Die manuelle Endkontrolle ist langsam, ermüdend und von Prüfer zu Prüfer uneinheitlich. Systeme der industriellen Bildverarbeitung mit Deep-Learning-Modellen prüfen jedes Teil in Liniengeschwindigkeit, erkennen Kratzer, Risse, fehlende Merkmale, Verunreinigungen oder Oberflächenfehler, lösen das Ausschleusen aus und protokollieren jede Entscheidung. Moderne Anomalieerkennungs-Modelle brauchen zum Start nur Gutteile. Dadurch ist der Ansatz auch für kleine und mittlere Fertigungsbetriebe zugänglich, nicht nur für Automobil- und Elektronikkonzerne.
Problem & Nutzen
- Heute: menschliche Sichtprüfung (Stichprobe oder 100 %) plus regelbasierte Bildverarbeitung (Schwellwerte, Template Matching, Blob-Analyse). Menschen ermüden und urteilen unterschiedlich; regelbasierte Systeme scheitern an natürlicher Variation (Texturen, Gussteile, Holz, Textilien, spiegelndes Metall) und müssen für jedes Produkt neu eingestellt werden.
- KI-Nutzen: Deep-Learning-Modelle lernen, wie ein Fehler aussieht (überwacht) oder wie „normal“ aussieht (unüberwachte Anomalieerkennung), kommen mit wechselndem Erscheinungsbild zurecht und ermöglichen eine 100-%-Prüfung mit einheitlichen Kriterien. Jede Entscheidung wird mit ihrem Bild gespeichert; das unterstützt Rückverfolgbarkeit, Reklamationsbearbeitung und Prozessverbesserung.
- Vorteile: weniger durchgelassene Fehler, weniger Ausschuss und Nacharbeit, freigesetzte Prüferkapazität, rückverfolgbare Fehlerdaten. Herstellerangaben sind selbst berichtet; messen Sie Ihre eigene Ausgangslage [1][3].
Varianten
- Oberflächenprüfung (Blech, Glas, Folie, Lack, Holz, Textilien): Zeilenkameras, Segmentierung von Kratzern/Dellen.
- Teile- und Merkmalsprüfung (Maße, Vorhandensein, Ausrichtung): siehe VIS-002, VIS-026.
- Verpackungs- und Etikettenprüfung (Druckqualität, Siegel, Codes): siehe VIS-018.
- Lebensmittel- und Agrarsortierung: siehe VIS-006.
- Elektronik: Lötstellenprüfung an Leiterplatten (AOI); Analytik auf Wafer-Ebene siehe VIS-056.
- Kleine Werkstatt / KMU: eine Smart-Kamera an einer Station, ohne Data Scientist.
So funktioniert es
- Teil löst Kamera aus (SPS/Encoder) + kontrollierte Beleuchtung
- Bildaufnahme (GigE Vision / USB3 Vision / GenICam, Zeilen- oder Flächenkamera)
- Vorverarbeitung (ROI-Zuschnitt, Normalisierung, Ausrichtung)
- Modellinferenz auf dem Edge-Gerät (a) Anomalieerkennung: Training nur mit Gutteilen, Anomaliekarte + Score (b) Detektion/Segmentierung: Fehlerklassen, Rahmen oder Masken (c) Klassifikation: OK / NOK / Fehlertyp
- Entscheidungslogik (Schwellwerte je Fehlerklasse und Größe, rezepturspezifische Regeln)
- SPS-Signal: annehmen / ausschleusen / sortieren / Linie stoppen
- Speicherung: Bild + Ergebnis + Chargen-ID
- Dashboard, SPC, MES/QMS
- menschliche Prüfung unsicherer oder ausgeschleuster Teile
- Labels fließen ins Nachtraining zurück
- Modelle: unüberwachte Anomalieerkennung mit wenigen Beispielen (PatchCore, EfficientAD, FastFlow-artige Methoden), überwachte Detektoren und Segmentierer (YOLO-Familie, RT-DETR, U-Net-/Mask-artige Modelle), Klassifikatoren; Vision-Language-Modelle helfen beim Labeln, bei der Erklärung von Fehlern und bei der Zero-Shot-Vorsortierung, sind aber in der Regel zu langsam und nicht deterministisch genug für die taktzeitkritische Entscheidung.
