Aktualisiert Juli 2026 · 6 Min. Lesezeit · Serkan İnkaya · Mechanical Engineer, ODTÜ
Was bedeutet OCR-, Barcode- und Etikettenprüfung in der Bildverarbeitung?
OCR-, Barcode- und Etikettenprüfung ist die Familie von Prüfungen, die bestätigen, dass die richtigen Kennzeichnungen auf einem Teil oder seiner Verpackung vorhanden und korrekt sind. Sie deckt vier gängige Aufgaben ab: das Lesen eines Barcodes oder Data-Matrix-Symbols, das Lesen menschenlesbaren Texts mit optischer Zeichenerkennung (OCR), das Bestätigen, dass ein Datums-, Los- oder Chargencode den erwarteten Wert trägt, und das Prüfen, dass das korrekte Etikett vorhanden und sauber gedruckt ist.
Diese Prüfungen beantworten eine andere Frage als die Fehlererkennung. Fehlerprüfung fragt "ist dieses Teil physisch gut", während die Prüfung fragt "ist das das richtige Teil, mit dem richtigen Code und dem richtigen Etikett". Ein Teil kann makellos sein und die Prüfung dennoch nicht bestehen, weil es den gestrigen Datumscode oder das falsche regionale Etikett trägt, und dieser Fehler kann so kostspielig sein wie ein physischer Fehler, wenn er einen regulierten Markt erreicht.
Die Unterscheidung ist wichtig, wenn Sie eine Prüfstation dimensionieren, weil die Leseaufgaben und die Beurteilungsaufgaben von verschiedenen Hälften eines Bildverarbeitungssystems bewältigt werden.
Wie lesen und prüfen hybride Bildverarbeitungssysteme Etiketten und Codes?
Hybride Bildverarbeitungssysteme teilen die Prüfung zwischen klassischer Computervision und einer KI-Schicht auf, dieselbe Aufteilung, die sie für den Rest einer Prüfung nutzen. Klassische CV ist der Leser. Einen Barcode oder eine Data Matrix zu dekodieren und feste Zeichen unter stabiler Beleuchtung zu lesen, sind deterministische Aufgaben mit veröffentlichten Symbologien und Bewertungsstandards, ein regelbasierter Dekoder erledigt sie also schnell und exakt und liefert einen sauberen Treffer oder Fehltreffer.
Die KI-Schicht ist der Beurteiler. Wo der Druck degradiert ist, das Etikett sich verschieben oder falten kann oder die Oberfläche variiert, entscheidet ein erlerntes Modell besser als eine spröde Regel, ob das Ergebnis akzeptabel ist. Mit guten Etiketten trainiert, markiert es ein Verschmieren, ein fehlendes Zeichen, ein fehlausgerichtetes oder falsches Etikett als Abweichung von dem, wie ein korrektes aussieht, selbst wenn der genaue Fehler nie im Voraus spezifiziert wurde. Das ist dieselbe Anomalielogik, eine an öffentlichen Datensätzen wie dem MVTec-AD-Datensatz gemessene Abweichungsbewertung, die erstmals gesehene physische Fehler fängt, angewandt auf Druck und Etikettierung.
Der Ausgang beider Hälften erreicht die Linie als ein Signal, das eine Steuerung versteht: ein Treffer oder Fehltreffer, eine korrekte oder falsche Zeichenkette, oder ein Gut oder Schlecht mit einem Grund. Für die weitergehende Entscheidung, welche Prüfungen zum regelbasierten Lesen und welche zur KI-Beurteilung passen, siehe den Schwesterbeitrag zu regelbasierter vs. KI-Bildverarbeitung.
Welche Prüfungen bilden auf welche Methode ab?
