Aktualisiert Juli 2026 · 7 Min. Lesezeit · Serkan İnkaya · Mechanical Engineer, ODTÜ
Was ist hybride Bildverarbeitung?
Hybride Bildverarbeitung ist ein Prüfdesign, das zwei Methoden am selben Teil fährt: klassische Bildverarbeitung für die Anteile der Kontrolle, die sich mit einer festen Regel messen lassen, und ein KI-Modell für die Anteile, die gelerntes Urteil verlangen. Das ist kein Marketing-Etikett für "etwas KI drin". Es ist eine Arbeitsteilung, so gewählt, dass jede Hälfte das tut, was sie wirklich gut kann, und das Gesamtsystem erklärbar bleibt.
Der Grund für die Kombination ist, dass keine der Methoden eine reale Prüfung allein abdeckt. Klassische Bildverarbeitung ist exakt und deterministisch, aber blind für alles, was eine Regel nicht beschrieben hat. Ein Deep-Learning-Modell generalisiert auf Streuung und seltene Fehler, ist aber schwerer zu befragen, wenn es Nein sagt. Zusammengesetzt übernimmt die deterministische Hälfte die messbaren Kontrollen und die gelernte Hälfte die Ermessensentscheidungen, und jedes Ergebnis lässt sich auf die eine oder die andere zurückführen.
Adente Vision ist eine Edge-KI-Sichtprüfeinheit von ADENTE Advanced Engineering Technologies, Teil der Aden-Gruppe, vertrieben über Automatisierungs-Systemintegratoren, und ihr Prüfmotor ist von Haus aus hybrid: klassische Bildverarbeitung kombiniert mit KI-Inferenz, kein einzelnes undurchsichtiges Netz.
Was kann klassische Bildverarbeitung gut?
Klassische Bildverarbeitung folgt expliziten, von Hand geschriebenen Anweisungen: Finde diese Kante, miss diese Distanz, zähle diese Merkmale, vergleiche diesen Pixelwert mit einem Schwellenwert. Weil die Logik niedergeschrieben ist, ist sie schnell, wiederholbar und leicht zu validieren. Fällt ein Teil durch, können Sie auf die exakte Messung zeigen, die durchgefallen ist, und um wie viel.
Das macht die klassische CV zur richtigen Hälfte des Hybrids für alles Metrische. Die Maßprüfung ist das klarste Beispiel: An einer realen Linie kann eine Prüfeinheit Merkmalskoordinaten und Maßmessungen pro Teil in Millimetern melden, eine Zahl, die ein Qualitätsingenieur gegen eine Zeichnungstoleranz prüfen kann. Zählen ist dieselbe Geschichte, ebenso die Bestätigung, dass ein Merkmal in einem definierten Positionsfenster sitzt. Diese Kontrollen brauchen kein neuronales Netz, und sie durch eines zu zwingen würde nur die Prüfspur entfernen, die sie vertrauenswürdig macht.
Die Grenze der klassischen CV sind Streuung und das Unbekannte. Eine für stabiles Licht eingestellte Regel driftet, wenn die Liniengeschwindigkeit die Belichtung ändert. Eine für eine Variante geschriebene Regel scheitert an der nächsten. Und eine Regel kann nur den Fehler fangen, den jemand vorab beschreiben konnte; für den erstmals gesehenen, nicht spezifizierten Makel ist sie blind.
Was bringt die KI-Schicht dazu?
Die KI-Schicht lernt das Aussehen eines Gutteils aus Beispielbildern statt aus von Hand geschriebenen Regeln. Dieser eine Unterschied lässt sie die Fälle abdecken, die die klassische CV nicht kann: natürliche Oberflächenstreuung, komplexe Texturen und Fehler, die nie zweimal gleich aussehen.
Ihr stärkster Beitrag ist die Anomalieerkennung. Nur mit Gutteilen trainiert, baut das Modell ein Bild von Normal und meldet alles, was abweicht; es kann also einen seltenen oder erstmals gesehenen Fehler fangen, für den keine Regel geschrieben wurde, die Nur-Gutteile-Aufgabe, die öffentliche Benchmarks wie der MVTec Anomaly Detection Datensatz messen. Weil es mit Gutmustern trainiert, kann ein arbeitsfähiges Modell mit einem kleinen Satz Referenzbilder beginnen statt mit einem Katalog jedes möglichen Fehlers, und genau das macht ein neues Teil zu einer kurzen Aufgabe statt einem Datensammelprojekt. Die KI-Schicht übernimmt auch die Variantenklassifikation und liefert einen Konfidenz-Score pro Teil, auf den die Zelle reagieren kann, statt einer brüchigen Regel, die an der nächsten Variante bricht.
