Computer Vision für die Qualitätsprüfung in produzierenden KMU

Computer Vision für die Qualitätsprüfung ist einer der wenigen KI-Anwendungsfälle in der Fertigung mit einer wirklich klaren Amortisationsgeschichte. Eine Kamera, ein Modell und ein Ausschleussignal erkennen Fehler, die ein müdes menschliches Auge um 2 Uhr nachts übersieht. Doch zwischen einer überzeugenden Demo und einem System, das drei Schichten am Tag unbeaufsichtigt läuft, liegen Welten. Dieser Leitfaden richtet sich an Verantwortliche für Produktion, Qualität und digitale Transformation in mittelständischen Fertigungsunternehmen, die wissen wollen, ob sich die Sichtprüfung auf ihrer Linie automatisieren lässt und wie sie die teuren Fehler vermeiden, an denen die meisten Erstprojekte scheitern.

Wir arbeiten vor allem an KI-Projekten in der Fertigung in und um München, und das Muster ist immer dasselbe: die Technologie ist selten der Engpass. Der Engpass ist die Wahl der richtigen Station, die Beschaffung sauber gelabelter Bilder und die saubere Integration in die Anlagen, die Sie ohnehin betreiben. Gehen wir das ehrlich durch, einschließlich der Fälle, in denen Sie besser gar nicht automatisieren.

1. Wann sich die Automatisierung der Sichtprüfung lohnt

Automatisierte Prüfung rechnet sich, wenn der Fehler visuell unterscheidbar ist, die Prüfung sich ständig wiederholt und die Kosten eines übersehenen oder falschen Ausschusses hoch sind. Gute Kandidaten haben einige Merkmale gemeinsam:

• Hohe Stückzahl mit manueller 100-Prozent-Prüfung. Wenn ein Mensch jedes Teil begutachtet, zahlen Sie laufende Lohnkosten und nehmen menschliche Ermüdung in Kauf. Genau dort spielt eine Kamera ihre Stärken aus.
• Fehler mit visueller Signatur. Kratzer, fehlende Bauteile, Schweißporen, Oberflächenverunreinigungen, Etiketten- und Druckfehler, Füllstände, grobe Maßkontrollen. Was eine geschulte Fachkraft sehen kann, sieht ein Modell in der Regel auch.
• Stabile Präsentation. Das Teil trifft in einer halbwegs wiederholbaren Position und Ausrichtung ein oder lässt sich entsprechend aufnehmen.
• Spürbare Kosten eines Durchschlupfs. Ein Fehler, der beim Kunden ankommt, löst einen Rückruf, einen Gewährleistungsfall oder einen Linienstillstand aus.

Wann Sie NICHT automatisieren sollten. Seien Sie bei den schlechten Passungen ehrlich. Ist Ihre Fehlerquote ohnehin extrem niedrig und sind die Fehler selten und sehr unterschiedlich, werden Sie kaum genug Beispiele für ein verlässliches Training zusammenbekommen; ein klassisches regelbasiertes Vision-Werkzeug oder eine erfahrene Prüfkraft ist dann oft günstiger und besser. Ist der Fehler im 2D-Bild praktisch unsichtbar, zaubert ihn kein Modell hervor. Wechselt Ihr Produktmix wöchentlich ohne gemeinsame visuelle Grammatik, können die Kosten für Neutraining und Neuvalidierung den Nutzen übersteigen. Und wenn die Prüfung eine echte Ermessensfrage ist, über die selbst Ihre Fachleute uneins sind, haben Sie ein Labelling-Problem und keine Automatisierungschance.

2. Welche Daten Sie brauchen

Vision-Projekte stehen und fallen mit den Daten, und KMU unterschätzen das regelmäßig. Sie brauchen repräsentative Bilder sowohl von Gutteilen als auch von den Fehlern, um die es geht, aufgenommen unter der Beleuchtung und Optik, die Sie später einsetzen wollen. Ein paar Punkte aus der Praxis:

