KI-Sichtprüfung: der komplette Leitfaden.

Was ist KI-Sichtprüfung?

KI-Sichtprüfung ist der Einsatz von Machine-Learning-Modellen, die auf Bildern einer Industriekamera arbeiten, um an einem Teil in der Produktionslinie eine automatische Qualitätsentscheidung zu treffen. Statt dass ein Bediener jedes Teil beurteilt, erfasst das System ein getriggertes Bild, analysiert es und liefert ein Gut-/Schlecht-Ergebnis mit einem Konfidenzwert, schnell genug für den Linientakt.

Ein vollständiges System besteht aus vier zusammenwirkenden Elementen: eine auf das Teil abgestimmte Kamera mit Objektiv, kontrollierte Beleuchtung, die Schatten und Glanz beseitigt, ein Rechner, der das Modell ausführt, und Prüfsoftware, die die Modellausgabe in ein Signal übersetzt, auf das die Linie reagieren kann. Als ein Paket geliefert, wird das System am Prüfpunkt installiert, ohne ein separates Bildverarbeitungsprojekt.

Wie unterscheidet sich KI-Inspektion von regelbasierter Bildverarbeitung?

Regelbasierte Bildverarbeitung folgt festen, handgeschriebenen Regeln und funktioniert nur, wenn das Merkmal gut definiert und die Beleuchtung stabil ist. KI-Inspektion lernt stattdessen das Aussehen guter (und, wo nützlich, schlechter) Teile aus Beispielen und bewältigt so Variation, seltene Fehler und komplexe Oberflächen, die keine feste Regel beschreiben kann.

Beide ergänzen sich. Eine verbreitete Architektur der Jahre 2024 bis 2026 kombiniert einen regelbasierten Vorfilter, der die offensichtlichen Fälle abfängt, mit einer KI-Zweitstufe, die die Grauzone klassifiziert, also den Grenzfall oder die seltenen Fehler, die eine Regel nicht ausdrücken kann.

Was ist Anomalieerkennung in der Sichtprüfung?

Anomalieerkennung lernt nur das Aussehen guter Teile und markiert alles, was von dieser gelernten Grundgesamtheit abweicht. Sie braucht keine Beispiele jedes möglichen Fehlers, und das ist entscheidend, denn in der echten Produktion sind Fehler selten und ein gelabeltes Bild jedes Fehlerbilds liegt selten vor, bevor er auftritt. Sie ist das richtige Werkzeug, wenn Fehler vorab schwer zu sammeln sind, wenn neue Fehlerbilder auftauchen und wenn die Kosten eines übersehenen ungewöhnlichen Fehlers hoch sind.

Was bedeutet Anlernen mit wenigen Gutteilen (Few-Shot)?

Few-Shot-Lernen trainiert ein einsatzfähiges Prüfmodell aus einer Handvoll Gutteilen, oft rund 20, statt der Tausenden Bilder, die ein klassisches Deep-Learning-Modell braucht. Das ist der Unterschied zwischen einem System, das in einem einzigen Besuch in Betrieb geht, und einem, das eine monatelange Datensammlung braucht. Der Marktnormalfall sind 200 bis 500 Gutteile, deshalb ist ein Start ab etwa 20 ein deutlicher Vorteil. Mit Anomalieerkennung kombiniert, also mit 20 Gutteilen anlernen und den Rest markieren, passt es sich schnell an ein neues Teil an und fängt trotzdem den Fehler, den niemand vorab fotografiert hat.

Was ist Fehlererkennung?

Fehlererkennung findet bekannte und unbekannte Mängel an einem Teil: Oberflächenfehler wie Kratzer und Verschmutzung, strukturelle Schäden wie Risse und Brüche sowie Druck- oder Farbfehler. Sie kann unüberwacht laufen (nur mit Gutteilen trainiert, markiert alles Auffällige) oder überwacht (mit einem kleinen gelabelten Set trainiert, um den konkreten Fehlertyp zu benennen). Die stärksten Systeme bieten beides.