Lesen Sie die Tabelle als die allgemeine Aufteilung in der hybriden Bildverarbeitung, nicht als feste Funktionsliste einer einzelnen Einheit. Welche konkreten Prüfungen ein gegebenes System unterstützt, sollte gegen sein Datenblatt bestätigt werden.
| Prüfung | Wie Bildverarbeitung sie bewältigt | Ausgang an die Linie |
|---|---|---|
| Barcode- / Data-Matrix-Lesung | Klassische CV dekodiert das Symbol | Treffer oder Fehltreffer an die SPS |
| Menschenlesbarer Text (OCR) | Klassische CV oder KI liest Zeichen | Korrekte oder falsche Zeichenkette |
| Datum / Los / Chargencode | Leser extrahiert, Logik prüft den Wert | Gut oder Schlecht gegen den erwarteten Wert |
| Korrektes Etikett vorhanden | KI vergleicht mit einem bekannt guten Etikett | Gut oder Schlecht plus Grund |
| Druckqualität (Verschmieren, fehlende Farbe) | KI markiert Abweichung vom guten Druck | Anomalie-Markierung, Ausschuss-Signal |
Was kann Adente Vision für Etiketten- und Druckprüfungen bestätigen?
Hier die ehrliche Grundlage. 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. Ihre bestätigten Stärken liegen auf der Beurteilungsseite der Prüfung, nicht auf einem dokumentierten Barcode- oder OCR-Leser.
Die Einheit kombiniert klassische Computervision mit KI-Inferenz in einem Gehäuse und führt fünf Prüfmodi aus: Anomalie- & Defekterkennung, Montage & fehlende Teile, Code-Lesung, Messung und Teile-Identifikation. Ihr Anomalieansatz trainiert mit guten Beispielen und markiert Abweichung, was genau der Mechanismus ist, der einen Fehldruck, einen verschmierten Code, ein fehlendes Zeichen oder das falsche Etikett fängt: Sie zeigen ihr ein gutes Etikett oder einen sauberen Druck, und sie markiert, was nicht passt. Varianten- und Teileerkennung liefern einen Konfidenzwert pro Teil, denselben Wert, der im Begleitbeitrag zu Konfidenzwerten und Schwellenwerten beschrieben ist. All das läuft auf dem Gerät, sodass Rohbilder von Etikett und Teil auf der Linie bleiben.
Was nicht als Adente-Produktfaktum dokumentiert ist, ist ein dedizierter Barcode-Dekoder oder eine OCR-Engine, die einen bestimmten Zeichensatz liest. Nehmen Sie also nicht an, dass sie Ihre Data Matrix oder Ihre Datumscode-Schrift ab Werk liest.
Wie bestätigen Sie, dass eine bestimmte OCR- oder Barcode-Aufgabe unterstützt wird?
Bestätigen Sie es auf zwei Wegen, bevor Sie es einplanen. Prüfen Sie erstens das aktuelle Datenblatt für Ihre Anwendung: Die konkreten Symbologien, Zeichensätze, Code-Standards und das Druckbewertungsverhalten, die eine Einheit unterstützt, gehören auf das Datenblatt, und das ist das Dokument, gegen das zu verifizieren ist, nicht ein Blog-Beitrag. Senden Sie zweitens ein Muster. Die zuverlässigste Prüfung ist, Ihr tatsächliches Teil, Etikett und Ihre Beleuchtung vor die Einheit zu stellen und das Ergebnis zu sehen, weil Druckprüfung auf eine Weise empfindlich auf Kontrast, Glanz, Krümmung und Beleuchtung reagiert, die eine Spezifikationszeile nicht vollständig erfassen kann.
Das ist auch der ehrliche Weg, jede Prüfstation zu dimensionieren. Eine Barcode-Lesung auf flachem, kontrastreichem Material unter kontrolliertem Licht ist eine gelöste, deterministische Aufgabe für klassische Bildverarbeitung. Ein abgenutzter Datumscode auf einer gekrümmten, reflektierenden Oberfläche ist eine schwierigere Beurteilung, bei der die KI-Schicht hilft, bei der Sie das Ergebnis aber zuerst an Ihren eigenen Mustern nachweisen sollten.
Dieser Beitrag ist ein Spoke des Pillar-Leitfadens zur KI-Sichtprüfung; um die Prüfungen zu sehen, die die Einheit über Branchen hinweg ausführt, durchstöbern Sie die realen Anwendungen.