Automatische Erkennung von Ersatzteilen mit Künstlicher Intelligenz

Die Müller Maschinenbau GmbH, ein mittelständisches Unternehmen mit rund 25 Mitarbeitern, ist spezialisiert auf die Herstellung und den Vertrieb von Ersatzteilen für landwirtschaftliche Geräte. Das Unternehmen bietet eine breite Palette von Ersatzteilen wie Hydrauliksysteme, Achsen, Beleuchtungseinrichtungen und Bremskomponenten an. Die Kunden reichen von großen Agrarbetrieben bis hin zu kleinen Familienbetrieben.

Problem

Bisher schickten die Kunden Fotos von defekten Teilen per E-Mail, um passende Ersatzteile anzufordern. Diese Fotos sind oft unscharf oder zeigen Teile, die keine eindeutigen Seriennummern oder identifizierbaren Merkmale aufweisen. Daher war es notwendig, dass erfahrene Mitarbeiter anhand ihres Wissens und ihrer Erfahrung die passenden Ersatzteile identifizieren. Dieser Prozess war zeitaufwendig und fehleranfällig, was zu Verzögerungen und manchmal zu falschen Lieferungen führte.

KI als Problemlöser

Um diesen Prozess zu optimieren und die Mitarbeiter von einfachen Zuordnungsaufgaben zu entlasten, entschied sich Müller Maschinenbau GmbH für die Implementierung eines KI-Systems. Ziel war es, die eingesendeten Bilder automatisch zu analysieren und die passenden Ersatzteile im Katalog des Onlineshops zu identifizieren.

Umsetzung

Gemeinsam mit einem Technologiepartner entwickelte Müller Maschinenbau eine KI-basierte Anwendung zur automatischen Zuordnung von Kundenbildern zu den vorhandenen Ersatzteilen im Onlineshop. Der erste Schritt bestand darin, eine umfangreiche Datenbank von Bildern des gesamten Produktbestands zu erstellen. Dafür wurde eine automatisierte Anlage zur Datenerfassung entwickelt, bestehend aus einem Roboterarm, einer Kamera und einer Software zur Bildverarbeitung.

Um die manuelle Arbeit bei der Erstellung dieser Bilder zu minimieren, wurden verschiedene Methoden der Datenaugmentation angewendet. So wurden beispielsweise Bilder verschoben, rotiert und gespiegelt, um die Vielfalt der Trainingsdaten zu erhöhen. Eine kostengünstige Webcam wurde verwendet, um Trainingsbilder zu erzeugen, die den späteren Kundenaufnahmen möglichst ähnlich sind.

Nach dem Erfassen der Bilddaten wurde ein neuronales Netzwerk konzipiert und mit den gesammelten Daten trainiert. Die Leistung des Netzwerks wurde in mehreren Klassifikationstests bewertet und optimiert.

Ergebnis

Durch das Projekt entstand ein hochautomatisiertes System zur Erfassung, Verarbeitung und Archivierung von Bilddaten. Der Aufwand für die Datenerfassung reduzierte sich erheblich im Vergleich zur vorherigen manuellen Methode. Dank der angewandten Trainingsmethoden und der hohen Genauigkeit der KI konnte die Fehlerquote in den Klassifikationstests auf ein Minimum reduziert werden.

Das System bietet zudem die Flexibilität, bei Bedarf auf größere Roboter oder bessere Kameras umgerüstet zu werden. Dies eröffnet Müller Maschinenbau die Möglichkeit, das System für ähnliche Anwendungsfälle in anderen Bereichen zu nutzen. Insgesamt konnte durch die Implementierung der KI die Effizienz im Vertrieb deutlich gesteigert und die Kundenzufriedenheit durch schnellere und präzisere Zuordnungen erhöht werden.

‍

Diese Fallstudie basiert auf dem Report KI im Mittelstand