www.simplify-data.de
Kratzer auf Oberflächen, fehlende Bauteile, falsch aufgedruckte Etiketten: Viele Fehler in der Produktion sind mit bloßem Auge erkennbar, aber nur, wenn jemand sehr genau und sehr lange hinschaut. Bilderkennung mit künstlicher Intelligenz kann diese Sichtprüfung unterstützen oder teilweise automatisieren. Dieser Artikel zeigt, wie das funktioniert, was Sie dafür brauchen und wo die Grenzen liegen.
Was Bilderkennung in der Qualitätskontrolle leistet
Bilderkennung, im Fachjargon Computer Vision, bezeichnet Verfahren, mit denen Computer Inhalte in Bildern oder Videos auswerten. In der Qualitätskontrolle nimmt eine Kamera das Werkstück auf, und eine Software entscheidet, ob es in Ordnung ist oder nicht.
Typische Aufgaben sind:
- Fehlererkennung: Kratzer, Dellen, Risse, Verfärbungen oder Einschlüsse auf Oberflächen
- Vollständigkeitsprüfung: Sind alle Schrauben, Stecker oder Etiketten vorhanden?
- Lage- und Maßprüfung: Sitzt ein Bauteil an der richtigen Stelle, stimmen Abstände und Ausrichtung?
- Lesen von Codes und Texten: Seriennummern, Mindesthaltbarkeitsdaten, Barcodes oder QR-Codes
Klassische Bildverarbeitung oder KI?
Industrielle Bildverarbeitung gibt es seit Jahrzehnten. Klassische Systeme arbeiten mit festen Regeln: Eine Software misst zum Beispiel Kanten, Helligkeitswerte oder Abstände und vergleicht sie mit Grenzwerten. Das funktioniert sehr zuverlässig, wenn Fehler klar definierbar sind und die Bedingungen konstant bleiben.
KI-basierte Verfahren, meist auf Basis neuronaler Netze (Deep Learning), lernen dagegen aus Beispielbildern. Sie eignen sich besonders, wenn Fehler unterschiedlich aussehen oder sich schwer in Regeln fassen lassen, etwa bei natürlichen Materialien wie Holz oder bei Oberflächen mit wechselnder Struktur.
| Kriterium | Regelbasierte Bildverarbeitung | KI-basierte Bilderkennung |
|---|---|---|
| Funktionsweise | Feste, programmierte Prüfregeln | Lernt aus Beispielbildern |
| Stärken | Präzise Messungen, gut nachvollziehbar | Variable Fehlerbilder, komplexe Oberflächen |
| Schwächen | Unflexibel bei wechselnden Erscheinungsbildern | Braucht viele Trainingsbilder, Entscheidungen schwerer erklärbar |
| Anpassung an neue Produkte | Neue Regeln programmieren | Neue Bilder sammeln und nachtrainieren |
In der Praxis werden beide Ansätze häufig kombiniert: Klassische Verfahren für Messungen, KI für die Bewertung schwer beschreibbarer Fehler.
Was ein Projekt braucht
Gute Bilder
Die wichtigste Voraussetzung ist nicht die Software, sondern das Bild. Kamera, Objektiv und vor allem die Beleuchtung entscheiden darüber, ob ein Fehler überhaupt sichtbar ist. Ein Kratzer, der im Streiflicht deutlich erkennbar ist, kann bei frontaler Beleuchtung unsichtbar bleiben. Ein durchdachter Prüfaufbau spart später viel Aufwand beim Training.
Ausreichend Beispieldaten
Ein KI-Modell lernt aus Bildern von guten und fehlerhaften Teilen. Fehlerbilder sind oft das Problem: Wenn ein Fehler selten auftritt, gibt es auch wenige Beispiele. Es gibt Verfahren, die nur mit Bildern fehlerfreier Teile trainiert werden und Abweichungen davon erkennen (Anomalieerkennung). Sie sind ein guter Ansatz, wenn Fehlerbeispiele knapp sind.
Klare Fehlerdefinition
Was ist ein Fehler, was ist noch tolerierbar? Wenn sich erfahrene Prüferinnen und Prüfer bei einem Teil nicht einig sind, kann auch eine KI keine eindeutige Entscheidung lernen. Ein gemeinsamer Fehlerkatalog mit Grenzmustern ist deshalb ein guter Startpunkt.
Integration in die Produktion
Das Prüfergebnis muss etwas bewirken: ein Teil ausschleusen, eine Meldung auslösen oder in einer Datenbank protokolliert werden. Dafür braucht es Schnittstellen zur Anlagensteuerung oder zu bestehenden IT-Systemen. Auch die Taktzeit ist wichtig: Die Auswertung muss schnell genug sein, damit sie die Linie nicht ausbremst.
