KI für die Sichtprüfung: Vom Bild zur Prüfentscheidung

Ein Kratzer auf poliertem Metall verschwindet bei anderem Licht. Eine zulässige Materialstruktur sieht aus wie ein Riss. Wer automatische Sichtprüfung einführt, muss diese Unterschiede zuerst sichtbar und fachlich eindeutig machen. Ein größeres Modell löst das Beleuchtungsproblem nicht.

KI für visuelle Qualitätskontrolle wertet Bilder aus, um festgelegte Merkmale oder mögliche Fehler zu erkennen. Sie kann eine Prüfperson unterstützen oder Teil einer automatischen Prüfstation sein. Ob das Bauteil freigegeben, nachgeprüft oder ausgesondert wird, braucht eine eigene, nachvollziehbare Entscheidungsregel.

Dieser Leitfaden richtet sich an Produktions- und Qualitätsverantwortliche, die eine konkrete Prüfaufgabe an einer bestehenden Linie verbessern wollen.

Welche Prüfung eignet sich zuerst?

Beginnen Sie mit einer Bauteilfamilie und einem klaren Fehlerkatalog. Fehlende Komponenten, Montagepositionen und bestimmte Oberflächenfehler können Kandidaten sein. Voraussetzung ist, dass die Merkmale im gewählten Bildverfahren zuverlässig erkennbar sind.

Nicht jede Aufgabe braucht lernende Bildverarbeitung. Stabile geometrische Merkmale können sich mit klassischen Regeln prüfen lassen. Für variable Oberflächen kann ein lernender Ansatz sinnvoll sein. Eine Anomalieerkennung markiert Ungewöhnliches, weiß aber ohne weitere Einordnung nicht automatisch, ob ein Teil die Qualitätsanforderungen verletzt.

Der Forschungsdatensatz MVTec AD stellt industrielle Bildprüfaufgaben für den Methodenvergleich bereit. Er belegt keine Eignung für Ihre Linie. Seine nichtkommerzielle Lizenz ist zudem kein Freibrief für den produktiven Einsatz der Daten.

Optik und Beleuchtung sind Teil der Lösung

Beschreiben Sie vor der Modellauswahl das kleinste relevante Merkmal, die Oberfläche, die Positionierung und die Bewegung des Bauteils. Daraus ergeben sich Anforderungen an Auflösung, Objektiv, Licht und Aufnahmezeit. Ein Detail, das im Bild nicht aufgelöst wird, kann das Modell nicht zuverlässig rekonstruieren.

Bei reflektierenden Metallteilen sollten mehrere Beleuchtungsvarianten mit echten Gut- und Fehlerteilen verglichen werden. Transparente Materialien verlangen möglicherweise einen anderen Aufbau. Die Auswahl hängt vom Merkmal ab; ein universeller Kamerasatz für alle Oberflächen ist kein belastbarer Plan.

Legen Sie außerdem fest, was bei verschmutzter Optik, unscharfen Bildern oder ausgefallenem Licht passiert. Solche Aufnahmen gehören in eine eigene Kategorie „nicht prüfbar“. Sie sollten weder stillschweigend als Gutteil noch als sicher erkannter Produktfehler gezählt werden.

Gutteil, Fehlerteil und Grenzfall sauber trennen

Ihr Datensatz sollte reale Varianten aus unterschiedlichen Chargen und Betriebsbedingungen enthalten. Sammeln Sie auch zulässige Abweichungen. Sonst lernt das System einen engen Idealzustand und schickt zu viele brauchbare Teile in die Nachprüfung.

Die Qualitätssicherung muss Grenzfälle entscheiden oder als unentschieden kennzeichnen können. Ein Modell sollte nicht dafür bewertet werden, widersprüchliche menschliche Labels zu reproduzieren. Dokumentieren Sie die zugrunde liegende Prüfvorgabe und ihre Version.

Warum 99 Prozent Genauigkeit täuschen können

Eine rein illustrative Rechnung: Von 10.000 Teilen sind 100 fehlerhaft. Ein System, das jedes Teil als gut einstuft, erreicht 99 Prozent Gesamtgenauigkeit. Es findet trotzdem keinen einzigen Fehler. Das ist keine gemessene Welf-Leistung, sondern zeigt die Schwäche dieser Kennzahl bei seltenen Fehlern.

Messen Sie deshalb mindestens zwei Fehlerarten getrennt: fehlerhafte Teile, die passieren, und Gutteile, die fälschlich beanstandet werden. Hinzu kommen nicht prüfbare Bilder und Fälle für manuelle Nachkontrolle. Werten Sie nach Fehlerklasse und Produktvariante aus, nicht nur über alle Bilder gemeinsam.

Ein späterer Produktionszeitraum und bislang ungesehene Chargen eignen sich als unabhängiger Test. Serienaufnahmen desselben Bauteils gehören nicht gleichzeitig in Training und Test. Sonst prüft der Versuch teilweise die Wiedererkennung statt die Übertragbarkeit.

Von der Erkennung zur Ausschleusung

Zwischen Kamerabild und physischer Aktion liegen weitere Fehlerquellen. Der Befund muss zum richtigen Bauteil gehören. Übertragung und Auswertung müssen rechtzeitig erfolgen. Die Steuerung muss bestätigen, was mit dem Teil geschehen ist.

1. Bauteil oder Position eindeutig zuordnen.
2. Aufnahmequalität prüfen und Ergebnis zeitlich begrenzen.
3. Befund mit Modell- und Prüfvorgabenversion speichern.
4. Freigabe, Nachprüfung oder Ausschleusung nach festgelegter Regel auslösen.
5. Ausbleibende Bestätigung als eigenen Betriebsfehler behandeln.

Starten Sie mit einem Parallelbetrieb zur bestehenden Prüfung. Eine automatische Freigabe setzt voraus, dass die dafür verantwortlichen Fachleute die gesamte Prüfkette abgenommen haben. Bei Verbindungsverlust oder Ausfall braucht es einen vereinbarten Rückfallprozess; alte Befunde dürfen nicht für neue Teile verwendet werden.

Wann trägt sich die automatische Sichtprüfung?

Vergleichen Sie den heutigen Aufwand mit dem vollständigen Zielprozess. Dazu gehören Nachprüfung, Pflege der Fehlerbilder, Kamerareinigung, Modelländerungen und Variantenwechsel. Eine schnellere Bildauswertung spart wenig, wenn anschließend jede zweite Meldung manuell untersucht werden muss.

Entscheiden Sie vor dem Pilot, welche Fehlerklassen entscheidend sind und wie viel zusätzlicher Ausschuss oder Nachprüfaufwand tragbar ist. Ein dokumentierter Fehlversuch kann wirtschaftlich wertvoller sein als eine erfolgreiche Vorführung mit ausgewählten Musterteilen.

Für lokale Verarbeitung und den Betrieb ohne ständige Cloudverbindung siehe Edge AI in der Fertigung. Wie Prüfereignisse in bestehende Systeme gelangen, behandelt der Leitfaden zur Integration.

Welf kann die Bildauswertung und ihre Integration mit Ihren Produktions- und Qualitätsteams entwickeln. Der geeignete Ausgangspunkt ist ein konkretes Merkmal mit echten Gut-, Fehler- und Grenzteilen. Prüfaufgabe besprechen.