Das Problem seltener Fehler: warum Sie nie genug Fehlerbilder sammeln können.

Ins Stocken geratene KI-Inspektionsprojekte scheitern meist am selben Schritt: dem Sammeln der Fehler. Ein überwachtes Modell lernt jede Fehlerart aus gelabelten Bildern und braucht deshalb viele davon. Das Problem ist strukturell, keine Frage des Einsatzes. Eine Linie, die gut läuft, produziert nicht viele Fehler, und genau das ist der Sinn, sie gut laufen zu lassen.

Warum können Sie nie genug Fehlerbilder sammeln?

Sie können nie genug Fehlerbilder sammeln, weil Fehler an einer gut laufenden Linie per Design selten sind. Qualitätsverbesserung existiert, um die Fehlerrate zu senken; je besser der Prozess, desto weniger Fehlerbeispiele liefert er. Ein überwachtes Modell, das jede Fehlerart aus gelabelten Beispielen lernen muss, kämpft deshalb gegen genau das, was das Werk erreichen will. Das ist das Klassenungleichgewicht oder Long-Tail-Problem: eine Handvoll Fehlerbilder gegen eine Flut guter Bilder, verteilt über viele mögliche Fehlerarten, die jeweils selten auftreten.

Die Erkennung seltener Fehler ist das Band, in dem das am härtesten zuschlägt, denn die wichtigsten Fehler, die intermittierenden, erstmals auftretenden oder sicherheitskritischen, sind genau die, von denen Sie fast keine Beispiele haben. 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 für genau dieses Band gebaut: sie trainiert nur auf Gutteilen, die Knappheit an Fehlerbildern hört damit auf, ein Blocker zu sein.

Wie sieht die Mathematik einer Linie mit niedriger Fehlerrate aus?

Die Arithmetik macht das Problem konkret. Nehmen Sie eine illustrative Linie mit 0,1 % Fehlerrate, tausend Gutteile für jedes schlechte Teil. Eine Schicht mit 100.000 Teilen liefert etwa 100 Fehlerbilder, und die verteilen sich auf jede Fehlerart, die auftreten kann; ein einzelner seltener Fehler taucht also zwei- oder dreimal auf, oder gar nicht. Bei Automotive-Qualität, gemessen in zweistelligen PPM, kann eine volle Schicht fast keine Beispiele eines bestimmten Fehlers liefern. Die Fehlerraten unten sind illustrative Branchenwerte, keine Adente-Messungen.

Das Ungleichgewicht lässt nicht nur den Datensatz verhungern, es verzerrt auch das Training. Ein Modell, das tausend Gutteile für jedes fehlerhafte sieht, erreicht eine hohe Schlagzeilen-Genauigkeit, indem es einfach alles gut nennt; deshalb ist Genauigkeit an einer unausgewogenen Linie die falsche Metrik und die Falsch-Negativ-Rate, die Schlupfrate, die ehrliche. Warum diese Metrik die ist, die Sie einfordern sollten, zeigt der Beitrag zur Falsch-Negativ-Rate als Prüfmetrik.

Warum bringt "genug Fehler sammeln" ein Inspektionsprojekt zum Stillstand?

"Genug Fehler sammeln" bringt ein Projekt zum Stillstand, weil die Sammelphase kein festes Ende hat. Das Eintreffen eines seltenen Fehlers lässt sich nicht terminieren; den Zeitplan bestimmt die Ausfallrate der Linie, nicht der Einsatz des Teams. Verantwortliche warten darauf, dass Fehler auftreten, oder schlimmer, sie sollen absichtlich fehlerhafte Teile fertigen, um das Modell zu füttern, was inszenierte Fehler ergibt, die dem realen Erscheinungsbild des Fehlers nicht entsprechen müssen.

Während das Team wartet, läuft ein leiserer Kostenposten mit. In den Monaten, die das Sammeln dauert, liefert die Linie entweder ungeprüft aus oder stützt sich auf manuelle Stichproben; der Schlupf, den das Projekt stoppen sollte, geht also weiter, während die Daten gesammelt werden. Der Business Case erodiert, bevor das Modell überhaupt trainiert ist.

