Aktualisiert Juli 2026 · 8 Min. Lesezeit · Serkan İnkaya · Mechanical Engineer, ODTÜ
Wann müssen Sie ein Prüfmodell im Feld nachtrainieren?
Das Nachtraining wird durch eine Änderung an der Linie ausgelöst, nicht durch den Kalender. Die häufigen Auslöser sind ein neuer Fehler, den bei der Inbetriebnahme niemand spezifiziert hat, eine Teileänderung oder neue SKU, ein Material- oder Lieferantenwechsel, der verändert, wie ein Gutteil aussieht, und bestätigte Modelldrift, bei der die Pseudoausschuss- oder Schlupfrate von ihrer Baseline abwandert. Jeder davon ist ein Signal, dass die Vorstellung des Modells von „gut“ oder seine Liste bekannter Fehler nicht mehr zu dem passt, was die Linie tatsächlich fährt. Der Auslöser Teileänderung hat seine eigene operative Form, wer die Bilder aufnimmt und wie schnell die Linie die neue Variante prüfen kann, und darum geht es beim Ergänzen einer neuen Teilevariante an einer laufenden Prüflinie.
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, und sie ist so gebaut, dass das Nachtraining an der Linie statt zurück im Anbieterlabor geschieht. Die Referenzbilder werden an der Station aufgenommen, das Modell trainiert auf der Edge-Einheit, und das aktualisierte Modell läuft dort, wo das alte lief. Das verhindert, dass aus einem neuen Fehler ein wochenlanges Support-Ticket wird.
Wie viele Bilder braucht das Hinzufügen eines neuen Fehlers?
Rund 20. Die Einheit trainiert aus einem kleinen Referenzsatz, etwa 20 Bildern, und die Basisprüfung arbeitet nur mit Gutteilen: Sie lernt, wie ein Gutteil aussieht, und meldet alles, was abweicht, sodass Sie vor dem Start keinen Katalog jedes Fehlers zusammenstellen müssen, die Nur-Gutteile-Aufgabe, die öffentliche Benchmarks wie der MVTec Anomaly Detection Datensatz messen. Wenn ein bestimmter, wiederkehrender Fehler auftritt, den Sie benannt und gezählt statt nur als Anomalie gemeldet haben wollen, fügen Sie ihn als Klasse aus einer vergleichbaren Handvoll Beispiele hinzu.
Das Training ist in unter 48 Stunden abgeschlossen, sodass das Hinzufügen eines Fehlers eine Zwei-Tage-Aufgabe ist statt eines in Monaten gemessenen Datensammelprojekts. Die Einheit fährt fünf Modi, Anomalie- & Defekterkennung, Montage & fehlende Teile, Code-Lesung, Messung und Teile-Identifikation, und kombiniert klassische Bildverarbeitung mit KI-Inferenz, sodass ein Nachtraining die Anomalieabdeckung erweitern, eine Fehlerklasse hinzufügen oder eine Messung verfeinern kann, ohne den ganzen Ansatz zu tauschen. Der Punkt ist, dass der Datenbedarf klein genug ist, um ihn in einer einzigen Schicht an der Linie zu sammeln.
Wie nehmen Sie Gut- und Fehler-Referenzbilder an der Linie auf?
Nehmen Sie den Referenzsatz an der realen Station auf, unter der realen Beleuchtung, im realen Arbeitsabstand, denn ein Modell, das mit Bildern der laufenden Bedingungen trainiert wurde, verhält sich so, wie es in der Validierung tat. Sammeln Sie aktuelle Gutteile für die Gut-Referenz und, für einen benannten Fehler, einen vergleichbaren Satz von Beispielen dieses Fehlers. Echte Fehlerteile sind am besten; wo ein Fehler wirklich selten ist, bewahren Sie jedes vom Band produzierte Beispiel auf, damit der Satz mit der Zeit wächst.
Zwei Gewohnheiten halten ein Nachtraining im Feld ehrlich. Erstens: Nehmen Sie über die normale Streuung der Gutteile hinweg auf, nicht nur makellose, damit gewöhnliche Streuung später nicht als Fehler gelesen wird. Zweitens: Halten Sie die Bilder repräsentativ für die aktuelle Linie; haben sich Beleuchtung, Vorrichtung oder Material geändert, nehmen Sie den Gutsatz neu auf, statt einen alten wiederzuverwenden, denn das Modell soll die heutige Linie lernen, nicht die vom letzten Quartal.
Eine dritte Gewohnheit ist die Buchführung. Beschriften Sie jeden Referenzsatz mit Datum, Teilestand und der Bedingung, unter der er aufgenommen wurde, damit sich jedes Modell auf die Bilder zurückführen lässt, die es erzeugt haben. Wenn ein späteres Nachtraining zurückfällt, ist es dieser Nachweis, der Sie den funktionierenden Satz finden und daraus neu aufbauen lässt, statt bei null anzufangen.
