Was "trainiert nur mit Gutteilen" wirklich bedeutet.

Was bedeutet "trainiert nur mit Gutteilen" wirklich?

Trainiert nur mit Gutteilen heißt: Ein Prüfmodell lernt das Aussehen eines guten, spezifikationsgerechten Teils aus einem kleinen Satz guter Beispiele, baut ein Bild davon, wie Normal aussieht, und bewertet dann jedes neue Teil danach, wie weit es sich von diesem Normal entfernt. Während des Trainings wird kein Fehlerbild gezeigt. Die Methode heißt auch Normal-only- oder Gutmuster-Training, und sie ist der Mechanismus hinter der Few-Shot-Anomalieerkennung.

Der Kontrast ist die überwachte Klassifikation, die aus guten und fehlerhaften Teilen lernt und jeden Fehlertyp vorab gelabelt braucht. Nur-Gutteile dreht das um: Es modelliert nur die Gut-Klasse und behandelt alles, was weit genug davon entfernt ist, als Fehlerkandidaten. Sie bringen dem Modell keine Liste von Makeln bei, nach denen es suchen soll, sondern wie Richtig aussieht.

Adente Vision ist eine Edge-KI-Sichtprüfeinheit von ADENTE Advanced Engineering Technologies, Teil der Aden-Gruppe, vertrieben über Automatisierungs-Systemintegratoren, und dieser Nur-Gutteile-Ansatz ist der Weg, auf dem sie ein neues Teil aus rund 20 Referenzbildern zu prüfen beginnt.

Warum kollabiert der Projektzeitplan, wenn die Fehlersammlung entfällt?

Die Fehlersammlung zu überspringen entfernt den langsamsten Einzelschritt eines traditionellen Prüfprojekts. Muss ein Modell mit gelabelten Fehlern trainiert werden, muss jemand genug Beispiele jedes Fehlermodus finden, erzeugen oder abwarten, sie konsistent fotografieren und jedes labeln. An einer gut laufenden Linie sind diese Fehler selten, die Sammelphase allein kann also Wochen oder Monate laufen. Diese Spanne ist branchentypisch, keine Adente-Zahl.

Nur-Gutteile überspringt diese Phase komplett. Gutteile sind das eine, was eine Produktionslinie im Überfluss hat; die Daten, die Sie brauchen, kommen also bereits von der Linie. Rund 20 repräsentative gute Bilder reichen zum Beginn, das Modelltraining ist unter 48 Stunden fertig, und die Einheit selbst ist in etwa 30 Minuten montiert. Eine neue Prüfaufgabe wird zu einem Zwei-Tage-Job statt einer monatelangen Datensammelübung.

Es ändert auch, was eine Linienumrüstung kostet. Ein neues Teil oder eine Variante heißt nicht mehr, die Fehlersammlung neu zu starten, sondern rund 20 gute Bilder des neuen Teils zu erfassen und nachzutrainieren.

Wie vergleicht sich ein Nur-Gutteile-Projekt mit einem fehlergelabelten?

Die beiden Ansätze gehen vom ersten Projekttag an auseinander, nicht nur bei der Genauigkeit, sondern auch darin, welche Arbeit anfällt und wann Sie live gehen können.

Wie kann ein Modell einen Fehler fangen, den es nie gesehen hat?

Ein Nur-Gutteile-Modell fängt einen ungesehenen Fehler, weil es gar nicht nach Fehlern sucht, sondern nach Abweichung von Normal. Hat es einmal modelliert, wie ein Gutteil aussieht, punktet jedes Teil, das weit genug von diesem gelernten Normal abweicht, als anomal, ob dieser konkrete Makel je im Training vorkam oder nicht. Ein erstmals gesehener Kratzer, eine unvollständige Füllung, eine Verunreinigung, die niemand spezifiziert hat: Jedes liest sich als Abweichung von Gut, das Nur-Gutteile-Setup, das öffentliche Benchmarks wie der MVTec Anomaly Detection Datensatz messen.