- Mensch-in-der-Schleife (Human-in-the-Loop): Prüfer beurteilen Grenzfälle, bestätigen neue Fehlertypen und geben gesperrte Chargen frei oder verschrotten sie; ein Prozess für Nachtraining und Modellfreigabe mit Änderungskontrolle gehört zum System.
Datenaufbereitung
Die Daten sind Bilder von Gut- und Schlechtteilen sowie Chargen-, Rezeptur- und SPS-Kontext aus MES oder ERP. Die Bilder liegen typischerweise auf dem Prüf-PC, auf Dateiablagen oder auf USB-Sticks; das Fehlerwissen steckt in den Köpfen der Prüfer und in Ausschussprotokollen auf Papier. Typische Lücken sind uneinheitliche Beleuchtung und Kameraeinrichtung, zu wenige Fehlerbeispiele, kein abgestimmter Fehlerkatalog, falsch oder gar nicht gelabelte Bilder und keine Verknüpfung zwischen Bild und Chargennummer.
Schritte der Aufbereitung: (1) zuerst Optik, Beleuchtung und Triggerung festlegen, denn Software kann schlechte Bilder nicht ausgleichen; (2) mit den Qualitätsmitarbeitenden einen Fehlerkatalog und Annahmegrenzen vereinbaren (PREP-019); (3) mehrere hundert Referenz-Gutteile und alle verfügbaren Fehler sammeln, gelabelt von erfahrenen Prüfern (PREP-018, DATA-023); (4) Bilder mit Chargen-, Zeit- und Stationsmetadaten speichern, dedupliziert und bereinigt (DATA-003); (5) einen zurückgehaltenen Testdatensatz führen; (6) Korrekturen der Bediener als neue Labels zurückspielen (PREP-021).
Werkzeuge: Labeling-Werkzeuge der Hersteller, CVAT oder Label Studio, einfache Skripte für Metadaten. Grober Anteil am Gesamtaufwand: 40-60 Prozent, vor allem Optik und Labeling. Anomalieerkennungs-Modelle brauchen nur Gutteile, was den Labeling-Aufwand senkt.
Umsetzungswege
Welcher Weg für wen
- KMU — Weg A: ausgereifte, in der EU betreibbare Bildverarbeitungsprodukte mit Fehlerbibliotheken gibt es zu KMU-tauglichen Preisen, und die Prüfaufgabe ist Standard.
- Großunternehmen — Weg C: Die Prüfung ist zentral für die Qualität, Lizenzen werden bei hohen Stückzahlen über viele Linien teuer, und eine interne Edge-Plattform kann alle Werke versorgen.
- Entwickler — Weg C: Open-Source-Frameworks für Anomalieerkennung und Detektion auf Edge-Hardware geben volle Kontrolle über Modelle, Daten und Latenz.
Weg A — Kaufen (Standardsoftware; für die meisten KMU empfohlen)
- Deep-Learning-Bildverarbeitungsplattformen: Cognex (In-Sight / VisionPro Deep Learning), Keyence (Bildverarbeitungssysteme mit KI-basierter Prüfung), Zebra (Aurora Vision), Landing AI (LandingLens), MVTec (HALCON, MERLIC; EU/Deutschland), Basler (Kameras und Software; EU/Deutschland), SICK (Inspector, AppSpace; EU/Deutschland), ISRA Vision / Atlas Copco Machine Vision (EU/Deutschland), Neurocle, Instrumental (Elektronik) sowie EU-Start-ups wie Inspekto (jetzt Siemens), Mikrolo und Angebote von Eyedea. Siemens und Rockwell bieten Bildverarbeitung an, die in ihr SPS-Ökosystem integriert ist.