Was sind Teileerkennung und Klassifikation?

Teileerkennung bestimmt, welches Teil oder welche Variante die Kamera sieht, und die Klassifikation ordnet es der richtigen Kategorie zu. An einer Mischlinie wird so jedes Teil korrekt geleitet, etwa indem dem Roboter mitgeteilt wird, welches Programm zu fahren ist, ohne manuellen Rüstwechsel. Anwesenheits- und Montageprüfung sowie das Lesen von Barcode, Etikett und OCR sind verwandte, aber eigene Prüfaufgaben; zusammen mit der Erkennung verbinden sie das physische Teil mit seinem Datensatz.

Was sind Positions- und Merkmalsbestimmung?

Positionsbestimmung misst, wo ein Merkmal an einem Teil sitzt, also die Koordinaten einer Bohrung, eines Vorsprungs oder einer Kante, und die Merkmalsbestimmung lokalisiert und misst diese Merkmale auf eine Toleranz, in Millimetern. Weil die Ausgabe eine Zahl ist und nicht nur ein Urteil, speist sie die statistische Prozesslenkung.

Warum läuft die Inspektion am Edge statt in der Cloud?

Edge-Inferenz führt das Modell auf einem Rechner an der Linie aus, sodass das Bild lokal in Echtzeit analysiert und die Entscheidung dort getroffen wird. Entscheidungen im Linientakt können nicht auf Netzlatenz warten, und die meisten Werke senden keine rohen Produktionsbilder nach außen.

Welche Hardware braucht eine Sichtprüfeinheit?

Eine Prüfeinheit braucht vier aufeinander abgestimmte Komponenten. Sie aufeinander abzustimmen trennt eine zuverlässige Installation von einer, die mit den Linienbedingungen driftet. Eine Global-Shutter-Kamera zählt an bewegten Linien, und die Beleuchtung ist oft der größte Einzelfaktor für Zuverlässigkeit.

Wie integriert sich eine Prüfeinheit in die Linie?

Die Einheit erhält für jedes Teil einen Trigger, trifft ihre Entscheidung und sendet ein Gut-/Schlecht-Ergebnis über ein Industrieprotokoll oder diskrete E/A an die SPS. Ein einziges Kabel zur SPS und eine Triggerquelle genügen, um an den meisten Stationen eine Prüfung zu ergänzen.

Welche Genauigkeit und Geschwindigkeit erreicht KI-Inspektion?

Moderne KI-Inspektion prüft Dutzende Teile pro Sekunde und erreicht dabei routinemäßig über 99 % Genauigkeit, doch entscheidend sind die an Ihrem Teil gemessenen Zahlen. Zwei Metriken erzählen den Großteil der Geschichte: der F1-Score und die Falsch-Negativ-Rate.

Wie viele Daten braucht KI-Inspektion zum Training?

Ein anomaliebasiertes Few-Shot-System kann ab rund 20 Referenz-Gutteilen starten, während ein überwachter Klassifikator ein kleines gelabeltes Set je Fehlerklasse braucht, die er benennen soll. Die alte Annahme von Tausenden gelabelten Bildern gilt nur für das klassische überwachte Deep Learning. Weil die Datenlast klein ist, verlagert sich der Engpass auf Beleuchtung und Vorrichtung: ein sauberes, wiederholbares Bild ist nun die schwerere Hälfte der Aufgabe.

Von den Mustern zum Modell: wo wird trainiert?

Die Muster werden an der Linie erfasst, der Trainingslauf muss dort aber nicht stattfinden. Im Ablauf von Adente Vision werden rund 20 Gutteile in der geführten Einrichtungssoftware aufgenommen, der Teilebereich wird markiert und die Muster werden hochgeladen; Training und Validierung laufen bei Adente, und das fertige Modell wird der Station zugewiesen und aus der Software heruntergeladen, binnen 48 Stunden. Die Linie braucht weder Machine-Learning-Wissen noch Trainingshardware, jede Modellversion wird vor dem Produktivgang validiert, und die Vorversion bleibt als Rückfallebene erhalten.

