Aktualisiert Juli 2026 · 7 Min. Lesezeit · Serkan İnkaya · Mechanical Engineer, ODTÜ
Was sind synthetische Daten für die Fehlererkennung, und wie unterscheiden sie sich von der Augmentierung?
Synthetische Daten für die Fehlererkennung sind Defektbilder, die ein Computer erzeugt statt eine Kamera aufnimmt: gerenderte CAD-Modelle, simulierte Fehler oder Bilder aus einem generativen Modell. Die Datenaugmentierung ist anders, sie transformiert reale aufgenommene Bilder durch Spiegeln, Drehen, Ändern der Helligkeit oder Hinzufügen von Rauschen, um mehr Vielfalt aus den Beispielen zu pressen, die Sie bereits haben. Beide zielen auf denselben Mangel, zu wenige echte Defektbilder, aber sie starten von entgegengesetzten Orten: Augmentierung streckt echte Daten, Synthese erfindet neue Daten.
Die Unterscheidung zählt, weil die zwei unterschiedliche Risiken tragen. Augmentierung bleibt an echte Defekte gebunden, sodass ihr Fehlermodus begrenzte Vielfalt ist. Synthese ist an nichts Reales gebunden, sodass sie Defekte erzeugen kann, die einem Menschen überzeugend aussehen, aber so nie auf der Linie auftreten. 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 ausgelegt, dass die meisten Prüfaufgaben keine von beiden brauchen: Sie trainiert nur mit Gutteilen.
Wann helfen synthetische Daten wirklich?
Synthetische Daten helfen wirklich, wenn echte Defektbeispiele nahezu unmöglich zu bekommen sind. Manche Defekte sind gefährlich herzustellen, manche sind zerstörerisch oder teuer, sie absichtlich zu erzeugen, und manche sind so selten, dass auf sie zu warten keine Option ist. In diesen Fällen kann ein synthetischer Satz eine dünne Defektklasse genug auffüllen, damit ein überwachtes Modell ihre allgemeine Form lernt, und er kann gefährliche Fehlermodi abdecken, die Sie nie absichtlich fertigen würden. Der Bedarf an einer aufgefüllten Defektklasse gehört speziell zum überwachten Lernen, sodass die Wahl zwischen überwachter und unüberwachter Prüfung entscheidet, ob Sie überhaupt Defekte erzeugen müssen.
Konkrete Beispiele machen die Grenze klar. Ein Riss in einer sicherheitskritischen Schweißnaht, ein Bruch in einem Druckteil, eine Verunreinigung, die Sie in eine Lebensmittel- oder Pharmalinie nicht einbringen dürfen: diese absichtlich zu erzeugen ist unsicher, rechtswidrig oder ruinös teuer, sodass eine gerenderte oder simulierte Version der einzige Weg sein mag, einem überwachten Modell überhaupt eine Berührung damit zu geben. Das ist synthetische Daten am vertretbarsten, das Füllen einer Klasse, die Sie wirklich nicht von der Linie aufnehmen können.
Sie helfen auch als Ergänzung statt als Ersatz. Ein Datensatz, der von wenigen echten Defekten startet und sorgfältig erzeugte Variationen hinzufügt, validiert gegen die echten, kann die Abdeckung eines bekannten Fehlermodus verbessern. Der Schlüsselvorbehalt ist die Validierung: Synthetische Daten verdienen ihren Platz nur, wenn das Modell, das sie trainieren, gegen echte, zurückgehaltene Defekte getestet wird, nicht gegen weitere synthetische Bilder.
Wann führen synthetische Daten in die Irre?
Synthetische Daten führen in die Irre, wenn das Modell den Generator statt des Defekts lernt. Verfehlen gerenderte oder erzeugte Defekte die echte Textur, Optik und Beleuchtung der Linie, kann sich das Modell an die Artefakte des Renderers klammern, die verräterische Signatur davon, wie die Fälschung gemacht wurde, und im Test gut abschneiden, während es an realen Teilen versagt. Das ist die Domänenlücke, und sie ist das zentrale Risiko synthetischer Defektdaten.
Der Fehlermodus ist subtil, weil er sich hinter guten Metriken verbirgt. Ein Modell, das nur an weiteren synthetischen Daten validiert wurde, wird genau aussehen, dann den echten Defekt verpassen, den es fangen sollte, oder ein echtes Gutteil überausschleusen, dessen normale Textur der synthetische Satz nie zeigte. Falsche Defekte können auch einen Fehler lehren, der physisch so nie auftritt, sodass das Modell einem Ausfall nachjagt, den die Linie tatsächlich nicht produziert.