- Weg A wählen, wenn: eine Standardstation (eine Produktfamilie, stabile Optik) innerhalb weniger Wochen in Betrieb gehen muss, Ihnen ein Bildverarbeitungsingenieur fehlt oder das System in eine bestimmte SPS/ein bestimmtes MES integriert werden muss. Verlangen Sie einen Machbarkeitsnachweis (Proof of Concept) mit Ihren eigenen Gut- und Schlechtteilen und definierten Abnahmekriterien.
Weg B — Auf Cloud-KI-Diensten aufbauen
- Cloud-Dienste (Nachfolger von Azure AI Custom Vision in Azure AI Foundry, Google Vertex AI Vision, AWS SageMaker; Amazon Lookout for Vision wurde eingestellt, prüfen Sie daher den Lebenszyklus des Dienstes, bevor Sie sich festlegen) eignen sich für Training und Labeling in EU-Regionen, weniger für Inferenz in Liniengeschwindigkeit, wo Latenz und Konnektivität Probleme sind.
- Typisches Muster: in der Cloud trainieren, exportieren (ONNX/OpenVINO/TensorRT) und die Inferenz am Edge ausführen; multimodale Spitzenmodelle oder EU-Modelle (Mistral, Gemini, Claude) für Fehlerbeschreibung, Labeling-Unterstützung, Zusammenfassungen von Schichtberichten und die Bearbeitung seltener Fälle offline nutzen.
Weg C — Selbst betreiben (Open Source)
- Anomalieerkennung: Anomalib (Intel/OpenVINO, Bibliothek unter Apache-2.0 mit PatchCore, EfficientAD, PaDiM usw.); Detektion/Segmentierung: Ultralytics YOLO (AGPL-3.0, kommerzielle Lizenz erhältlich), RT-DETR, MMDetection, Detectron2, SAM 2 / SAM 3 für das halbautomatische Labeln von Masken; Open-Vocabulary-Detektoren (Grounding DINO, OWL-ViT) und offene VLMs (Qwen-VL, PaliGemma, SmolVLM) zum Anschub der Labels.
- Hardware: HW1 (Industrie-PC mit kleiner GPU, Jetson Orin, Intel iGPU/NPU, Hailo) genügt für die Inferenz von einer bis mehreren Kameras; das Training passt zu HW2.
Weg D — Eigenes Training
Lohnt sich, wenn das Produkt sehr speziell ist, Fehler winzig oder subtil sind, der Durchsatz hoch ist oder Sie das Prüfsystem als Produkt entwickeln. Beginnen Sie mit Anomalieerkennung nur auf Gutteilen und ergänzen Sie überwachte Fehlerklassen, sobald sich Beispiele ansammeln (oft zehn bis einige hundert pro Klasse).
Referenzdaten (Ground Truth), die zwischen den Labelnden nicht einheitlich sind.
Stand der Technik (2026)
- Unüberwachte Anomalieerkennung hat auf dem öffentlichen Benchmark MVTec AD nahezu die Sättigung erreicht; das Feld hat sich zu schwierigeren, realistischeren Benchmarks (z. B. MVTec AD 2, Real-IAD, VisA) und zu Few-Shot- und Zero-Shot-Ansätzen mit Foundation-Modellen (auf CLIP/DINOv2 oder VLMs basierend) verlagert [2].
- Foundation-Modelle (DINOv2/v3, SAM-Familie) senken den Labeling-Aufwand und liefern robuste Merkmale für neue Produkte mit wenigen Bildern.
- VLM-gestützte Prüfung zeichnet sich ab, ersetzt aber spezialisierte Modelle bei taktzeitkritischen Entscheidungen noch nicht.
- Grenzen und Fehlerbilder: Domänenverschiebung (neue Beleuchtung, verschmutzte Linse, neue Materialcharge, Werkzeugverschleiß) verschlechtert die Genauigkeit unbemerkt; hohe Fehlausschleusquoten, wenn die Anomalie-Schwellwerte zu eng sind; winzige Fehler unterhalb der Pixelauflösung; spiegelnde Teile; seltene Fehler mit wenigen Beispielen; Benchmark-Werte, die sich nicht auf Ihre Teile übertragen lassen. Planen Sie Drift-Überwachung und regelmäßige Revalidierung ein.
