Aktualisiert Juli 2026 · 8 Min. Lesezeit · Serkan İnkaya · Mechanical Engineer, ODTÜ
Was ist der Unterschied zwischen natürlicher Streuung und einem echten Fehler?
Natürliche Streuung ist die Spanne an Erscheinungsbildern, die ein Teil haben kann und dennoch gut ist. Zwei zulässige Einheiten sind nie pixelgenau identisch: Materiallose verschieben die Farbe leicht, die Oberflächentextur unterscheidet sich, das Teil sitzt einen Millimeter anders in der Vorrichtung, eine Reflexion landet an neuer Stelle. Ein echter Fehler, also eine Abweichung, ist eine Abweichung, die das Teil tatsächlich untauglich macht: ein Riss, eine Delle, ein fehlendes Merkmal, eine Verunreinigung. Das Prüfproblem ist, dass beide für ein Modell wie "Unterschied" aussehen, und die Aufgabe eines guten Einsatzes ist es, dem Modell beizubringen, welche Unterschiede es ignorieren und welche es markieren soll.
Diese Grenze richtig zu ziehen, trennt einen vertrauenswürdigen Prüfer von einem, den die Bediener zu umgehen lernen. Ein Prüfer, der normale Streuung markiert, erzieht die Werkstatt dazu, ihn zu übersteuern, und eine Übersteuerungsgewohnheit ist der Weg, auf dem echte Fehler durch eine Station schlüpfen, die sie fangen sollte.
Warum weist ein Anomaliemodell Gutteile zu häufig zurück?
Ein Anomaliemodell weist zu häufig zurück, wenn seine Vorstellung von "normal" enger ist als das reale Gutteil. Das Modell lernt die Norm aus seinen Referenzbildern, und wenn diese Bilder nur ein Materiallos, eine Beleuchtungssituation oder eine exakte Position zeigen, behandelt das Modell ein völlig gutes Teil aus einem anderen Los als Abweichung. Nach seiner eigenen Logik liegt es nicht falsch: Das Teil unterscheidet sich tatsächlich von dem, was ihm gezeigt wurde. Der Fehler liegt vorgelagert, in einem Gutteil-Satz, der die reale Streuung unterrepräsentiert hat. Das ist die mit Abstand häufigste Ursache eines Pseudoausschuss-Problems in der unüberwachten Prüfung, die Grenze, die öffentliche Benchmarks wie der MVTec Anomaly Detection Datensatz abtasten sollen, und es ist ein Problem der Datenkuratierung, kein Modellfehler.
Der Fehlermodus ist leise und teuer. Pseudoausschuss verschrottet gutes Produkt, löst Nachprüfungen aus und, am schlimmsten, lehrt die Bediener, der Station zu misstrauen. Weil die Kosten als Ausbeuteverlust anfallen statt als dramatischer Fehler, kann er wochenlang laufen, bevor jemand ihn auf einen von Anfang an zu sauberen Gutteil-Satz zurückführt.
Die Diagnose ist einfach, sobald man weiß, worauf man achten muss. Wenn die zurückgewiesenen Teile bei näherer Betrachtung wirklich gut sind und sich um ein Merkmal gruppieren, ein bestimmtes Los, eine Änderung des Umgebungslichts, eine Vorrichtungsposition, dann hat der Gutteil-Satz dieses Merkmal verpasst. Das Mittel ist, Beispiele davon zurück in den Referenzsatz zu falten und nachzutrainieren, nicht, den Schwellenwert blind zu lockern, was echte Fehler zusammen mit der Streuung durchließe.
Welche Quellen natürlicher Streuung muss der Gutteil-Satz enthalten?
Der Gutteil-Satz muss die Streuung abdecken, die ein korrektes Teil legitim zeigt. In der Praxis bedeutet das, über die Quellen zu erfassen, die sich an Ihrer Linie tatsächlich bewegen, nicht ein Stapel nahezu identischer Aufnahmen einer perfekten Einheit. Die Quellen, die bewusst einzubeziehen sind, sind konkret:
- Material und Charge: Farbe und Finish driften zwischen Losen und Lieferanten.
- Oberflächentextur: Korn, Bürstenspuren und Gusstextur, die für den Prozess normal sind.
- Position und Rotation: der reale Platzierungsbereich, den die Vorrichtung zulässt.
- Beleuchtung und Reflexion: die Streuung, die die Zelle tatsächlich erzeugt, weshalb die konfigurierbare Farb- und Winkelbeleuchtung der Einheit einmal eingestellt und konstant gehalten wird.
