Montageprüfung & Vollständigkeitskontrollen

Ein einziger fehlender Clip, eine falsche Schraubenlänge oder ein nicht eingesteckter Stecker kann einen Feldausfall oder eine Rückrufaktion auslösen. Bildverarbeitungssysteme prüfen an der Station, ob jede Komponente der Stückliste vorhanden, in der richtigen Variante verbaut und korrekt platziert ist, und sperren das Werkstück oder warnen den Bediener, falls nicht. Moderne Deep-Learning-Werkzeuge ersetzen anfällige regelbasierte Aufbauten und lassen sich mit wenigen Dutzend Bildern konfigurieren.

Problem & Nutzen

• Heute: Die Vollständigkeit prüfen Bediener (Sichtkontrolle, Checklisten), mechanische oder sensorische Poka-Yoke-Lösungen (Endschalter, Lichtschranken) oder regelbasierte Bildverarbeitung mit von Hand abgestimmten Templates. Menschen ermüden bei sich wiederholenden Aufgaben; Sensoren decken nur je ein Merkmal ab; regelbasierte Bildverarbeitung scheitert bei Variantenwechseln, Beleuchtungsdrift und glänzenden oder verformbaren Teilen.
• KI-Nutzen: Eine Kamera deckt viele Merkmale gleichzeitig ab; Variantenhandhabung über stücklistengesteuerte Rezepturen; Toleranz gegenüber Schwankungen bei Beleuchtung und Position; Bildnachweis je Seriennummer für Rückverfolgbarkeit und Reklamationsbearbeitung; schnelleres Umrüsten bei Produktion mit hoher Variantenvielfalt und kleinen Stückzahlen.
• Typischer Vorteil: weniger Fehler, die beim Kunden ankommen, weniger Nacharbeit und Gewährleistungskosten, weniger manuelle Endkontrolle. Anbieter veröffentlichen Fallstudien, doch die Zahlen gelten nur für die jeweilige Anwendung; messen Sie Ihre eigene Ausgangslage (Fehlerdurchlassquote, Nacharbeitsminuten) vor und nach einem Pilotprojekt, statt sich auf Herstellerangaben zu verlassen.

Varianten

• Stationsebene (im Prozess): Prüfung nach jedem Schritt (z. B. Dichtung sitzt, Schraube vorhanden), damit Fehler erkannt werden, bevor spätere Teile sie verdecken.
• Vollständigkeit am Linienende: Endkontrolle des fertigen Produkts (alle Stecker, Etiketten, Zubehörteile).
• Kommissionier- und Packprüfung: Kisten, Trays und Paletten enthalten die richtigen Artikel in der richtigen Menge (Logistik, Medizinprodukte-Sets, E-Commerce). Das Zählen überschneidet sich mit VIS-026.
• Elektronik: Vorhandensein von THT-/SMT-Bauteilen, Polarität, Sitz von Steckern, Kabelführung und Kabelbaumprüfungen (Kabelbaumbretter, Clip-Positionen).
• Geführte Montage mit Verifizierung: Anweisungen per Projektor/Bildschirm plus Kamerabestätigung jedes Schritts; für Installationen vor Ort siehe VIS-039. Montageprüfungen.

So funktioniert es

1. Trigger (SPS/Sensor: Werkstück in Position)
2. Bildaufnahme (feste Kamera, kontrollierte Beleuchtung, optional 3D/Tiefe)
3. Seriennummer/Variante lesen
4. Stückliste + Prüfrezeptur aus MES/ERP abrufen
5. Detektion / Segmentierung der erwarteten Bauteile (+ OCR von Etiketten, VIS-018)
6. Regeln: erwartet vs. gefunden (Vorhandensein, Klasse, Anzahl, Position, Ausrichtung, Farbe/Länge)
7. Gut/Schlecht + Bildnachweis mit Seriennummer gespeichert
8. SPS/MES: freigeben, Linie stoppen, ausschleusen oder zur Nacharbeit leiten; Bedieneranzeige mit Overlay
9. Prüfung unsicherer Fälle + Rückkopplung in gelabelte Daten