Gemeinsame Bausteine & Kombinationen
- Gleicher Technologie-Stack (Objekterkennung + Segmentierung + Edge-Laufzeit): VIS-002 Montageprüfung, VIS-006 Lebensmittelsortierung, VIS-018 industrielle OCR, VIS-026 Vermessung, VIS-007 PSA-Überwachung, VIS-020 Abfallsortierung; eine Annotationsplattform und eine MLOps-Pipeline bedienen alle.
- Spezialisierte Geschwister: VIS-053 (zerstörungsfreie Prüfung/Röntgen), VIS-056 (Wafer-Maps), VIS-057 (Prozessüberwachung in der additiven Fertigung).
- Nachgelagert: PRED-014 und PRED-006 nutzen Fehlertrends.
Aufwand, Kosten & Kennzahlen
- Weg A: Wochen bis wenige Monate je Station inkl. Optik und SPS-Integration; die Kosten bestehen aus Hardware (Kamera, Objektiv, Beleuchtung, Rechenleistung) plus Softwarelizenz je Station oder Kamera.
- Weg B/C: 3–9 Monate für eine erste belastbare Linie; laufendes MLOps für Drift und neue Produkte.
- Kennzahlen: Fehlererkennungsrate (Recall) und Fehlausschleusquote (Precision) auf einem eingefrorenen Validierungsdatensatz, Fehlerdurchlassquote beim Kunden (ppm), Ausschuss-/Nacharbeitskosten, Prüfkosten pro Teil, Auswirkung auf die Taktzeit, Anteil unsicherer Teile, die zur menschlichen Prüfung gehen, Warnmeldungen zur Modelldrift.
Menschen & Veränderung
Beziehen Sie die Geschäftsleitung für Budget und Ausschussziele ein, die Leitung der Qualitätsabteilung als Prozessverantwortliche sowie IT und IT-Sicherheit frühzeitig für Kameranetze, SPS-Integration und Fernzugriff. Die Dateneigner (MES, ERP) geben Metadaten frei. Die Prüfer sind die wichtigsten Anwender: Sie definieren, was ein Fehler ist, und prüfen später unsichere Fälle; holen Sie sie deshalb schon im Pilotbetrieb ab und nicht erst beim Go-live.
Betriebsrat: abhängig vom Einzelfall. Kameras, die auf Teile gerichtet sind, sind normalerweise keine Überwachungseinrichtung. Erfassen die Bilder jedoch Beschäftigte oder werden Ergebnisse je Station, Schicht oder Person ausgewertet, gilt die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG. Der Betriebsrat muss außerdem rechtzeitig über KI-gestützte Arbeitsverfahren unterrichtet werden (§90 Abs. 1 Nr. 3); im Zweifel binden Sie ihn früh ein. In öffentlichen Stellen gilt der Personalrat. Eine DSFA ist meist nicht nötig, wenn keine personenbezogenen Daten erfasst werden; klären Sie das mit dem/der Datenschutzbeauftragten.
KI-Kompetenz: Die KI-Verordnung (AI Act, Art. 4) verlangt Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern; eine kurze praktische Schulung für Prüfer und Instandhaltung deckt das ab. Vermitteln Sie, dass das System die Prüfer unterstützt und nicht ersetzt; sprechen Sie Sorgen um den Arbeitsplatz offen an. Starten Sie mit einer Linie und einer Pilotgruppe erfahrener Prüfer, behalten Sie eine menschliche Prüfung für unsichere oder neue Fehlertypen bei und halten Sie den manuellen Rückfallweg bereit. Siehe GUIDE-008, GUIDE-009 und GUIDE-004.
