Ein Teil mit nur 20 Bildern prüfen.

"KI-Inspektion klingt gut, aber wir haben keine Tausende Fehlerbilder zum Training." Das ist der häufigste Einwand gegen ein lernendes Modell an der Produktionslinie, und er beruht auf einer veralteten Vorstellung davon, wie diese Systeme arbeiten. Sie brauchen keinen Berg gelabelter Fehler. Für die meisten Oberflächen- und Anomalieaufgaben genügen rund 20 Gutteile zum Start.

Dieser Beitrag erklärt, warum, wie Anomalieerkennung und Few-Shot-Lernen das möglich machen und wohin sich die eigentliche Schwierigkeit verlagert hat, nachdem die Daten nicht mehr die Mauer sind.

Warum der Glaube an "Tausende Bilder" veraltet ist

Der Glaube stammt aus dem klassischen überwachten Deep Learning, bei dem ein Modell lernt, jede Fehlerklasse aus vielen gelabelten Beispielen dieser Klasse zu erkennen. Dieser Ansatz braucht tatsächlich große, ausgewogene Datensätze, Hunderte oder Tausende Bilder je Klasse, jedes von Hand gelabelt.

Das Problem ist, dass genau diese Daten eine Fabrik nicht hat. Fehler sind konstruktionsbedingt selten; bei einer Linie mit 0,7 % Fehlerrate müssten Sie Zehntausende Teile laufen lassen, um ein paar Hundert fehlerhafte zu sammeln, und hätten dennoch keine Beispiele des Fehlerbilds, das noch nicht aufgetreten ist. Einen überwachten Datensatz vorab aufzubauen ist langsam, teuer und stets unvollständig.

Anomalieerkennung dreht das Problem um. Statt jede Art zu lernen, wie ein Teil falsch sein kann, lernt sie, wie "richtig" aussieht, und Gutteile sind das eine, das eine gesunde Linie im Überfluss produziert.

Wie funktioniert Anomalieerkennung?

Anomalieerkennung lernt das Aussehen guter Teile und behandelt alles außerhalb dieser gelernten Verteilung als Fehler. Sie zeigen ihr ein kleines Set guter Beispiele, sie baut ein Modell von "normal", und zur Laufzeit bewertet sie jedes neue Teil danach, wie weit es abweicht.

Das praktische Ergebnis: Anomalieerkennung fängt den Fehler, den niemand vorab fotografiert hat, weil sie nicht nach einem konkreten Mangel sucht, sondern nach allem, was nicht normal ist. Öffentliche Benchmarks wie der MVTec Anomaly Detection Datensatz haben daraus ein gut untersuchtes, messbares Feld gemacht statt einer Marketingbehauptung. Halten Sie beim Lesen dieser Tabelle die Begriffe auseinander: Ein markiertes Teil ist eine Anomalie, nicht automatisch ein Fehler oder eine Abweichung, und was diese drei Wörter trennt entscheidet, welches Sie melden.

Was ist Few-Shot-Lernen, und wie fügt man eine neue Variante hinzu?

Few-Shot-Lernen ist die Fähigkeit, dem Modell ein neues Konzept aus sehr wenigen Beispielen beizubringen. In der Prüfung ist es das, was ein funktionierendes System auf ein neues Teil oder eine Variante erweitert, ohne das Training neu zu beginnen.

Angenommen, Ihre Linie ergänzt eine zweite Gehäusevariante. Statt einen frischen Datensatz zu sammeln, zeigen Sie dem System eine Handvoll guter Beispiele der neuen Variante. Es passt seinen Begriff von "normal" so an, dass er das neue Teil einschließt, und prüft noch am selben Tag wieder. Derselbe Mechanismus bewältigt saisonale Änderungen, das Material eines neuen Lieferanten oder ein angepasstes Design, Sie füllen das Referenzset auf, statt es neu aufzubauen.

Das ist der Unterschied zwischen einem System, das ab Tag eins nutzbar ist, und einem, das vor jeder Änderung eine monatelange Datenkampagne braucht, ehe sie sich lohnt.

Ein praktischer Datenplan: starten, verfeinern, anpassen

Sie brauchen kein Datenstrategiedokument. Sie brauchen drei Schritte.

1. 01Starten, sammeln Sie rund 20 Gutteile, die den normalen Bereich Ihrer Produktion abbilden (natürliche Farb- und Texturvariation eingeschlossen). Das genügt, damit Anomalieerkennung läuft.
2. 02Verfeinern, wenn das System einen konkreten wiederkehrenden Fehler benennen statt nur markieren soll, ergänzen Sie ein kleines gelabeltes Set dieser Fehlerklasse. Sie labeln nur die Fehler, die Sie tatsächlich kategorisieren wollen.
3. 03Anpassen, für eine neue Variante oder eine Prozessänderung ergänzen Sie eine Handvoll guter Referenzbilder. Das Modell aktualisiert seine Basislinie, statt von Grund auf neu zu trainieren.

Im Feld kann ein so trainiertes Modell schnell einsatzbereit sein: an einer ausgelieferten Verschlussprüflinie war das Training in unter 48 Stunden abgeschlossen und lief bei rund 30 ms pro Teil. Die entscheidenden Zahlen bleiben der F1-Score und die an Ihrem Teil gemessene Falsch-Negativ-Rate, doch der Punkt hier ist, dass ihr Erreichen kein Datensammelprojekt mehr verlangt. (Wie diese Genauigkeitsmetriken funktionieren, siehe den Leitfaden zur KI-Sichtprüfung.)

Der eigentliche Engpass sind nicht die Daten, sondern Beleuchtung und Vorrichtung

Sobald das Training nur ~20 Bilder braucht, ist der schwerste Teil einer Inbetriebnahme nicht mehr das Modell. Es ist, überhaupt ein sauberes, wiederholbares Bild des Teils zu bekommen.

Die Beleuchtung ist meist der entscheidende Faktor. Das richtige diffuse oder koaxiale Licht macht einen Fehler für das Modell offensichtlich; schlechte Beleuchtung verdeckt denselben Fehler, so gut der Algorithmus auch ist. Die Vorrichtung, das Teil in gleichbleibender Position und Ausrichtung zu präsentieren, ist die andere Hälfte. Ein Anomaliemodell lernt "normal" aus Ihren Referenzbildern, wenn das Teil also wackelt oder das Licht mit dem Linientakt driftet, sieht das Modell diese Instabilität als Anomalie und die Fehlabweisungen steigen. Dieser gelernte Referenzsatz ist die moderne Form des Golden Sample in der Sichtprüfung: statt eines einzelnen physischen Musterteils in der Schublade hält die Einheit eine ganze Verteilung von Gutteilen und bewertet jedes neue Teil dagegen.

Das ist eine gute Nachricht für Käufer: die Fragen an einen Anbieter lauten nicht "wie viele Bilder brauchen Sie", sondern "wie handhaben Sie meine Beleuchtung und Teilepräsentation", denn dort wird Zuverlässigkeit tatsächlich gewonnen oder verloren. Sehen Sie, wie Adente Vision Kamera, Beleuchtung und Rechner auf die Teileklasse abstimmt, bevor die Einheit ausgeliefert wird. 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.