Aktualisiert Juli 2026 · 7 Min. Lesezeit · Serkan İnkaya · Mechanical Engineer, ODTÜ
Warum läuft die Anomalieerkennung auf jedem Teil, nicht auf einer Stichprobe?
Die Anomalieerkennung verdient ihren Wert gerade deshalb, weil sie jedes Teil prüft, nicht eine statistische Stichprobe. Ihre Aufgabe ist es, den seltenen, erstmals auftretenden Fehler zu fangen, für den nie eine Regel geschrieben wurde, die Abweichung-vom-Gutteil-Aufgabe, die öffentliche Benchmarks wie der MVTec-Datensatz zur Anomalieerkennung messen, und einen Fehler, den man nicht vorhersagen kann, kann man sich nicht leisten, ihn per Stichprobe zu übergehen. Das eine Teil, das Sie überspringen, ist genau das, für dessen Kennzeichnung das Anomaliemodell existiert.
Das unterscheidet sich von einer periodischen Messkontrolle oder einem Audit, wo Stichproben vertretbar sind, weil das Gemessene stabil und bekannt ist. Eine Anomalie ist weder das eine noch das andere. Sie tritt ohne Vorwarnung auf, an einer Stelle, die niemand spezifiziert hat, und das bedeutet, die einzige ehrliche Abdeckung sind 100 Prozent: über dieses Teil jetzt entscheiden, bevor das nächste ins Bild rückt.
Die Konsequenz für die Architektur ist direkt. Wenn jedes Teil eine Entscheidung braucht, muss die Entscheidung in die Zeit zwischen den Teilen passen. Das ist die Randbedingung, die die Frage Edge gegen Cloud aus einer Präferenz in ein Timing-Problem verwandelt.
Was kostet die Zeit pro Teil im Linientakt?
Im Linientakt ist das Budget für jedes Teil der Abstand zwischen den Teilen, und er ist kurz. An einer Linie mit 100 oder mehr Teilen pro Minute muss die gesamte Schleife, Aufnahme, Inferenz und ein Gut- oder Schlecht-Signal, deutlich unter einer Sekunde abgeschlossen sein, pro Teil, ohne zurückzufallen. Es gibt keinen Spielraum, langsame Teile gegen schnelle zu verrechnen; jedes Teil muss durch.
Das gemessene Feldergebnis für eine Adente-Einheit liegt bei etwa 30 ms pro Teil, und die Katalog-Obergrenze ist konservative 0,5 s pro Teil bei 100 oder mehr Teilen pro Minute. Behandeln Sie das als Rahmen. Der Wert, den Sie für Ihre eigene Zelle tatsächlich zusagen können, hängt von Ihren Teilen, Ihrer Beleuchtung und Ihrem Takt ab und erfordert eine anwendungsspezifische Messung statt einer aus einem Datenblatt übernommenen Zahl.
Für die Cloud-Frage zählt nicht die exakte Millisekunde, sondern die Form des Budgets: Es ist eng, es ist pro Teil, und es wiederholt sich ohne Pause. Jedes Element der Schleife, das nicht versprechen kann, jedes Mal innerhalb dieses Fensters fertig zu werden, bricht es.
Warum ist ein Cloud-Roundtrip pro Teil inakzeptabel?
Ein Cloud-Roundtrip ist pro Teil inakzeptabel, weil sein Timing unbegrenzt ist und ein Budget pro Teil einen unbegrenzten Schritt nicht auffangen kann. Jedes Bild von der Linie zu schicken bedeutet, dass es auf das Netzwerk, eine Warteschlange, einen geteilten Inferenz-Host und den Rückweg wartet, und keines davon hat eine harte Obergrenze, die Sie in jedem Zyklus garantieren können. Die durchschnittliche Latenz ist nicht das Problem, der Ausreißer ist es. Der gelegentlich langsame Roundtrip ist das Teil, das sein Fenster verpasst.
