Aktualisiert Juli 2026 · 7 Min. Lesezeit · Serkan İnkaya · Mechanical Engineer, ODTÜ
Was ist ein Golden Sample in der Sichtprüfung?
Ein Golden Sample ist der Referenzstandard, der definiert, wie ein korrektes Teil aussieht, damit ein Prüfsystem jedes ankommende Teil mit etwas vergleichen kann. In der klassischen Bildverarbeitung ist das Golden Sample oft ein physisches Masterteil oder ein Vorlagenbild, mit dem Schwellenwerte für Maße, Position und Anwesenheit gesetzt werden. Teile, die zur Referenz passen, passieren; Teile, die zu weit davon abdriften, werden gemeldet.
Die Idee ist alt und nützlich: eine als gut bekannte Referenz festlegen, dann die Abweichung davon messen. Was sich mit der KI-Prüfung ändert, ist, was die Referenz tatsächlich ist. Für ein Anomaliemodell ist die Referenz kein einzelnes perfektes Teil, sondern eine Beschreibung des gesamten Gut-Bereichs, gelernt aus einem Satz von Beispielbildern. Dieser Wechsel, vom Masterteil zum goldenen Bildsatz, ist der Punkt dieses Beitrags.
Warum reicht ein einzelnes goldenes Teil für die KI-Prüfung nicht?
Ein einzelnes goldenes Teil beschreibt Perfektion, nicht den Normalbereich, den ein Gutteil einnehmen darf. Reale Produktion streut: Gusstextur, Oberflächengüte, Farbcharge, Druckposition und Spannlage bewegen sich alle innerhalb der Toleranz, ohne ein Teil fehlerhaft zu machen. Eine Referenz aus einem einzigen makellosen Stück lehrt das System, dass nur genau dieses Erscheinungsbild akzeptabel ist, und alles andere falsch aussieht.
Die Anomalieerkennung umgeht diese Falle, indem sie aus vielen Gutteilen zugleich lernt, der Gutbild-Ansatz, um den öffentliche Benchmarks wie der MVTec Anomaly Detection Datensatz herum gebaut sind. Das Modell baut aus einem Satz guter Bilder ein Bild der Normalverteilung, der Streuung akzeptablen Aussehens, und bewertet dann jedes neue Teil danach, wie weit es abweicht. Adente Vision ist eine Edge-KI-Sichtprüfeinheit von ADENTE Advanced Engineering Technologies, Teil der Aden-Gruppe, vertrieben über Automatisierungs-Systemintegratoren, und sie trainiert genau so: Sie startet mit rund 20 guten Referenzbildern und braucht zum Beginn keine Fehlermuster.
Weil das Modell nur mit Gutteilen trainiert, erfüllt der goldene Satz eine andere Aufgabe als ein einzelnes Masterteil. Er ist nicht dazu da, eine ideale Geometrie zu definieren; er ist dazu da, die Grenze zwischen akzeptabler Streuung und echtem Fehler zu lehren. Diese Grenze richtig zu treffen trennt eine saubere Prüfung von einer, die überausschleust.
Wie wählt man die goldenen Bilder, die Normal definieren?
Wählen Sie Gutteile, die Streuung repräsentieren, nicht Perfektion. Der goldene Bildsatz muss die natürliche Streuung abdecken, die die Linie tatsächlich produziert, damit das Modell diese Streuung als normal behandelt, statt sie zu melden. Zwanzig nahezu identische Aufnahmen eines makellosen Teils sind schwächer als 20 Bilder, die den echten Bereich guter Produktion abdecken.
- Nehmen Sie die natürliche Streuung Ihres Prozesses auf: Farbchargen, Oberflächentextur und kleine Positions- oder Spannlagenunterschiede, die alle noch gut sind.
- Halten Sie die Bildaufnahme konsistent mit der Linie: dieselbe Bildausrichtung, derselbe Fokus, Arbeitsabstand und dieselbe Beleuchtung wie in der laufenden Prüfung, damit das Modell keine zufälligen Unterschiede lernt.