• Fehlerbeispiele sind die knappe Ressource. Gutteile sind einfach; davon fertigen Sie Tausende pro Tag. Die Fehler sind konstruktiv selten. Fangen Sie schon vor dem Projektstart an, Fehlerbilder samt Fehlerart zu sammeln und zu archivieren.
• Label-Qualität schlägt Label-Menge. Ein paar hundert sorgfältig und konsistent gelabelte Bilder schlagen oft Tausende schlampige. Vereinbaren Sie zuerst eine schriftliche Fehlertaxonomie mit Ihrer Qualitätssicherung.
• Erfassen Sie die reale Streuung. Verschiedene Chargen, Lieferanten, Schichten und Tageszeiten erzeugen Schwankungen in Farbe, Glanz und Verschmutzung. Ihr Trainingsdatensatz muss diese Bandbreite abbilden, sonst versagt das Modell beim ersten Abdriften der Bedingungen.
• Augmentierung und synthetische Daten mit Bedacht einsetzen. Für manche Fehlerklassen lassen sich Varianten erzeugen, aber synthetische Daten sind eine Ergänzung und kein Ersatz für echte Beispiele Ihrer tatsächlichen Fehlerbilder.

Wenn Sie noch nicht sagen können, wie viele gelabelte Fehlerbilder Sie je Kategorie besitzen, ist das die erste Baustelle. Ein AI Readiness Audit setzt meist genau hier an, denn die Datenlage entscheidet, ob ein Pilot in diesem Quartal überhaupt machbar ist oder erst im nächsten Jahr.

3. Häufige Fehlerquellen

Die meisten Vision-Installationen scheitern auf vorhersehbare Weise. Wer sie kennt, kann von vornherein um sie herum konstruieren:

• Drift der Beleuchtung. Ein unter einer Lichtsituation trainiertes Modell verschlechtert sich unbemerkt, wenn sich das Umgebungslicht ändert, eine Lampe altert oder Nachmittagssonne durch ein Fenster fällt. Eine kontrollierte, gekapselte Beleuchtung ist Pflicht.
• Verschiebung der Datenverteilung. Ein neuer Lieferant, ein angepasster Prozess oder eine andere Materialoberfläche verändern die Bilder. Das Modell kann nicht wissen, dass sich die Welt bewegt hat. Sie brauchen ein Monitoring, das meldet, wenn Eingangsdaten ungewohnt aussehen.
• Klassenungleichgewicht. Liegt der Fehleranteil im Promillebereich, wirkt ein Modell, das schlicht immer "gut" sagt, treffsicher und ist doch nutzlos. Messen Sie, worauf es ankommt: Erkennungsrate bei echten Fehlern und Pseudoausschussrate, nicht die plakative Genauigkeit.
• Die Demo-Falle. Ein Modell, das auf einem kuratierten Testdatensatz glänzt, kann auf der Linie einbrechen, weil im Testdatensatz nie die unsauberen, grenzwertigen, teilweise verdeckten Teile vorkamen, die die Produktion liefert.
• Kein Weg für den Menschen im Prozess. Ohne einen klaren Pfad, auf dem Bedienpersonal Grenzfälle prüft und Korrekturen zurückspielt, kann sich das System nicht verbessern, und das Vertrauen bröckelt.

4. Make or Buy

Es gibt keine allgemeingültige Antwort, sondern eine Entscheidung, die zu Ihrer Situation passt.

Kaufen (oder eine Plattform nutzen) sollten Sie, wenn Ihre Prüfaufgabe halbwegs standardisiert ist, Sie planbaren Support wollen und lieber eine Lizenz bezahlen, als ein eigenes Vision-Team aufzubauen. Smarte Kameras und Inspektionsplattformen von der Stange sind deutlich reifer geworden und decken einen großen Teil der üblichen Oberflächen- und Anwesenheitsprüfungen per Konfiguration statt mit eigenem Code ab. Für viele KMU ist das der richtige Einstieg.

Selbst bauen sollten Sie, wenn Ihr Fehlerbild ungewöhnlich ist, Ihre Integrationsanforderungen speziell sind, Ihre Daten wirklich proprietär und differenzierend sind oder Sie mehrere Prüfstationen haben, die eine gemeinsame interne Kompetenz rechtfertigen. Eine Eigenentwicklung gibt Ihnen Kontrolle und vermeidet schleichende Lizenzkosten pro Arbeitsplatz, verpflichtet Sie aber dazu, den Modell-Lebenszyklus zu tragen: Neutraining, Monitoring und Validierung.