• Vorhandensein/Position: Objektdetektoren (YOLO-Klasse, RT-DETR) oder Segmentierungsmodelle, trainiert auf zehn bis hundert Bildern je Merkmal; geometrische Regeln vergleichen das Ergebnis mit der Rezeptur.
• Anomaliebasierte Prüfungen: unüberwachte Modelle (PatchCore, Anomalib-Familie), trainiert auf Gutteilen, melden „alles Ungewöhnliche“, wo Fehler selten oder unbekannt sind; sie lokalisieren, benennen den Fehler aber nicht.
• Variantenlogik: deterministisch, aus der Stückliste – die KI findet Objekte, die Regeln entscheiden über Gut/Schlecht. So bleiben Entscheidungen prüfbar, und ein generatives Modell „urteilt“ nicht selbst.
• VLMs: nützlich für die Einrichtung und seltene Sonderfälle (Entwurf von Labels, Ad-hoc-Fragen wie „Ist das zweite Kabel durch den Clip geführt?“), aber zu langsam und nicht deterministisch für Taktzeiten unter einer Sekunde; nutzen Sie sie offline für die Annotation oder in der Ausnahmewarteschlange.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ergebnisse mit geringer Konfidenz gehen auf einen Prüfbildschirm des Bedieners; Übersteuerungen werden protokolliert und werden zu Trainingsdaten. Sicherheitskritische Verbindungen (z. B. Airbag, Bremsbauteile) bleiben bei validierten, prozessgesteuerten Prüfungen (Drehmomentüberwachung usw.); Bildverarbeitung ergänzt, ersetzt aber nicht.

Datenaufbereitung

Benötigt werden Stationsbilder korrekter und unvollständiger Baugruppen je Produktvariante, Stücklisten und Arbeitsaufträge aus ERP oder MES, Montageanleitungen oder CAD sowie SPS-Taktsignale. Sie liegen typischerweise im ERP, in PDM-/CAD-Ordnern, auf Dateiablagen und als Arbeitsanweisungen auf Papier. Typische Lücken: Varianten ohne Referenzbilder, veraltete Stücklisten, Arbeitsanweisungen nur auf Papier oder als Scans, keine Beispiele für seltene Fehler und keine Verknüpfung zwischen Bild und Seriennummer.

Schritte der Aufbereitung: (1) Stücklisten- und Variantenstammdaten bereinigen und freigeben (DATA-003); (2) Papieranleitungen digitalisieren (PREP-006, DOC-014); (3) Referenzbilder für jede Variante bei fester Beleuchtung aufnehmen; (4) typische Fehler nachstellen (fehlendes Teil, falsches Teil, falsche Ausrichtung) und labeln (DATA-023, PREP-018); (5) Bilder mit Seriennummer, Variante und Zeitstempel speichern; (6) Korrekturen der Bediener als Labels zurückführen (PREP-021).

Werkzeuge: CVAT oder Label Studio, einfache Skripte für den ERP-Export (PREP-005). Grober Anteil am Gesamtaufwand: 30-50 Prozent, abhängig von der Zahl der Varianten.

Umsetzungswege

Welcher Weg für wen

• KMU — Weg C: Open-Source-Modelle für Detektion und Anomalieerkennung laufen auf Edge-Hardware der Stufe HW1, und dieselbe Plattform lässt sich für die Qualitätsprüfung (VIS-001) wiederverwenden. Ein Baukasten-Ansatz schlägt daher Lizenzen pro Station, wenn sich Produktvarianten häufig ändern.
• Großunternehmen — Weg B: Varianten- und Stücklistendaten liegen in MES/ERP und brauchen eine enge Anbindung, die in der Cloud trainierte Modelle plus eine interne Edge-Laufzeit gut leisten.
• Entwickler — Weg C: Open-Source-Frameworks geben volle Kontrolle über Modelle, Stationsintegration und Latenz.