Risiken, Regulierung & Compliance
- KI-Verordnung (AI Act): in der Regel minimales Risiko. Ein Prüfsystem, das nur Produktionsteile ausschleust, ist keine Anwendung nach Anhang III. Es kann hochriskant werden (Anhang I, über Produktsicherheitsrecht wie die Maschinenverordnung (EU) 2023/1230), wenn die KI als Sicherheitsbauteil wirkt, etwa wenn man sich auf die Bildauswertung verlässt, um eine gefährliche Maschine zu stoppen. Klären Sie das mit Ihrem Konformitätsbewertungsverfahren. Art. 4 (KI-Kompetenz) gilt für das Personal, das das System bedient [4][5].
- Kein Problem nach Art. 5, solange die Kameras keine Emotionen ableiten oder Beschäftigte bewerten. Nutzen Sie die Linienkameras nicht ohne Beteiligung des Betriebsrats und eine eigene Rechtsgrundlage, um die Leistung von Beschäftigten zu beurteilen.
- DSGVO / Beschäftigtendaten: Bilder von Teilen sind keine personenbezogenen Daten, aber Kameras in der Nähe von Arbeitsplätzen können Beschäftigte erfassen; maskieren oder beschneiden Sie auf den Teilebereich, vermeiden Sie die Aufnahme von Bedienpersonal und binden Sie den/die Datenschutzbeauftragte(n) und den Betriebsrat ein (in Deutschland Mitbestimmung nach §87 BetrVG).
- Qualitäts- und Branchenvorgaben: Automobil (IATF 16949, VDA), Medizinprodukte (ISO 13485, MDR), Lebensmittel (HACCP) verlangen validierte Prüfprozesse, dokumentierte Annahmekriterien und Änderungskontrolle bei Modell-Updates. Führen Sie einen Prüfpfad der Modellversion je Entscheidung.
- Gegenmaßnahmen: Kontrolle mit Referenzteilen zu Schichtbeginn, regelmäßige Revalidierung, Prüfteile mit bekannten Fehlern, menschliche Prüfung des Ausschusses, versionierte Modelle, Rückfall auf manuelle Prüfung.
Erste Schritte
- Fehlerkatalog, Annahmekriterien (Größe, Lage) sowie die Kosten eines durchgelassenen Fehlers im Vergleich zu einer Fehlausschleusung festlegen; 200+ Bilder von Gutteilen und von jedem verfügbaren Fehlertyp sammeln.
- Die Optik richtig hinbekommen: Beleuchtung und Kamerawinkel am echten Teil testen, bevor ein Modell gewählt wird.
- Einen Machbarkeitsnachweis mit 2 Anbietern (Weg A) oder einer Anomalib-Baseline (Weg C) auf demselben eingefrorenen Testdatensatz inklusive Grenzfällen durchführen; Recall, Fehlausschleusungen und Geschwindigkeit vergleichen.
- Die SPS im Schattenbetrieb anbinden (entscheiden, aber nicht ausschleusen), 2–4 Wochen lang, und mit der menschlichen Prüfung vergleichen.
- Mit menschlicher Prüfung des Ausschusses, Drift-Überwachung und einem Verfahren zur Änderungskontrolle der Modelle in Betrieb gehen.
Quellen
- Cognex — Deep learning for machine vision, VisionPro Deep Learning — https://www.cognex.com/products/deep-learning
- Bergmann et al. — The MVTec Anomaly Detection Dataset (IJCV 2021) and MVTec AD 2 — https://www.mvtec.com/research-teaching/datasets/mvtec-ad
- Landing AI — LandingLens visual inspection documentation — https://landing.ai/
- Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- Regulation (EU) 2023/1230 (Machinery Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1230/oj
- Directive (EU) 2024/2853 (Product Liability) — https://eur-lex.europa.eu/eli/dir/2024/2853/oj
- Anomalib (Open Edge Platform, Intel) — https://github.com/open-edge-platform/anomalib
- Ultralytics YOLO documentation — https://docs.ultralytics.com/
- MVTec HALCON / MERLIC — https://www.mvtec.com/products