Aktualisiert Juli 2026 · 6 Min. Lesezeit · Mert Aytunur · Mechanical Engineer, University of Illinois Chicago
Der häufigste Einwand gegen KI-Inspektion ist ein berechtigter: wie kann ein Modell einen Fehler fangen, den es nie gesehen hat? Wenn es aus Beispielen lernt und der Fehler nicht in den Beispielen war, muss es doch blind dafür sein. Die Antwort: ein gut gebautes Prüfmodell lernt Fehler gar nicht erst.
Was lernt das Modell tatsächlich?
Es lernt normal. Mit rund 20 Gutteilen baut das Modell ein inneres Bild davon, wie ein gutes Teil über seine natürliche Variation hinweg aussieht. Es merkt sich keine Mängel, nach denen es suchen soll, es lernt die Form von "akzeptabel" so eng, dass alles außerhalb auffällt.
Wie markiert die Abweichungsbewertung einen unbekannten Fehler?
Zur Laufzeit wird jedes neue Teil mit diesem gelernten Normal verglichen und erhält einen Abweichungswert: wie weit es von einem Gutteil entfernt liegt. Ein Kratzer, ein Short Shot, ein fehlendes Bauteil, nichts davon war im Trainingsset, doch jedes davon schiebt das Teil von normal weg, und ein Schwellenwert übersetzt diesen Abstand in ein Gut- oder Schlecht-Signal an die SPS. Weil die Entscheidung Abstand-von-gut statt Abgleich-mit-Fehler ist, muss der Mangel nicht vorher gesehen worden sein. Der Spritzguss ist das klarste Beispiel: Fehlschuss, Grat und Einfallstelle registrieren sich als Abstand von einem Gutschuss statt als katalogisierte Fehler, und genau darauf baut die Qualitätskontrolle im Spritzguss mit KI. Wie Konfidenz und Schwellenwert arbeiten, zeigt der Leitfaden zur KI-Sichtprüfung.
Regelbasiert vs. unüberwacht bei bekannten und unbekannten Fehlern
| Fall | Regelbasiert / überwacht | Unüberwacht (Anomalie) |
|---|---|---|
| Bekannter, im Training gesehener Fehler | Fängt ihn | Fängt ihn |
| Erstmals auftretender oder einmaliger Fehler | Übersieht ihn, keine Regel, kein Label | Markiert ihn als Abweichung |
| Was es lernt | Eine Liste definierter Fehler | Das Aussehen eines Gutteils |
| Benötigte Daten | Viele gelabelte Fehlerbilder | Rund 20 gute Bilder |
| Entscheidungsbasis | Abgleich mit einem bekannten Fehler | Abstand von normal |
Die zweite Zeile ist das ganze Argument. Eine Regel oder ein überwachtes Label kann nur fangen, was jemand vorab definiert hat; die Abweichungsbewertung fängt den Fehler, den niemand vorhergesehen hat, die Aufgabe, die öffentliche Benchmarks wie der MVTec Anomaly Detection Datensatz messen. Wann eine feste Regel dennoch das bessere Werkzeug ist, zeigt regelbasierte vs. KI-Bildverarbeitung.
Wo liegen die Grenzen, und ist es bewiesen?
Anomalieerkennung sagt Ihnen, dass ein Teil abweicht, nicht immer warum, und die Beleuchtung ist die eigentliche Grenze: ein Fehler, der im Bild nie erscheint, kann nicht bewertet werden. Für eine präzise bekannte Messung ist klassische Bildverarbeitung besser, weshalb die Einheit beides ausführt. An einer laufenden Verschlussprüflinie erreichte der Ansatz einen F1-Score von 99,65 % bei einer Falsch-Negativ-Rate von 0,69 % und rund 30 ms pro Teil. 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. Wo sie hinpasst, zeigen die realen Anwendungen.