Das ist der strukturelle Vorteil gegenüber einer Regel oder einem überwachten Klassifikator, die nur den Fehler fangen können, der vorab beschrieben oder gelabelt wurde. Von den fünf Prüfmodi der Einheit, Anomalie- & Defekterkennung, Montage & fehlende Teile, Code-Lesung, Messung und Teile-Identifikation, ist der Anomaliemodus der auf dieser Abweichungslogik gebaute, und er wird mit klassischer Bildverarbeitung für die Messung kombiniert, damit das Ergebnis auditierbar bleibt statt eine Black Box zu sein.

Der Preis ist, dass die Abweichungsbewertung eine Distanz liefert, kein Urteil; Sie setzen also einen Schwellenwert, der den Score in ein Gut/Schlecht-Signal an die SPS verwandelt. Wo Sie ihn setzen, entscheidet die Balance zwischen dem Fangen jeder Abweichung und dem Überausschleusen normaler Streuung.

Was muss der "Gut"-Satz wirklich enthalten?

Der Gutsatz muss die volle natürliche Streuung eines Gutteils enthalten, nicht eine Handvoll perfekter Exemplare. Echte Gutteile unterscheiden sich in Farbe, Textur, Position, Oberflächengüte und Lichtverhalten innerhalb des Bereichs, den die Qualität akzeptiert. Erfassen die 20 Bilder nur makellose, identische Beispiele, lernt das Modell ein unrealistisch enges Normal und weist gewöhnliche Streuung innerhalb der Spezifikation zurück, als wäre sie ein Fehler. Das ist die häufigste Ursache für Überausschuss in einem Nur-Gutteile-Einsatz.

Das Ziel bei der Wahl der Gut-Bilder ist also Repräsentativität, nicht Perfektion. Nehmen Sie die akzeptable Streuung auf: verschiedene Chargen, die Spanne der Positionen, in denen sich das Teil wirklich präsentiert, die Beleuchtung, die die Linie wirklich nutzt. Die konfigurierbare Beleuchtung der Einheit und die 12-MP-Global-Shutter-Aufnahme helfen, diese Bilder konsistent zu halten, aber das Urteil, was als akzeptable Streuung zählt, ist eine Qualitätsentscheidung, und sie gehört mit Absicht in den Gutsatz. Wo diese Grenze verläuft, was gewöhnliche Streuung ist und was ein echter Fehler, arbeitet der Beitrag natürliche Streuung gegenüber echten Fehlern durch.

Ein sauberer, repräsentativer Gutsatz und ein auf Ihre Pseudoausschusskosten abgestimmter Schwellenwert trennen ein Nur-Gutteile-Modell, das leise läuft, von einem, das den Bediener nervt.

Hält Nur-Gutteile in der Produktion stand?

Nur-Gutteile hält in der Produktion stand, wo es zählt, bei Genauigkeit und Geschwindigkeit. An einer laufenden Verschlussprüflinie erreicht eine so trainierte Adente-Vision-Einheit einen F1-Score von 99,65 % bei einer Falsch-Negativ-Rate von 0,69 % und rund 30 ms pro Teil und weist gebrochene, nicht geschlossene und am Scharnier beschädigte Verschlüsse im Moment des Vorbeilaufens zurück. Das ist ein Nur-Gutteile-Modell in der Produktionsprüfung bei Liniengeschwindigkeit, kein Laborergebnis.

Die Katalogangabe zum Durchsatz liegt bei 0,5 s pro Teil mit 100+ Teilen pro Minute, und die gemessenen 30 ms sind der Feldwert dieser Installation. Die Zahl, auf die Sie sich an Ihrer eigenen Linie festlegen können, braucht weiterhin eine anwendungsspezifische Messung an Ihren Teilen und Ihrer Beleuchtung, aber der Mechanismus ist derselbe wie hinter dem Verschlusslinien-Ergebnis. Die vollständige Methode hinter Few-Shot- und Anomalieerkennung zeigt der Leitfaden zur KI-Sichtprüfung; die praktische "20 Bilder reichen"-Anleitung der Schwesterbeitrag über das Prüfen mit 20 Bildern; und den Ansatz auf Einheit und Montage abbilden können Sie auf der Systemseite.