Weg A — Kaufen (Standardsoftware)

• Smart-Kameras / Bildverarbeitungssoftware mit Deep Learning: Cognex (In-Sight, VisionPro Deep Learning), Keyence (CV-X / XG-X mit KI-Modi), Zebra (Aurora Vision), MVTec (HALCON, MERLIC — EU, Deutschland), SICK (Inspector / AppSpace — EU), Basler (EU, Kameras und pylon-AI-Werkzeuge), Balluff, Omron, Teledyne DALSA/Sherlock, Siemens (SIMATIC und Industrial-Edge-Apps).
• Cloud-/Low-Code-Plattformen: Landing AI (LandingLens), außerdem ISRA VISION (Atlas Copco, EU), Neurala (VIA, USA), Elementary (USA) sowie Systemintegratoren für schlüsselfertige Stationen.
• Weg A wählen, wenn: feste Produkte, Standardbeleuchtung, das Anbieter-Ökosystem bereits zur SPS-/Kamera-Hardware passt und kein internes ML-Team vorhanden ist. Bestehen Sie auf einem Betrieb der Inferenz On-Premises oder am Edge.

Weg B — Auf Cloud-KI-Diensten aufbauen

• In der Cloud trainieren, am Edge ausführen: Azure AI Foundry / Custom-Vision-artige Dienste, Google Vertex AI, AWS SageMaker mit Greengrass-Edge-Bereitstellung – nutzen Sie EU-Regionen.
• Cloud-VLM-APIs (Claude, Gemini, GPT, Mistral) für Labeling-Unterstützung, Erzeugung von Fehlerbeschreibungen und Prüfung von Ausnahmen; nicht für Entscheidungen im Takt oder latenzkritische Pfade.
• Integration: OPC UA, MQTT, REST zu MES/ERP; GigE-Vision-/GenICam-Kameras über ein herstellerneutrales SDK.
• Weg B wählen, wenn: Sie ein Softwareteam und viele Standorte haben und ein zentrales Modellmanagement wünschen.

Weg C — Selbst betreiben (Open Source)

• Detektion/Segmentierung: Ultralytics YOLO (AGPL-3.0 oder kommerzielle Lizenz – Lizenzierung für den Produkteinsatz prüfen), RT-DETR, RF-DETR (Apache-2.0), SAM 2 / SAM 3 als Labeling-Hilfe, Open-Vocabulary- Detektoren (Grounding DINO, OWL-ViT-Klasse, YOLO-World) für Zero-Shot-Starts.
• Anomalieerkennung: Anomalib (Intel/OpenVINO Toolkit, Apache-2.0) mit PatchCore, EfficientAD.
• Annotation und MLOps: CVAT, Label Studio, MLflow; Inferenz über ONNX Runtime, OpenVINO, TensorRT.
• Hardware: HW1 – ein Industrie-PC mit GPU der mittleren Klasse oder ein Jetson-Orin-/Hailo-Beschleuniger bewältigt mehrere Kameras mit 10–30 Bildern/s; HW2 für hochauflösende Multikamera- oder 3D-Verarbeitung.
• Betriebsaufwand: Modellversionierung, Drift-Überwachung, validierter Freigabeprozess – planen Sie einen ML-Ingenieur in Teilzeit ein.

Weg D — Eigenes Training

Lohnt sich bei Linien mit hohem Volumen, ungewöhnlichen Bauteilen oder wenn Werkzeuge der Anbieter Toleranzen verfehlen. Es braucht hunderte annotierte Bilder je Bauteilklasse über Beleuchtung, Schichten und Lieferantenvarianten hinweg, dazu Bilder realistischer Fehler (nachgestellte „Schlecht“-Muster). Synthetische Daten aus CAD-Renderings (NVIDIA Omniverse/Replicator, Blender) können seltene Fehler anstoßen. Validieren Sie mit einem zurückgehaltenen Satz echter Produktionsbilder und einem dokumentierten Abnahmetest.