Welcher Auslöser braucht welche Bilder und Schritte?
Unterschiedliche Änderungen verlangen unterschiedliche Referenzsätze und Prüfungen. Ordnen Sie den Auslöser der richtigen Nachtrainings-Maßnahme zu, statt reflexartig nachzutrainieren.
| Auslöser fürs Nachtraining | Was aufzunehmen ist | Schritte und Prüfung |
|---|---|---|
| Neuer Fehlertyp tritt auf | Rund 20 Beispiele des Fehlers plus aktuelle Gutteile | Fehlerklasse hinzufügen, nachtrainieren (unter 48 h), Schlupf an Schlechtteilen validieren |
| Teileänderung oder neue SKU | Rund 20 Gutbilder des geänderten Teils | Nur mit Gutteilen trainieren, Pseudoausschuss am neuen Gutteil validieren |
| Material- oder Lieferantenwechsel | Gutteile aus dem neuen Material | Baseline des Gutmodells erneuern, Pseudoausschuss auf Drift beobachten |
| Saison- oder Beleuchtungswechsel | Gutteile unter der neuen Bedingung | Baseline erneuern oder nachtrainieren, an den ersten Teilen nach der Umstellung bestätigen |
| Bestätigte Modelldrift | Frischer Gutsatz plus jüngste Ausschleusungen | Nachtrainieren, das vorherige Modell als Rückfallebene behalten |
Wie validieren Sie ein nachtrainiertes Modell, bevor es produktiv geht?
Validieren Sie gegen beide Fehlerarten, bevor das neue Modell über echte Produktion entscheidet. Lassen Sie Gutteile hindurchlaufen und zählen Sie den Pseudoausschuss, also die Gutteile, die es zu Unrecht durchfallen lässt, dann lassen Sie Schlechtteile durchlaufen und zählen Sie den Schlupf, also die Fehler, die es zu Unrecht durchlässt. Ein Nachtraining, das den Schlupf senkt, aber den Pseudoausschuss verdoppelt, ist keine Verbesserung, sondern ein anderer Kompromiss, und diesen Kompromiss wollen Sie sehen, bevor er die Linie erreicht.
Nutzen Sie eine bewährte Installation als Referenz dafür, wie ein validiertes Modell aussieht. An einer ausgelieferten Verschlussprüflinie erreichte die Einheit einen F1-Score von 99,65 % bei einer Falsch-Negativ-Rate von 0,69 %, das ist die Art von Balance, die ein gutes Modell hält: wenig Schlupf ohne eine Wand aus Pseudoausschuss. Behandeln Sie diese als Maßstab für die Form eines gesunden Ergebnisses, nicht als Zahl, die Sie an einem anderen Teil erreichen werden: Die Pseudoausschuss- und Schlupfraten, die Sie für Ihren Fehler zusagen können, brauchen eine anwendungsspezifische Messung an Ihren Teilen und Ihrer Beleuchtung. Ziel der Validierung ist ein Modell, dessen zwei Fehlerraten Sie tatsächlich gemessen und nicht angenommen haben.
Können Sie das alte Modell als Rückfallebene behalten?
Ja, und das sollten Sie, denn ein Nachtraining ist eine Änderung, und Änderungen fallen gelegentlich zurück. Halten Sie das vorherige Modell verfügbar, damit Sie, falls das neue an den ersten Produktionsteilen aus dem Ruder läuft, zur bekannten Gutversion zurückwechseln und einen Fehler in Ruhe statt unter Liniendruck untersuchen können. Setzen Sie das neue Modell erst produktiv, nachdem es die Pseudoausschuss- und Schlupfprüfungen an Teilen bestanden hat, die Sie für die Validierung zurückgelegt haben.
An einer air-gapped Linie bleibt das einfach: Modelle wandern per USB-Stick, sodass die vorherige Version auf der Einheit oder dem Stick gehalten und ohne Netzwerk erneut geladen werden kann. Nachtraining am Edge, Validierung gegen echte Teile und eine Rückfallebene machen aus „ein neuer Fehler ist aufgetreten“ statt eines Notfalls einen routinemäßigen Zwei-Tage-Vorgang, den Ihr eigenes Team ausführen kann. Warum überhaupt 20 Bilder genügen, zeigt der Schwesterbeitrag zum Prüfen mit 20 Bildern; wo diese Prüfungen in die Inbetriebnahme passen, siehe die Anwendungsseite; und zur vollständigen Methode siehe den Leitfaden.