Edge-Inferenz entfernt den Roundtrip vollständig. Adente Vision ist eine Edge-KI-Einheit für die visuelle Inspektion, entwickelt von ADENTE Advanced Engineering Technologies innerhalb der Aden Group und vertrieben über Automatisierungs-Systemintegratoren. Sie nimmt auf, entscheidet und gibt das Ergebnis auf der Einheit aus, sodass das Timing durch lokale Rechenleistung bestimmt wird und nicht durch ein Netzwerk, das Sie nicht kontrollieren. Deterministische Echtzeit-Feldbusse existieren aus demselben Grund: Industrielles Timing muss begrenzt sein, und ein Sprung über ein öffentliches Netzwerk ist das Gegenteil von begrenzt.
Es gibt auch einen Datengrund, der mit dem Timing-Grund einhergeht. Weil das Bild die Linie nie verlässt, um eine Entscheidung zu erreichen, bleibt das sensible Teilebild lokal, als Nebeneffekt der Architektur, die es schnell hält. Geschwindigkeit und Datenhoheit weisen hier in dieselbe Richtung.
Die Entscheidungsschleife pro Teil: Edge gegen Cloud
Die Tabelle geht dieselbe Schleife unter beiden Architekturen durch und zeigt, wo der Cloud-Pfad Zeit hinzufügt, die er nicht begrenzen kann.
| Schleifenschritt | Edge (auf dem Gerät) | Cloud-Roundtrip |
|---|---|---|
| Aufnahme | Lokal, auf das Teil getriggert | Lokal, auf das Teil getriggert |
| Bild zum Modell bringen | Im Speicher auf der Einheit | Upload über das Netzwerk, Warteschlange |
| Inferenz | Auf dem lokalen Board der Jetson-Klasse | Geteilter Host, schwankende Last |
| Ergebnis zurückgeben | Direkt an die SPS über Feldbus oder I/O | Download zurück über das Netzwerk |
| Zeitgarantie | Durch lokale Rechenleistung begrenzt | Unbegrenzter Ausreißer, pro Teil |
Wie teilen sich die fünf Prüfmodi das Edge-Budget?
Das Edge-Budget wird nicht allein für die Anomalieerkennung ausgegeben, es wird über die Modi geteilt, die die Einheit ausführt. Adente-Einheiten bieten fünf Modi, Anomalie- & Defekterkennung, Montage & fehlende Teile, Code-Lesung, Messung und Teile-Identifikation, und bei einem gegebenen Teil laufen die relevanten Prüfungen innerhalb desselben Fensters pro Teil auf demselben lokalen Board. Das Budget ist ein Budget für die gesamte Schleife, kein Kontingent pro Modus, das Sie überziehen können.
Das ist ein Argument dafür, die Arbeit an einem Ort zu erledigen. Wenn Aufnahme, der Anomaliedurchlauf und jede Defekt-, Mengen- oder Messprüfung alle auf der Einheit stattfinden, teilen sie Speicher und Rechenleistung und erzeugen ein Ergebnis pro Teil ohne Netzwerksprung zwischen den Schritten. Die Modi über eine lokale Aufnahme und ein entferntes Modell aufzuteilen, würde genau den Roundtrip wieder einführen, den das Budget pro Teil sich nicht leisten kann, und das bei jedem Teil statt nur gelegentlich. Derselbe Kompromiss auf Hardwareebene, eine abgedichtete Box gegen eine Kamera an einem separaten Server, wird in eine Edge-Box gegen einen Kamera-Server-Aufbau durchgespielt. Sehen Sie, wie die Einheit die fünf Modi auf einem Board ausführt, in der Systemübersicht.
Wo hilft die Cloud noch?
Die Cloud ist hier nicht nutzlos, sie steht nur auf der falschen Seite der Schleife pro Teil. Wo sie wirklich hilft, ist offline: das Training und die Verbesserung des Modells, was nicht zeitkritisch ist und nicht auf jedem Teil läuft. Ein Nachtraining auf einem frischen Satz Beispiele kann abseits der Linie geschehen, nach Zeitplan, ohne dass ein Teil darauf wartet.
Das ist die saubere Arbeitsteilung. Die Entscheidung pro Teil bleibt am Edge, weil sie eine harte, wiederkehrende Frist hat; das gelegentliche Modell-Update geschieht abseits der Linie, weil es das nicht hat. Zum Mechanismus hinter dem Training eines Anomaliemodells aus einem kleinen Satz Gutteile siehe den verwandten Beitrag zum Prüfen mit 20 Bildern, und zur weiteren Architektur den Leitfaden zur KI-visuellen Inspektion.