Stand der Technik (2026)

• Few-Shot- und Prompt-basierte Einrichtung: Anbieter werben inzwischen mit Training aus etwa 5–50 Bildern dank Unterstützung durch Foundation-Modelle (visuelles Prompting, SAM-basiertes Labeling); die Einrichtungszeit sinkt von Wochen auf Tage; prüfen Sie das an Ihren eigenen Teilen.
• Foundation-Modelle für das Labeling: SAM-Familie und Open-Vocabulary-Detektoren senken die Annotationskosten; die Produktiv-Inferenz nutzt weiterhin kleine, destillierte Detektoren für Determinismus und Geschwindigkeit.
• Edge-Beschleuniger: Inferenz auf Smart-Kameras und Industrie-PCs (NPU/GPU) mit Latenzen im Millisekundenbereich.
• 3D und Mehrfachansichten: Tiefenkameras und strukturiertes Licht lösen Prüfungen von Höhe, Sitz und Ausrichtung, mit denen 2D Probleme hat.
• Grenzen und Fehlerbilder: spiegelnde oder schwarze Teile, Verdeckung durch Werkzeuge oder Hände, winzige Befestigungselemente im Gewirr, neue Lieferantenvarianten (ähnlich aussehende Teile), Beleuchtungsdrift, Kameraverschiebung nach Wartung und zu großes Vertrauen in „Gut“, wenn das Merkmal schlicht nicht im Bild ist. Anomaliemodelle driften bei legitimen Prozessänderungen. Führen Sie stets regelmäßig Tests mit Referenzteilen und bekannten Schlechtteilen („Challenge-Teile“) durch, um nachzuweisen, dass das System weiterhin Fehler findet.

Gemeinsame Bausteine & Kombinationen

• Gleicher Technologie-Stack (Objekterkennung + Segmentierung + Edge-Laufzeit): VIS-001 Oberflächenfehler- prüfung, VIS-026 Zählen/Vermessen, VIS-053/VIS-057 Prozess- und zerstörungsfreie Prüfung, VIS-018 Etiketten-/Seriennummern-OCR – eine Annotationspipeline und eine Edge-Plattform bedienen sie alle.
• Nachgelagert: ROBO-001 (bildgeführtes Greifen und Platzieren), VIS-034 (Taktzeitanalysen aus denselben Kameras, mit gesonderter rechtlicher Prüfung), Predictive-Quality-Modelle auf Basis der gespeicherten Prüfergebnisse und MES-/QMS-Integration zur Rückverfolgbarkeit.
• Hardware: Industriekameras, Beleuchtung und SPS-Schnittstelle werden stationsübergreifend genutzt; GPU- oder NPU-Edge-Boxen können mehrere Linien versorgen.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate je Station; Kostentreiber sind Kamera, Optik und Beleuchtung (oft mehr als die Software), Integration in SPS/MES und Validierung.
• Weg B/C: 2–6 Monate für eine erste Produktivstation inkl. Datenerhebung, Annotation, Abnahmetest; spätere Stationen nutzen die Pipelines wieder.
• Kennzahlen: Fehlerdurchlassquote (Fehler, die den Kunden erreichen), Fehlausschleusquote (Scheinausschuss), Erkennungsrate bei Challenge-Teilen, Prüftaktzeit, Nacharbeitsminuten je Einheit, Erstausbeute (First-Pass-Yield), Reklamationen je Million, Zeit für die Aufnahme einer neuen Variante.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung für Budget und Qualitätsziele ein, die Produktionsleitung als Prozessverantwortliche, IT und IT-Sicherheit für die Anbindung von Kamera, SPS und Netzwerk sowie die Dateneigner für Stücklisten- und Variantendaten. Der Betriebsrat gehört von Anfang an dazu: Stationskameras und Taktprotokolle können die Hände und das Arbeitstempo der Beschäftigten erfassen.

Betriebsrat: ja, in der Praxis. Die objektive Eignung zur Überwachung von Verhalten oder Leistung genügt für §87 Abs. 1 Nr. 6 BetrVG, und Protokolle auf Stationsebene lassen sich Schichten und Personen zuordnen. Vereinbaren Sie eine Betriebsvereinbarung, die individuelle Leistungsbewertung ausschließt, die Aufbewahrung regelt und Gesichter maskiert oder vermeidet. Der Betriebsrat muss außerdem nach §90 Abs. 1 Nr. 3 unterrichtet werden und kann einen KI-Sachverständigen hinzuziehen (§80 Abs. 3). Öffentliche Stellen: Personalrat. Der/die Datenschutzbeauftragte beurteilt, ob eine DSFA nötig ist, wenn Personen sichtbar sind.