Wie wird eine Prüfeinheit an einer Linie installiert?

Die Einheit ist in rund 30 Minuten installiert: Gehäuse am Prüfpunkt montieren, Kamera über die Live-Vorschau der Einrichtungssoftware ausrichten, Prüfmodus und Toleranz im Einrichtungsassistenten wählen sowie Trigger und SPS verdrahten. Die Einheit wiegt unter neun Kilogramm; eine Person erledigt die gesamte Installation, und der Lösungspartner besitzt die Umsetzung vom ersten Bolzen bis zum ersten geprüften Teil. Die ersten Muster werden im selben Besuch erfasst; das trainierte Modell landet binnen 48 Stunden auf der Station.

Welche Branchen nutzen KI-Sichtprüfung?

KI-Sichtprüfung wird in der diskreten Fertigung überall dort eingesetzt, wo Qualität visuell beurteilt wird und der Linientakt manuelle Prüfung unzuverlässig macht. Am besten passt jedes Teil mit Oberflächenfehlern, seltenen Anomalien, Variantenmix oder Toleranzen bei der Merkmalsposition.

Vier Wege, Bildverarbeitung zu kaufen: wie auswählen

Es gibt vier Wege, Bildverarbeitung zu kaufen, und die richtige Wahl hängt davon ab, wie speziell Ihr Problem ist und wer das Ergebnis besitzt. Die Schlüsselfrage ist die Eignerschaft: Wenn ein Team Kamera, Rechner und Modell als ein Produkt auswählt und integriert, bleibt nichts übrig, das Sie selbst zusammenfügen müssten, und es gibt keine Herstellerbindung an die KI.

Wie arbeitet Adente Vision?

Adente Vision ist eine Edge-KI-Einheit für die Sichtprüfung, entwickelt von ADENTE Advanced Engineering Technologies innerhalb der Aden Group und vertrieben über Automatisierungs-Lösungspartner. Kamera, Beleuchtung, Edge-Rechner und Prüfsoftware kommen als ein Paket in einem Gehäuse aus Adentes eigener Entwicklung und Fertigung und werden in etwa dreißig Minuten an der Linie installiert. Welche Prüfaufgabe die Station übernimmt, wird im Feld gewählt, im Einrichtungsassistenten; fünf Modi sind vorinstalliert. Die Einheit erkennt fehlerhafte Teile, erkennt und klassifiziert das gesehene Teil und lokalisiert eine Bohrung oder ein Merkmal auf den Millimeter, für Qualitätskontrolle und Prozessverbesserung. Sie wird als ein Produkt entwickelt, montiert und betreut, KI-Modell und Software entstehen im eigenen Haus, und Produktionsbilder verlassen die Linie nie; an Adente gehen nur die Trainingsmuster, die Sie hochladen.

Was macht Adente Vision anders?

Adente Vision hebt sich ab, indem es den gesamten Stack besitzt, Hardware, Software und KI, und mit Beweisen statt Adjektiven überzeugt:

• Anomalie- / Seltenfehler- / Few-Shot-Fokus: trainiert nur mit Gutteilen, ab 20 Teilen.
• Ein Produkt, ein Team: die Einheit kommt als ein Produkt in einem Gehäuse aus Adentes eigener Entwicklung und Fertigung; Software, KI und Support kommen aus demselben Team, keine Bindung.
• Auf dem Gerät, in Echtzeit: ~30 ms pro Teil, Daten bleiben im Werk, keine Cloud nötig.
• Belegte Feldwerte: 99,65 % F1, 0,69 % Falsch-Negativ, Modell in unter 48 Stunden geliefert.
• Schnell einsatzbereit: in rund 30 Minuten vom Lösungspartner installiert.