Rund 20 Gutteil-Bilder zu erfassen, die diesen Bereich enthalten, ist das, was dem Modell beibringt, gewöhnliche Streuung zu ignorieren. Das Kontraintuitive daran ist, dass ein "zu sauberer" Gutteil-Satz, jedes Bild ein makelloser Zwilling, einen schlechteren Prüfer erzeugt, weil er nie gesehen hat, wie stark ein Gutteil variieren darf. Warum ein Modell überhaupt so lernen kann, aus Gutteilen und ohne ein einziges Fehlerbeispiel, erklärt der Beitrag zum Training nur mit Gutteilen.
Hier steckt eine Disziplin, die sich später auszahlt. Den Gutteil-Satz an derselben Station zu erfassen, unter der Beleuchtung, mit der die Linie tatsächlich läuft, bedeutet, dass das Modell die relevante Streuung lernt und nicht das Rauschen eines anderen Aufbaus. Ein Gutteil-Satz, der auf einer Werkbank unter anderem Licht aufgenommen wurde, lehrt das Modell die Werkbank, nicht die Linie, und jede Diskrepanz zwischen Aufnahme und Produktion taucht später als Pseudoausschuss auf.
Natürliche Streuung vs. echter Fehler: was wo behandeln
Die Tabelle ordnet jede Unterschiedsquelle der Art zu, wie Sie sie im Gutteil-Satz zeigen, und dem, was der Schwellenwert damit tun soll.
| Streuungsquelle | Im Gutteil-Satz zeigen | Rolle des Schwellenwerts |
|---|---|---|
| Material- / Chargen-Farbabweichung | Teile aus mehreren Losen einbeziehen | Über die normale Farbstreuung setzen |
| Oberflächentextur / Korn | Den natürlichen Texturbereich einbeziehen | Gewöhnliches Korn nicht markieren |
| Teileposition / Rotation | Den realen Platzierungsbereich erfassen | Vorrichtungsspiel tolerieren |
| Beleuchtung / Reflexion | Die konfigurierbare Beleuchtung konstant halten | Reflexionsrauschen bei der Aufnahme reduzieren |
| Ein echter Fehler (Riss, Delle) | Erscheint nie im Gutteil-Satz | Überschreitet den Schwellenwert, wird markiert |
Die letzte Zeile ist die, die scheitern muss. Alles darüber ist Streuung, die das Modell durchlassen soll, weshalb Gutteil-Satz und Schwellenwert gemeinsam gesetzt werden, nicht nacheinander.
Wie setzen Sie den Schwellenwert, damit Streuung durchgeht, Fehler aber scheitern?
Der Schwellenwert ist der Punkt, an dem Streuung und Fehler endgültig getrennt werden. Das Modell gibt einen Abweichungs- oder Konfidenzwert pro Teil aus, und der Schwellenwert entscheidet Gut oder Schlecht. Setzen Sie ihn zu eng, löst normale Streuung ihn aus, und der Pseudoausschuss steigt. Setzen Sie ihn zu locker, schlüpft ein echter Fehler darunter durch, und der Schlupf steigt. Der Arbeitspunkt gehört knapp über die natürliche Streuung, die Sie bewusst in den Gutteil-Satz eingebaut haben, und unter den kleinsten Fehler, den Sie fangen müssen. Weil der Wert pro Teil ausgegeben wird, kann ein Integrator ihn auf die realen Kosten der Linie aus einem Fehler gegen einen Pseudoausschuss abstimmen und Grenzfälle auf ein sicheres Standardverhalten leiten, statt eine Vermutung zu erzwingen. Dieselbe Bewertung pro Teil steuert die Variantenerkennung im Feld, etwa Stoßfänger-Varianten, die mit einer Konfidenz über 0,9 erkannt werden.
In der Praxis wird der Arbeitspunkt nicht einmal geraten und dann belassen. Er startet von der Streuung, die der Gutteil-Satz zeigt, und verschiebt sich dann, während reale Produktionsdaten anfallen, enger dort, wo die Linie sich als stabil erweist, und lockerer dort, wo eine legitime neue Streuungsquelle auftaucht. Den Schwellenwert als lebende Einstellung zu behandeln, die überprüft wird, wenn sich Lose und Werkzeuge ändern, hält die Pseudoausschuss-Rate über einen ganzen Lauf niedrig statt nur am ersten Tag.
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. Zulässige Streuung von einem echten Fehler zu trennen, ist ein Abstimmungsschritt, den die Bewertung pro Teil zu unterstützen gebaut ist.
Für die Kennzahl hinter Schlupf und Pseudoausschuss siehe den Schwesterbeitrag zur Falsch-Negativ-Rate, und für die vollständige Methode hinter Few-Shot- und Anomalietraining siehe den Pillar-Leitfaden. Um zu sehen, wo die Streuungsabstimmung unter den Aufgaben der Einheit sitzt, durchstöbern Sie die realen Anwendungen.