CB Insights AI 100
(Most Innovative Artificial Intelligence Startups)
KI basierte visuelle Qualitätsprüfung –
Hervorragende Ergebnisse, selbst mit wenigen Trainingsdaten.
Basierend auf unserer firmeneigenen KI-Technologie liefert SPECTRO schnelle und genaue Ergebnisse, selbst bei kleinen Mengen von Trainingsdaten.
Wo herkömmliche AVI-/AOI-Systeme zu Fehlalarmen neigen, zeichnet sich SPECTRO aus und ermöglicht Automatisierung, indem es den Aufwand für die Begutachtung durch Fachpersonal erheblich reduziert.
Anwendungsbeispiele
Defekt-Erkennung
Erkennung von Oberflächen-Defekten in verschiedenen Materialien, wie Holz, Metall, Verbundmaterial oder Textilien.
Beispiele: Erkennung von Kratzern, Beulen, Verschmutzungen oder Bruchstellen
Erkennung von fehlenden Teilen und Ausrichtungsfehlern
Erkennung von Mängeln im Zusammenhang mit fehlenden Bauteilen oder falsch montierten Baugruppen während der Inspektion.
Beispiele: Erkennung von fehlenden Teilen, falscher Bestückung und anderen Bauteil-Mängeln
Muster-Abgleich
Erkennung von Fehlern, die auf Abweichungen vom vorgegebenen Muster zurückzuführen sind
Beispiele: Löt-Inspektion und Identifizierung von Bruchstellen auf Leiterplatten
Performance Vergleich: Bildanalyse mit Weltklasse
Visuelle Inspektion von Solarzellen
Nachstehend sehen Sie einen Vergleich zwischen unserer KI, einem Classifier (SVM) und einer Deep-Learning-Methode (CNN) für die Fehlererkennung in Solarzellen. Im Vergleich zu den anderen Methoden zeigte unsere KI eine höhere Genauigkeit und Geschwindigkeit – trotz einer kleineren Menge von Trainingsdaten.
* * Sergiu Deitsch et al. : Automatic Classification of Defective Photovoltaic Module Cells in Electroluminescence Images. 2019| SVM | CNN | SPECTRO | |
|---|---|---|---|
| training data size | 800 models | 800 models | 60 models |
| Training time | 30 min. | 5 hr. | 19 sec. |
| Inference time | 8 min | 20 sec. | 10 sec. |
| Accuracy | 85% | 86% | 90% |
Performance Vergleich: Best in Class Analyse von Zeitreihen-Daten
Zeitreihenanalyse von Daten eines Vibrations-Messgerätes: SPECTROs vielseitige Algorithmen können Anomalien in Zeitreihendaten erkennen, sowohl im Frequenz- als auch im Zeitbereich.
In dieser Fallstudie mit Daten von Industrieventilatoren erkennt SPECTRO Anomalien im Vergleich zu einem herkömmlichen “k-Nearest-Neighbor” Ansatz (KNN) mehr als 200-mal schneller, und das mit 100-prozentiger Genauigkeit.
Referenzkunden
Auszeichnungen
inVISION TOP INNOVATION 2020
Japan Venture Awards 2020
J-Startup KANSAI selected company
Unsere Technologie im Vergleich
Tests zeigen, dass Sparse Modeling nur 1 % der Energie einer herkömmlichen Deep-Learning-Plattform verbraucht, und das bei gleicher Genauigkeit und deutlich geringerer Trainingszeit. Es ist daher die perfekte KI-Technologie für eingebettete Systeme.