Ein pragmatischer Mittelweg ist verbreitet: Kamera und Edge-Hardware kaufen, ein etabliertes Framework nutzen und den eigenen Aufwand nur in das Modell und in die Integrationsschicht stecken, die für Ihre Linie spezifisch ist. Bauen Sie keine Infrastruktur nach, die ein Anbieter bereits gut beherrscht; investieren Sie Ihre knappe Entwicklungszeit in den Teil, der wirklich einzigartig ist.

5. Pilotdesign

Behandeln Sie den Piloten als Experiment mit schriftlicher Hypothese und nicht als Beschaffung. Ein sauber zugeschnittener Pilot beantwortet eine Frage: Erkennt das System unsere Fehler auf unserer Linie bei einer akzeptablen Pseudoausschussrate? So bauen Sie ihn auf:

• Eine Station und eine Fehlerfamilie auswählen. Widerstehen Sie dem Drang, alles auf einmal zu lösen. Nehmen Sie die Prüfung mit der klarsten Wirtschaftlichkeit und der besten Datenlage.
• Zuerst im Schattenbetrieb fahren. Lassen Sie das System parallel zum bestehenden Ablauf Vorhersagen treffen, ohne dass sie Wirkung entfalten. Vergleichen Sie seine Urteile mit denen der Prüfkräfte, bevor Sie ihm erlauben, Teile auszuschleusen.
• Abnahmekriterien vorab festlegen. Entscheiden Sie vor dem Start gemeinsam mit der Qualitätssicherung, welche Erkennungsrate und welche Pseudoausschussrate als Erfolg gelten. Nachträglich verschobene Ziele sind der Grund, warum Piloten ewig laufen.
• Zeitfenster setzen. Sechs bis zwölf Wochen reichen meist, um zu lernen, ob der Ansatz trägt. Konvergiert er nicht, ist auch das ein gültiges und günstiges Ergebnis.
• Die Rückkopplung ab Tag eins einplanen. Bedienpersonal braucht einen schnellen Weg, Abweichungen zu markieren, damit Modell und Team gemeinsam dazulernen.

6. ROI-Kennzahlen (qualitativ)

Widerstehen Sie der Versuchung, mit einer Prozentzahl zu starten, die Sie nicht belegen können. Bauen Sie den Business Case aus den Hebeln, die sich auf Ihrer Linie tatsächlich bewegen, und beziffern Sie sie mit Ihren eigenen Zahlen:

• Vermiedene Kosten durchgeschlüpfter Fehler. Gewährleistung, Rückruf, Ausschuss beim Kunden und Reputationsschaden durch Fehler, die heute durchrutschen.
• Umgelenkte Prüfarbeit. Stunden manueller 100-Prozent-Prüfung, die in wertschöpfendere Tätigkeiten fließen können, statt Stellenabbau.
• Durchsatz und Gleichmäßigkeit. Eine Kamera wird zum Schichtende nicht müde, die Qualität ist also über Schichten und Personen hinweg einheitlicher.
• Frühere Erkennung. Eine Prozessdrift schon an der Prüfstation zu erkennen, bevor eine ganze schlechte Charge entsteht, ist oft die größte verborgene Einsparung.
• Die Kostenseite, ehrlich betrachtet. Hardware, Integration, Validierung sowie der laufende Aufwand für Neutraining und Monitoring. Ein System, das dauernd betreut werden muss, kann seinen eigenen Nutzen aufzehren.

7. Randbedingungen der Inbetriebnahme

Hier trifft der vielversprechende Pilot auf die harte Wirklichkeit. Das Modell ist der leichte Teil; die Arbeit steckt im Einbau in eine laufende Linie.

