die Edge-Funktionen von MVI stellen einen Sprung nach vorne in der Vermögensverwaltung dar und liefern in Echtzeit umsetzbare Erkenntnisse dort, wo sie am wichtigsten sind. Es ermöglicht Teams, Modelle zu trainieren und einzusetzen, die wenig bis gar keine wirkliche Erfahrung mit Vision-Modellen haben. Im nächsten Blog werde ich näher darauf eingehen Naviams Lösung, bei der wir die Lücke schließen, indem wir MVI-Inspektionen (sowohl am Edge als auch in der Cloud) direkt in MAS Manage integrieren.