Selbst wenn endlich genug Bilder beisammen sind, deckt der Datensatz nur die Fehler ab, die bereits passiert sind. Die nächste neue Fehlerart, eine andere Verunreinigung, ein Materialfehler eines neuen Lieferanten, ist weiterhin ungesehen; das Modell, dessen Training Monate gekostet hat, ist dafür von Anfang an blind. Deshalb bleiben Fehler-zuerst-Projekte so oft zwischen einem vielversprechenden Pilot und dem Produktionsrollout stecken: die Datenanforderung schließt sich nie wirklich.

Wie beseitigt Anomalieerkennung nur mit Gutteilen die Abhängigkeit?

Anomalieerkennung nur mit Gutteilen beseitigt die Abhängigkeit, indem sie Fehlerbilder gar nicht erst braucht. Statt jeden Fehler zu lernen, lernt das Modell aus rund 20 repräsentativen guten Bildern, wie ein Gutteil aussieht, und meldet alles, was abweicht. Die knappe Ressource, Fehlerbeispiele, liegt nicht mehr auf dem kritischen Pfad, weil das Modell auf der reichlich vorhandenen Ressource trainiert, den Gutteilen. Diese Abweichungsbewertung ist ein eigenes, benchmarktes Feld; öffentliche Datensätze wie der MVTec-Anomaly-Detection-Datensatz und das Anomalieerkennungs-Benchmark bei Papers With Code messen genau dieses Nur-Gutteile-Setup.

Diese Umkehrung macht seltene und erstmals auftretende Fehler beherrschbar. Ein Modell, das Abweichung bewertet, muss einen bestimmten Fehler nicht gesehen haben, um ihn abzuweisen; das Teil muss nur weit genug außerhalb des Normalen liegen. Die Einheit führt das als ihren Anomalie-Modus aus, einen von fünf Modi (Anomalie- & Defekterkennung, Montage & fehlende Teile, Code-Lesung, Messung und Teile-Identifikation), und kombiniert ihn mit klassischer Bildverarbeitung, damit ein Messergebnis nachvollziehbar bleibt. Das Training ist in unter 48 Stunden abgeschlossen; selbst die erste Inbetriebnahme ist eine Zwei-Tage-Aufgabe statt eines Datensammel-Marathons.

Was das Modell weiterhin braucht, ist ein Gut-Set, das die reale Streuung eines Gutteils abbildet: verschiedene Lose, Positionen, Oberflächen und die Beleuchtung, die die Linie tatsächlich nutzt. Zwanzig makellose, identische Bilder lehren ein unrealistisch enges Normal und führen zu Überabweisung; das Ziel sind repräsentative Gutteile, keine perfekten. Gut aufgebaut ist dieses Gut-Set das, was ein abweichungsbewertendes Modell einen echten seltenen Fehler von gewöhnlicher Variation innerhalb der Toleranz unterscheiden lässt, und das ist eine Qualitätsentscheidung, keine Softwareeinstellung.

Hält die Abdeckung seltener Fehler in der Produktion stand?

Die Abdeckung seltener Fehler hält dort stand, wo sie gemessen wird. An einer laufenden Verschlussprüflinie läuft eine nur auf Gutteilen trainierte Einheit von Adente Vision mit einer Falsch-Negativ-Rate von 0,69 % und einem F1-Score von 99,65 % bei etwa 30 ms pro Teil und fängt gebrochene, nicht geschlossene und am Scharnier beschädigte Verschlüsse im Durchlauf. Die Falsch-Negativ-Rate ist die Zahl, die für seltene Fehler zählt, denn sie ist die Schlupfrate: der Anteil schlechter Teile, die durchrutschen. Der F1-Score steht daneben und fasst Fangrate und Überabweisung in einer Zahl zusammen; an einer unausgewogenen Linie sagt deshalb der Unterschied zwischen F1-Score und Genauigkeit mehr aus als jeder Schlagzeilenwert.

Die Kataloggrenze liegt bei 0,5 s pro Teil bei 100+ Teilen pro Minute, die 30 ms sind der gemessene Feldwert. Wie immer braucht die Schlupfrate, zu der Sie sich an Ihren eigenen Teilen verpflichten können, eine anwendungsspezifische Messung, aber der Punkt bleibt: ein Modell, das nie ein Fehlerbild gesammelt hat, fängt Fehler im Linientakt. Wo Prüfung nur mit Gutteilen passt, zeigen die realen Anwendungen.