Aktualisiert Juli 2026 · 7 Min. Lesezeit · Mert Aytunur · Mechanical Engineer, University of Illinois Chicago
Welches Problem löst Anomalieerkennung auf einer Produktionslinie?
Der Fehler, der am meisten schmerzt, ist der, den niemand einplante: ein Haarriss, ein Short-Shot, eine Verunreinigungsmarke, die einmal in zehntausend Teilen auftritt und nie in eine Prüfregel geschrieben wurde. Herkömmliche Prüfungen suchen nur nach Fehlern, die jemand im Voraus beschrieben hat, sodass ein erstmals gesehener Mangel geradewegs zum Kunden durchläuft und der Schlupf im Feld statt auf der Linie gefunden wird.
Anomalieerkennung kehrt das Problem um. Statt jede Art zu beschreiben, wie ein Teil misslingen kann, lernt sie, wie ein Gutteil aussieht, und behandelt alles Abweichende als verdächtig. Deshalb greifen Qualitäts- und Produktionsteams danach, wenn die Fehlerliste offen ist und die Schlupffälle die sind, die sie nicht vorhersehen können. Die Aufgabe ist nicht, einen bekannten Fehler zu treffen, sie ist zu bemerken, dass dieses Teil nicht wie ein gutes ist.
Wie unterscheidet sich Anomalieerkennung von regelbasierter Bildverarbeitung und Klassifikation?
Drei Prüfansätze beantworten drei verschiedene Fragen. Regelbasierte Bildverarbeitung fragt "passt dieses Teil zu einer Regel, die ich geschrieben habe", Klassifikation fragt "in welcher bekannten Kategorie ist dieses Teil", und Anomalieerkennung fragt "ist dieses Teil anders als normal". Die ersten beiden verlangen, dass Sie den Ausfall im Voraus kennen; der dritte nicht.
| Dimension | Regelbasierte Bildverarbeitung | Klassifikation (überwacht) | Anomalieerkennung |
|---|---|---|---|
| Was es braucht | Handgeschriebene Regeln pro Merkmal | Viele gelabelte Gut- und Schlechtbilder | Nur rund 20 Gutbilder |
| Fängt unbekannte Fehler | Nein, nur was eine Regel beschreibt | Nein, nur Klassen, auf die es trainiert wurde | Ja, meldet jede Abweichung vom Normalen |
| Am besten für | Barcodes, feste Maße | Bekannte, wiederkehrende Fehlerarten | Seltene, erstmals gesehene, variierende Fehler |
| Daten zum Start | Keine, aber Engineering pro Regel | Hunderte gelabelter Fehler | Gutteile, kein Fehlerkatalog |
| Ausgabe | Gut/Schlecht auf die Regel | Klassenlabel plus Konfidenz | Anomaliewert gegen einen Schwellenwert |
Regelbasierte Bildverarbeitung ist schnell und vollständig erklärbar, und sie ist das richtige Werkzeug für einen Barcode oder ein festes Maß. Klassifikation ist stark, wenn Sie viele gelabelte Beispiele jeder Fehlerart haben, die Sie erwarten. Anomalieerkennung ist der Ansatz, der den langen Schwanz abdeckt: das Seltene, das Variierende und das nie zuvor Gesehene, was genau die Fehler sind, die einer festen Regel entwischen und am schwersten in Beispielen zu sammeln sind.
Wie funktioniert der Mechanismus "Normal lernen, den Rest melden"?
Anomalieerkennung baut aus einer Menge guter Bilder ein statistisches Bild eines Gutteils, dann bewertet sie jedes neue Teil danach, wie weit es von diesem Bild abweicht. Ein Teil, das innerhalb des gelernten Normalbereichs sitzt, besteht; ein Teil, das außerhalb fällt, wird mit einem Anomaliewert gemeldet, und ein Schwellenwert macht aus diesem Wert ein Gut/Schlecht-Signal, auf das Ihre Steuerung reagieren kann.
Der praktische Vorteil ist der Datenbedarf. Weil das Modell nur mit Gutteilen trainiert, sammeln, bauen oder labeln Sie nie einen Fehlerkatalog zu Beginn. Rund 20 Gut-Referenzbilder genügen, um das Normale zu definieren, und das Modelltraining schließt in unter 48 Stunden ab, sodass ein neues Teil zu einer Zwei-Tage-Aufgabe wird statt eines mehrmonatigen Datensammel-Projekts. Wichtig ist, dass die 20 Bilder die natürliche Streuung eines wirklich guten Teils tragen, damit gewöhnliche Streuung in Farbe, Textur oder Position nicht mit einem Fehler verwechselt wird.