KI-Kompetenz: Die KI-Verordnung (AI Act, Art. 4) verlangt Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern; schulen Sie die Mitarbeitenden an den Stationen darin, was das System prüft und was es nicht sehen kann. Vermitteln Sie klar, dass es das Produkt prüft, nicht die Person. Starten Sie mit einer Pilotstation und Freiwilligen, lassen Sie die Beschäftigten Fehlalarme melden, behalten Sie eine menschliche Freigabe für Nacharbeitsentscheidungen bei und halten Sie einen manuellen Rückfallweg bereit. Siehe GUIDE-004, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko bei der Qualitätsprüfung von Produkten. Hochriskant wird sie nur, wenn das System ein Sicherheitsbauteil eines regulierten Produkts ist (Anhang I, z. B. Maschinen oder Medizinprodukte) oder für das Management von Beschäftigten eingesetzt wird (Anhang III); die KI-basierte Prüfung eines Produkts an einer Linie ist normalerweise keines von beidem. KI-Kompetenz (Art. 4) gilt. Art. 5: Nutzen Sie die Kameras nicht zur Emotionserkennung bei Beschäftigten.
• DSGVO / Betriebsrat: Stationskameras können Hände, Gesichter oder Verhalten der Bediener erfassen. Richten Sie das Sichtfeld auf das Werkstück, verpixeln oder maskieren Sie Personen, dokumentieren Sie die Zweckbindung und binden Sie den Betriebsrat ein (Deutschland: BetrVG § 87 Abs. 1 Nr. 6). Verwenden Sie Prüfaufnahmen nicht zweckfremd für die Leistungsüberwachung.
• Maschinen- und Produktsicherheit: Die Integration in sicherheitsgerichtete SPS-Ketten muss der Maschinenverordnung (EU) 2023/1230 und den Normen zur funktionalen Sicherheit folgen; bildverarbeitungsbasierte Freigabesignale sind in der Regel keine Sicherheitsfunktionen, sofern sie nicht als solche validiert sind.
• Qualitätssysteme: ISO 9001, IATF 16949, ISO 13485 oder Validierung nach GAMP für regulierte Branchen – Modelländerungen brauchen Änderungskontrolle und Revalidierung.
• Gegenmaßnahmen: deterministische Regeln um das Modell, Tests mit Challenge-Teilen, Protokollierung von Übersteuerungen durch Menschen, ausfallsicherer Standard (kein Bild / geringe Konfidenz = ausschleusen oder sperren), Aufbewahrung der Bilder abgestimmt auf die Fristen der Produkthaftung.

Erste Schritte

1. Eine Station mit messbaren Fehlerdurchlässen auswählen; die Ausgangslage erfassen (Fehlerdurchlassquote, Nacharbeitszeit).
2. Zuerst die Physik klären: Kameraposition, Beleuchtung, Vorrichtung – die meisten Fehlschläge sind optischer Natur.
3. 200–500 echte Bilder inklusive Varianten sowie nachgestellte Fehler sammeln; mit CVAT oder Werkzeugen des Anbieters labeln.
4. Ein Werkzeug aus Weg A und eine offene Baseline (YOLO/RF-DETR) nebeneinander erproben; auf einem zurückgehaltenen Datensatz vergleichen.
5. 2–4 Wochen im Schattenbetrieb (ohne Stopp) an SPS/MES anbinden, dann mit Challenge-Teil-Tests und einer wöchentlichen Auswertung der Fehlausschleusungen in Betrieb gehen.

Quellen

1. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
2. Regulation (EU) 2023/1230 (Machinery Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1230/oj
3. Anomalib (Open Edge Platform / Intel) — https://github.com/open-edge-platform/anomalib
4. Ultralytics YOLO documentation — https://docs.ultralytics.com/
5. RF-DETR (Roboflow) — https://github.com/roboflow/rf-detr
6. Segment Anything (Meta) — https://github.com/facebookresearch/sam2
7. MVTec HALCON / MERLIC — https://www.mvtec.com/
8. Cognex VisionPro Deep Learning — https://www.cognex.com/products/deep-learning
9. Landing AI LandingLens — https://landing.ai/
10. CVAT annotation tool — https://github.com/cvat-ai/cvat