Der Preis der KI-Schicht ist die Interpretierbarkeit: Ein gelernter Score erklärt sich weniger von selbst als eine explizite Messung. Genau deshalb wird sie mit klassischer CV gepaart statt allein eingesetzt.
Wie teilen sich klassische CV und KI die Arbeit?
Lesen Sie die Tabelle als die allgemeine Arbeitsteilung zwischen den beiden Familien. Das hybride Ergebnis ist nicht der Sieg einer Methode; jede Kontrolle wird an die Hälfte geleitet, die sie am besten kann.
| Prüfaufgabe | Rolle der klassischen CV | Rolle der KI-Schicht |
|---|---|---|
| Maßprüfung (Position, Größe in mm) | Misst das Merkmal deterministisch | Selten nötig |
| Merkmals- oder Teilezählung | Zählt nach expliziter Regel | Löst Überlappung und Unordnung auf |
| Position und Anwesenheit am gespannten Teil | Prüft gegen ein definiertes Fenster | Toleriert natürliche Streuung |
| Oberflächenfehler (Kratzer, Delle) | Übersieht unbeschriebene Makel | Meldet Abweichung vom Gutteil |
| Seltene, erstmals gesehene Anomalie | Keine Regel kann sie fangen | Lernt Normal, meldet den Rest |
| Variantenklassifikation | Brüchig über Varianten hinweg | Klassifiziert mit Konfidenz pro Teil |
Warum ist ein hybrides System auditierbarer als eine Black Box?
Ein hybrides System ist auditierbar, weil die meisten seiner Gut/Schlecht-Entscheidungen auf etwas zurückführen, das ein Mensch prüfen kann. Die metrischen Kontrollen lösen sich in Zahlen mit Einheiten auf; ein zurückgewiesenes Teil kommt also mit der Messung und der verletzten Toleranz. Die gelernten Kontrollen lösen sich in einen Konfidenz- oder Anomalie-Score gegen einen von Ihnen gesetzten Schwellenwert auf; eine zurückgewiesene Oberfläche kommt also mit Score und dem Arbeitspunkt, an dem sie gescheitert ist. Keine der Antworten lautet "das Netz hat entschieden".
An einer Produktionslinie zählt das aus zwei praktischen Gründen. Erstens brauchen Qualitätsaudits und Kundenreklamationen einen Grund, und "der gemessene Spalt lag bei 2,4 mm gegen ein Limit von 2,0 mm" ist ein Grund, auf den Lieferant und Kunde beide reagieren können. Zweitens: Wenn der Pseudoausschuss schleichend steigt, zeigt ein hybrides System, ob die Drift in einer Messung oder in einem gelernten Score liegt, und das sagt Ihnen, ob eine Vorrichtung zu justieren oder das Modell nachzutrainieren ist.
Adente Vision hält diese Struktur auf dem Gerät. Die fünf Prüfmodi, Anomalie- & Defekterkennung, Montage & fehlende Teile, Code-Lesung, Messung und Teile-Identifikation, fahren dieselbe hybride Aufteilung; Messung und gelerntes Urteil stehen also am selben Teil zur Verfügung, ohne das Bild von der Linie an einen separaten Dienst zu schicken.
Wie setzt Adente Vision den hybriden Ansatz um?
Die bestätigte Grundlage ist einfach. Die Einheit kombiniert klassische Bildverarbeitung mit KI-Inferenz in einem Gehäuse, fährt die fünf Modi oben und meldet für die metrischen Kontrollen Maßmessungen pro Teil in Millimetern. Die KI-Hälfte trainiert mit Gutteilen, um Abweichung zu melden, und die Variantenerkennung liefert einen Konfidenz-Score pro Teil statt einer harten Regel. All das läuft am Edge, Rohbilder der Teile bleiben also an der Linie.
Wo Hybrid gegen eine rein regelbasierte Station steht und wie Sie entscheiden, welche Kontrolle zu welcher Methode gehört, zeigt der Entscheidungs-Schwesterbeitrag über regelbasierte vs. KI-Bildverarbeitung. Für den Schwellenwert, der einen gelernten Score in ein Gut/Schlecht-Signal verwandelt, lesen Sie den Begleitbeitrag zu Konfidenz-Scores und Entscheidungsschwellen. Die vollständige Methode hinter Few-Shot- und Anomalieerkennung zeichnet der Leitfaden.