Der Schwellenwert ist der eine Knopf, der das Ergebnis formt. Setzen Sie ihn eng, meldet die Einheit mehr Teile, fängt mehr echte Fehler, hinterfragt aber auch Gutteile, die am Rand des Normalen sitzen. Lockern Sie ihn, werden weniger Gutteile hinterfragt, aber ein subtiler Fehler kann durchrutschen. In einem realen Einsatz setzen Sie diesen Arbeitspunkt auf die tatsächlichen Kosten der Zelle für einen Schlupf gegen einen Pseudoausschuss, nicht auf einen Standard.
Wo verdient Anomalieerkennung ihren Platz auf einer realen Linie?
Anomalieerkennung verdient ihren Platz überall dort, wo Fehler selten, variierend oder unspezifiziert sind. An einer ausgelieferten Verschlussprüflinie weist eine Edge-KI-Einheit mit Anomalieerkennung gebrochene, ungeschlossene und scharnierbeschädigte Verschlüsse live zurück und erreicht einen F1-Score von 99,65 % bei einer Falsch-Negativ-Rate von 0,69 % bei rund 30 ms pro Teil. Die Falsch-Negativ-Rate ist die Zahl, die ein Qualitätsmanager beobachtet, denn sie ist die Rate der Fehler, die entwischen, und 0,69 % ist der prüfbare Nachweis, dass die Methode an dieser Linie hält. Wie Gut-gegen-Anomalie-Erkennung in der Forschung bewertet wird, verfolgt separat der MVTec-AD-Benchmark zur Anomalieerkennung.
Dieselbe Eigenschaft, die Anomalieerkennung schwer zu täuschen macht, macht sie auch breit. Ein Oberflächenkratzer ist nie zweimal an derselben Stelle, eine Verunreinigungsmarke hat keine feste Form, und ein neuer Ausfallmodus kann in der Woche nach der Inbetriebnahme auftauchen. Ein Modell, das Abweichung vom Guten bewertet, behandelt alle drei ohne eine neue Regel, weshalb es zu Oberflächen-, Textur- und Montageprüfungen passt, wo die Fehlerliste wirklich offen ist.
Adente Vision ist eine Edge-KI-Einheit für die visuelle Inspektion, entwickelt von ADENTE Advanced Engineering Technologies, Teil der Aden-Gruppe, vertrieben über Automatisierungs-Systemintegratoren. Sie führt fünf Prüfmodi aus, Anomalie- & Defekterkennung, Montage & fehlende Teile, Code-Lesung, Messung und Teile-Identifikation, und verbindet klassische Bildverarbeitung für die Messung mit KI-Inferenz für die Beurteilung, sodass ein gemeldetes Teil mit einem Wert kommt, den Sie prüfen können, statt eines Blackbox-Verdikts. Die gemessenen 30 ms sind ein Feldergebnis auf jener konkreten Linie; die Zahl, auf die Sie sich für Ihre eigenen Teile und Ihren Takt festlegen können, braucht eine anwendungsspezifische Messung.
Wann ist Anomalieerkennung das falsche Werkzeug?
Anomalieerkennung ist nicht die Antwort auf jede Prüfung. Wenn das Merkmal ein bekanntes Symbol oder eine präzise, wohldefinierte Messung ist, ein Barcode, ein Datumscode, ein festes Maß an einem vorrichtungsgehaltenen Teil, ist eine regelbasierte Prüfung schneller, günstiger und vollständig erklärbar. Wenn Sie Teile in benannte Kategorien sortieren müssen und bereits viele gelabelte Beispiele jeder haben, ist überwachte Klassifikation die bessere Wahl.
Die stärksten Linien wählen selten nur eines. Ein regelbasierter Vorfilter behandelt die klaren Fälle bei deterministischer Geschwindigkeit, und Anomalieerkennung deckt die Grauzone und den seltenen Fehler ab, für den die Regeln nie geschrieben wurden. Für das vollständige Entscheidungsraster, wann welches zu nutzen ist, siehe den Schwesterleitfaden zu regelbasierter gegen KI-Bildverarbeitung, und für den Mechanismus hinter dem Training aus 20 Gutteilen siehe den Few-Shot-Anomalie-Beitrag.
Dieser Beitrag ist ein Zweig des Leitfadens zur KI-Sichtprüfung; um zu sehen, wo Anomalieerkennung unter den Aufgaben sitzt, die die Einheit ausführt, durchstöbern Sie die realen Anwendungen.