Die Domänenlücke weitet sich zudem über die Zeit. Ein synthetischer Satz ist im Moment seiner Erzeugung eingefroren, während eine reale Linie driftet: Materialchargen ändern sich, Werkzeuge verschleißen, Beleuchtung altert. Ein Modell, das auf den Renderings des letzten Quartals trainiert wurde, kann hinter die Teile dieses Quartals zurückfallen, und weil der synthetische Satz nicht von der Linie neu aufgenommen werden kann, bedeutet das Schließen dieser Lücke, den ganzen Satz neu zu erzeugen und neu zu validieren, statt eine frische Charge echter Teile zu fotografieren.
| Faktor | Hilft, wenn | Führt in die Irre, wenn |
|---|---|---|
| Defektverfügbarkeit | Echte Defekte sind gefährlich oder kaum aufzunehmen | Echte Defekte sind tatsächlich sammelbar |
| Realismus | Generator trifft reale Optik, Beleuchtung und Material | Renderings verfehlen echte Textur, das Modell lernt Artefakte |
| Fehlermodus | Synthetik reproduziert den echten physischen Fehler | Synthetik lehrt einen Fehler, der so nie auftritt |
| Validierung | Gegen zurückgehaltene echte Defekte getestet | Nur an weiteren synthetischen Bildern validiert |
Warum reduziert Anomalieerkennung nur mit Gutteilen den Bedarf an synthetischen Defekten?
Anomalieerkennung nur mit Gutteilen reduziert den Bedarf an synthetischen Defekten, weil sie Defekte gar nicht lernt. Sie lernt, wie ein gutes Teil aussieht, aus rund 20 echten Gutteil-Bildern und kennzeichnet Abweichung, sodass es keine dünne Defektklasse zum Auffüllen und keinen Fehlermodus zum Erfinden gibt. Die Daten, mit denen Sie trainieren, sind echt, reichlich und kommen bereits von der Linie, was sowohl das Sammelproblem als auch die Domänenlücke umgeht, die synthetische Daten einführen.
Es gibt einen operativen Grund, warum das an einer realen Linie zählt. Gutteile können neu aufgenommen werden, wann immer sich das Normale verschiebt, sodass Nachtraining eine Frage des Sammelns von rund 20 frischen Gutteil-Bildern und des erneuten Trainierens unter 48 Stunden ist, mit dem aktualisierten Modell per USB ausgeliefert, sogar an einer air-gapped Linie. Eine synthetische Pipeline hat keine solche Abkürzung: Jede Änderung am Teil bedeutet, den Generator neu zu bauen und ihn gegen echte Defekte neu zu validieren, die Sie noch finden müssen.
Das macht synthetische Daten nicht nutzlos, es verengt, wo sie die Mühe wert sind. Haben Sie einen bestimmten, wiederholbaren Defekt, den Sie als gelabelte Klasse im Fehler-Modus der Einheit wollen, kann ein sorgfältig validierter synthetischer Satz helfen. Für die seltenen, erstmaligen und unspezifizierten Defekte deckt der Anomalie-Modus sie nur mit Gutteilen ab, und das Training endet unter 48 Stunden. Öffentliche Benchmarks wie der MVTec-Anomalieerkennungs-Datensatz wurden genau deshalb gebaut, weil echte Defektdaten knapp sind, und sie messen Anomaliemethoden an echten, zurückgehaltenen Defekten, was der Maßstab ist, den synthetische Daten erfüllen müssen.
Eine Vertrauens-Checkliste: sollten Sie synthetische Defektdaten nutzen?
Bevor Sie einem synthetischen Defektsatz vertrauen, führen Sie ihn durch eine kurze Checkliste. Das Ziel ist, den Nutzen zu behalten, mehr Abdeckung eines schwer aufzunehmenden Defekts, ohne die Domänenlücke zu importieren.
- Können Sie den echten Defekt überhaupt sammeln? Wenn ja, bevorzugen Sie echte Bilder oder Anomalieerkennung nur mit Gutteilen.
- Reproduziert der Generator die reale Optik, Beleuchtung und das Material, nicht nur die Form?
- Wird das Modell an echten, zurückgehaltenen Defekten validiert, nie nur an synthetischen Bildern?
- Passt der synthetische Defekt dazu, wie der Fehler physisch auftritt, oder ist es eine eingebildete Version davon?
- Könnte Anomalieerkennung nur mit Gutteilen dies ohne jede Defekterzeugung abdecken?
Weisen die ehrlichen Antworten auf echte Daten oder nur Gutteile, ist das meist der kürzere und sicherere Weg. Für die vollständige Few-Shot-Methode siehe den Pfeiler-Leitfaden zur KI-Sichtprüfung; für die praktische 20-Bilder-Anleitung siehe den Schwester-Beitrag zum Prüfen mit 20 Bildern; und um den Ansatz auf eine Einheit und Montage abzustimmen, siehe die Systemseite.