• Beleuchtung. Der mit Abstand entscheidendste Faktor. Kapseln Sie den Prüfpunkt, kontrollieren Sie die Lichtquelle und standardisieren Sie sie. Eine gleichmäßige, fehleraufdeckende Ausleuchtung zählt oft mehr als die Modellarchitektur.
• Liniengeschwindigkeit. Das System hat ein festes Zeitbudget pro Teil. Bildaufnahme, Inferenz und Ausschleusentscheidung müssen gemeinsam in die Taktzeit bei voller Produktionsgeschwindigkeit passen und nicht in das gemächliche Tempo einer Demo.
• Edge-Hardware. Viele Linien vertragen aus Gründen der Latenz, der Verfügbarkeit oder der Datenrichtlinien keinen Umweg über einen Cloud-Server. Die Inferenz muss dann auf einem industriellen Edge-Gerät nahe der Kamera laufen, was Modellgröße und nutzbares Framework einschränkt.
• Anbindung an SPS und MES. Eine Ausschleusentscheidung nützt nur, wenn sie eine Aktion auslöst. Das bedeutet einen sauberen digitalen Handshake mit der SPS, um die Ausschleusmechanik anzusteuern, und eine Rückmeldung ins MES, damit Fehlerdaten protokolliert, rückverfolgbar und neben Ihren übrigen Qualitätsaufzeichnungen sichtbar sind. Dieser Integrationsaufwand wird regelmäßig unterschätzt, und genau hier wünschen Sie sich einen erfahrenen Partner.
• Wartung und Verantwortung. Kameras driften, Objektive verschmutzen, Prozesse ändern sich. Jemand muss Rekalibrierung, Neutraining und Monitoring verantworten. Klären Sie vor dem Produktivstart, wer das ist.

Nichts davon ist exotisch, aber alles muss gleichzeitig stimmen. Erfolgreiche Teams behandeln die Sichtprüfung als Projekt der Produktionstechnik mit einem KI-Anteil und nicht als KI-Projekt, das zufällig in einer Fabrikhalle stattfindet. Es andersherum anzugehen, gehört zu den fünf Fehlern, die Unternehmen bei der KI-Integration machen.

Wo Sie anfangen

Zwei frühere Beiträge lohnen sich begleitend: woran Sie erkennen, ob Ihr Unternehmen bereit für KI ist behandelt die Daten- und Prozessgrundlagen, die ein Vision-Pilot voraussetzt, und was Sie vom ROI von Machine Learning erwarten können nennt realistische Bandbreiten für Erträge in der Qualitätsprüfung.

Wenn Sie eine Prüfstation haben, die weh tut, Fehlerbilder in einem Ordner und ein Qualitätsteam, das sich einig ist, was ein Fehler ist, sind Sie weiter als die meisten. Der richtige erste Schritt ist nicht der Kauf einer Kamera. Er besteht darin, zu bestätigen, dass die Sichtprüfung wirklich Ihr ertragreichster Pilot ist, bevor irgendein Hardwarebudget gebunden wird.

Häufige Fragen

Wie viele Fehlerbilder braucht ein Prüfmodell?

Weniger als erwartet für häufige Fehlerklassen, mehr als erwartet für seltene. Einige Hundert Beispiele je Fehlerart sind ein brauchbarer Start. Die härtere Beschränkung ist Abdeckung: Jede Beleuchtungssituation, Produktvariante und Kameraposition aus der Produktion muss vertreten sein.

Was, wenn wir keine Fehlerbilder haben, weil Fehler selten sind?

Dann gehen Sie es als Anomalieerkennung an statt als Klassifikation. Trainieren Sie auf dem Gutzustand und markieren Sie Abweichungen. Das tauscht Präzision gegen Abdeckung, erzeugt mehr Fehlalarme und schlägt dennoch oft die manuelle Stichprobe auf einer Linie, auf der heute Fehler durchgehen.

Ersetzt automatisierte Prüfung den Qualitätsprüfer?

Selten, und diese Rahmung lässt Projekte meist scheitern. Das realistische Ergebnis ist, dass das System die hochvolumigen Routineprüfungen übernimmt und die mehrdeutigen Fälle eskaliert, sodass Prüfer ihre Zeit dort verbringen, wo Urteilsvermögen wirklich zählt.

Funktioniert das Modell noch, wenn wir Produkt oder Linie ändern?

Nicht von selbst. Eine neue Variante, Material eines anderen Lieferanten, eine versetzte Kamera oder neue Beleuchtung können die Leistung still verschlechtern. Planen Sie regelmäßige Revalidierung und eine Drifterkennung, und behandeln Sie jede physische Änderung der Zelle als Anlass zur Prüfung.