- Schließen Sie Fehler und Kontamination aus: Ein Kratzer, ein Fleck oder eine schmutzige Linse in einem Gut-Bild lehrt das Modell, dass der Makel normal ist.
- Erfassen und prüfen Sie an der Einheit: Die On-Device-Vorschau erlaubt, den Referenzsatz an der Maschine zu rahmen, zu beleuchten und zu bestätigen, ohne Laptop und ohne separaten PC.
Das Modelltraining auf diesem Satz ist in unter 48 Stunden abgeschlossen; einen goldenen Satz auf- oder neu aufzubauen ist also eine Aufgabe von ein, zwei Tagen, kein monatelanges Datenprojekt. An einer High-Mix-Elektroniklinie wiederholt sich dieselbe Disziplin je Board-Revision, und genau so ergänzt die KI-Prüfung von PCB und Elektronik die regelbasierte AOI, die bereits an der Linie steht.
Was passiert, wenn der goldene Satz falsch ist?
Ein schwacher goldener Satz zeigt sich als Pseudoausschuss. Sind die Referenzbilder zu sauber oder zu wenige, lernt das Modell eine künstlich enge Definition von Normal, und gewöhnliche Streuung, eine leicht andere Farbcharge oder ein um einen Millimeter versetztes Teil, liest sich als Abweichung. Die Linie weist dann gute Produkte zurück, ein Bediener verliert das Vertrauen in die Prüfung, und irgendwer weitet den Schwellenwert, bis auch echte Fehler durchrutschen.
Der umgekehrte Fehler ist ein goldener Satz, der versehentlich Fehler enthält. Wird ein zerkratztes oder kontaminiertes Teil als gut aufgenommen, faltet das Modell diesen Makel in seine Vorstellung von Normal und meldet ihn nicht mehr. Beide Fehlschläge gehen auf dieselbe Ursache zurück: Die Referenz hat die wahre Grenze eines Gutteils nicht beschrieben. Der Vergleich unten stellt einen starken und einen schwachen goldenen Satz gegenüber.
| Merkmal des goldenen Satzes | Starker goldener Satz | Schwacher goldener Satz |
|---|---|---|
| Abdeckung der normalen Streuung | Umfasst die Streuung von Beleuchtung, Farbe, Textur und Position | Ein makelloses Teil, ein einziges Erscheinungsbild |
| Bildkonsistenz | Gleiche Bildausrichtung, Fokus und Beleuchtung wie an der Linie | Gemischte Kameras, Winkel und Beleuchtungen |
| Fehlergehalt | Nur Gutteile, nichts Kontaminiertes | Versehentlicher Kratzer, Fleck oder Schmutz enthalten |
| Stichprobenumfang | Rund 20 repräsentative Gutteile | Zu wenige, oder viele nahezu identische Aufnahmen |
| Wirkung auf Pseudoausschuss | Normale Streuung passiert, echte Abweichungen werden gemeldet | Normale Streuung liest sich als Fehler, Überausschuss |
Wie fügt sich der goldene Bildsatz in Ihre Prüflinie?
Behandeln Sie den goldenen Satz als gepflegtes Asset, nicht als Einmalaktion. Verschiebt sich der Prozess, eine neue Materialcharge, ein Werkzeugwechsel oder eine geänderte Beleuchtung, wandert die Definition von Normal mit, und der goldene Satz ist das, was Sie neu erfassen und neu trainieren. Weil das Training nur mit Gutteilen läuft und in unter 48 Stunden fertig ist, bleibt das Aktuellhalten der Referenz Routine statt Re-Engineering.
Die vollständige Methode hinter dem Training mit rund 20 guten Bildern zeigt der Schwesterbeitrag über Few-Shot- und Anomalieprüfung. Das größere Bild, wie KI-Sichtprüfung in eine Linie passt, zeichnet der Leitfaden, und wie ein Golden-Set-Workflow zu Gehäuse und Montage passt, die Systemseite.