Standardsystem oder individuelle Lösung?
Für viele Prüfaufgaben gibt es fertige Systeme: Intelligente Kameras mit integrierter Auswertesoftware, die sich über eine Oberfläche konfigurieren lassen. Sie sind schnell einsatzbereit und eignen sich gut für Standardaufgaben wie Codelesen oder Vollständigkeitsprüfungen.
Eine individuelle Lösung lohnt sich eher, wenn die Prüfaufgabe ungewöhnlich ist, mehrere Kameras und Datenquellen zusammengeführt werden sollen oder die Ergebnisse tief in eigene Systeme einfließen müssen, etwa in ein ERP-System oder eine Auswertung mit Power BI. Die Kosten hängen vor allem von Prüfaufbau, Hardware, Datenaufbereitung, Integrationsaufwand und dem laufenden Betrieb ab. Pauschale Preise sind daher kaum seriös zu nennen.
Grenzen der Technik
Bilderkennung ist leistungsfähig, aber keine Garantie für fehlerfreie Produkte. Diese Grenzen sollten Sie kennen:
- Fehlerraten gibt es immer: Jedes System macht Fehler in zwei Richtungen. Es lässt fehlerhafte Teile durch (Schlupf) oder sortiert gute Teile aus (Pseudoausschuss). Wo die Schwelle liegt, ist eine wirtschaftliche Abwägung.
- Nur sichtbare Fehler: Eine Kamera sieht nur, was an der Oberfläche oder im Bild erkennbar ist. Innere Fehler erfordern andere Prüfverfahren.
- Veränderte Bedingungen: Neue Materialchargen, verschmutzte Linsen oder geänderte Beleuchtung können die Ergebnisse verschlechtern. Das System muss überwacht und gegebenenfalls nachtrainiert werden.
- Neue Fehlerarten: Ein Modell erkennt zuverlässig vor allem das, was es gelernt hat. Unbekannte Fehler können übersehen werden.
- Nachvollziehbarkeit: Bei Reklamationen oder Audits muss erklärbar sein, warum ein Teil freigegeben wurde. Speichern Sie Prüfbilder und Ergebnisse.
Rechtliche Punkte
Werden auf den Bildern auch Beschäftigte erfasst, etwa an einem Handarbeitsplatz, gilt die DSGVO. Zudem kann ein Mitbestimmungsrecht des Betriebsrats bestehen, wenn eine technische Einrichtung geeignet ist, Verhalten oder Leistung von Beschäftigten zu überwachen (§ 87 Abs. 1 Nr. 6 Betriebsverfassungsgesetz). Richten Sie die Kamera daher möglichst so aus, dass nur das Werkstück im Bild ist.
Eine reine Qualitätsprüfung von Bauteilen fällt nach dem EU AI Act in vielen Fällen nicht unter die Hochrisiko-Regeln. Anders kann es sein, wenn das KI-System als Sicherheitsbauteil eines regulierten Produkts dient, etwa einer Maschine. Lassen Sie solche Fälle im Zweifel rechtlich prüfen.
Checkliste: So starten Sie ein Bilderkennungsprojekt
- Prüfaufgabe festlegen: Welcher Fehler an welchem Produkt verursacht heute die meisten Kosten oder Reklamationen?
- Ist-Zustand erfassen: Wie wird heute geprüft, wie viel Zeit kostet das, welche Fehler rutschen durch?
- Fehlerkatalog erstellen: Fehler beschreiben und Grenzmuster festlegen, gemeinsam mit der Qualitätssicherung.
- Bilder sammeln: Unter realen Bedingungen aufnehmen, mit gutem Beleuchtungsaufbau.
- Machbarkeit testen: Vor der Investition in eine Anlage an einem Datensatz prüfen, ob die Fehler zuverlässig erkannt werden.
- Zielwerte definieren: Welcher Schlupf und welcher Pseudoausschuss sind akzeptabel?
- Parallelbetrieb planen: Das System zunächst neben der bisherigen Prüfung laufen lassen und Ergebnisse vergleichen.
- Betrieb sichern: Zuständigkeiten für Überwachung, Nachtraining und Wartung klären.
Unterstützung durch Simplify Data
Simplify Data aus Kiel entwickelt KI-Lösungen und Software für Unternehmen in Schleswig-Holstein, Hamburg und deutschlandweit. Bei Bilderkennungsprojekten unterstützen wir bei der Machbarkeitsprüfung, der Softwareentwicklung und der Anbindung an bestehende Systeme und Auswertungen. Mehr dazu auf unserer Seite zu KI-Lösungen für Unternehmen.