Bildbasierte Qualitätsprüfung bei voller Taktgeschwindigkeit

# Bildbasierte Qualitätsprüfung bei voller Taktgeschwindigkeit

Eine Schweißnahtkamera an einer Karosserielinie erkennt einen Haarriss von 40 Mikrometern Breite an einem Teil, das mit 60 Stück pro Minute vorbeiläuft. Ein menschlicher Prüfer, der blinzelt, ermüdet, kurz wegschaut, hätte ihn durchgehen lassen. Der Riss wird achtzehn Monate später zum Garantiefall, oder schlimmer, zum Rückruf. Genau dafür wurde die bildbasierte Prüfung gebaut: gleichbleibende, ermüdungsfreie Fehlererkennung mit übermenschlicher Auflösung, bei der Geschwindigkeit, mit der die Linie tatsächlich läuft.

Schauen wir uns an, wie solche Systeme trainiert, validiert und in Betrieb genommen werden, und warum der schwierige Teil selten die Kamera ist.

Warum Bildprüfung, und warum jetzt

Die manuelle Sichtprüfung hat eine bekannte Obergrenze. Untersuchungen zur Qualitätskontrolle zeigen immer wieder, dass menschliche Prüfer an einem guten Tag rund 80 Prozent der sichtbaren Fehler finden, bei Ermüdung oder hoher Taktgeschwindigkeit weniger. Das ist keine Kritik an Menschen, sondern eine Grenze der Aufmerksamkeit.

Machine Vision verändert die Ökonomie. Eine Kamera plus ein trainiertes Modell kann jedes Teil prüfen, jedes Ergebnis protokollieren und wird nie müde. Praktikabel wurde das im letzten Jahrzehnt durch das Convolutional Neural Network (CNN), einen Typ von KI-Modell, der visuelle Muster direkt aus Beispielbildern lernt statt aus handgeschriebenen Regeln.

Ältere „Machine Vision" arbeitete mit Regeln: diese Kante messen, diesen Grauwert prüfen. Das funktioniert bei einem sauberen Kratzer auf einer glatten Fläche. Es scheitert an einer Schweißnaht, wo „normal" mit Hitze, Spritzern und Winkel variiert. CNNs lernen den unscharfen Begriff „gute Schweißnaht" aus Tausenden von Beispielen, und genau das brauchen unordentliche reale Oberflächen.

Wie ein CNN zur Fehlererkennung trainiert wird

Schritt 1: Bilder sammeln und labeln

Sie fotografieren Teile: gute und fehlerhafte. Dann labelt ein Mensch sie, markiert also, welches Bild einen Fehler zeigt, und zeichnet oft einen Rahmen um die Stelle.

Der Haken: echte Fehler sind selten. Eine eingefahrene Linie produziert vielleicht einen Riss pro 5.000 Teile. Um ein Modell zu trainieren, brauchen Sie genügend Fehlerbeispiele, also sammeln Teams gezielt Ausschuss, fahren Fehlerchargen oder nutzen Muster aus früheren Produktionsproblemen.

Schritt 2: Mit dem Ungleichgewicht umgehen

Bei 5.000 guten Teilen pro Fehler erreicht ein faules Modell 99,98 Prozent „Genauigkeit", indem es alles als gut bewertet, und findet nichts. Deshalb ist Accuracy hier eine irreführende Kennzahl.

Stattdessen verfolgen Ingenieure zwei Fehlerarten:

• False Reject (False Positive): ein gutes Teil wird als schlecht markiert. Kostet Ausschuss, Nacharbeit oder einen unnötigen Linienstopp.
• False Negative (Escape): ein schlechtes Teil wird als gut durchgelassen. Kostet einen Garantiefall oder einen Kundenrückruf.

Zu den Techniken gegen das Ungleichgewicht gehören Oversampling der Fehlerbilder, das Erzeugen synthetischer Varianten (drehen, Beleuchtung ändern) und manchmal Anomaly Detection, bei der das Modell nur auf guten Teilen trainiert wird und alles meldet, was unbekannt aussieht.

Schritt 3: Trainieren und die Daten aufteilen

Sie teilen die Bilder in Trainings-, Validierungs- und Testset. Das Modell lernt auf den Trainingsdaten, Sie tunen es gegen die Validierungsdaten, und die ehrliche Endleistung messen Sie auf dem Testset, das es nie gesehen hat.

Eine brauchbare kostenlose Einführung in die zugrunde liegenden Ideen ist Googles Machine Learning Crash Course, der Training, Validierung und die Accuracy-Falle verständlich behandelt.

Validierung gegen die Kosten von False Rejects

Hier schlägt Fertigungsurteil die reine Data Science.

Ein Modell gibt einen Confidence Score aus, sagen wir 0 bis 1, für „das ist ein Fehler". Sie wählen einen Threshold: alles über 0,5 melden? Über 0,8? Diese eine Entscheidung wiegt False Rejects gegen Escapes ab.

• Setzen Sie den Threshold niedrig, finden Sie fast jeden Fehler, stoppen die Linie aber ständig wegen Fehlalarmen.
• Setzen Sie ihn hoch, läuft die Linie glatt, aber schlechte Teile entwischen.

Der richtige Threshold ist eine geschäftliche Entscheidung, keine technische. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → hängt von Kosten ab.

Nehmen Sie an, jeder False Reject kostet 12 Dollar an Nacharbeit und verlorener Taktzeit. Jeder entwischte Fehler, der den Kunden erreicht, kostet geschätzt 800 Dollar an Garantie und Abwicklung. (Behandeln Sie das als Illustration, nicht als Benchmark.) Sie würden den Threshold so einstellen, dass Sie viele False Rejects in Kauf nehmen, um sehr wenige Escapes zu haben, denn Escapes sind rund 65-mal teurer.

Visualisiert wird das häufig mit einer Precision-Recall-Kurve, die den Tradeoff über alle Thresholds zeigt. Qualität und Finance sollten den Betriebspunkt gemeinsam wählen.

# Choosing a threshold by expected cost, not by accuracy
COST_FALSE_REJECT = 12    # good part wrongly scrapped
COST_ESCAPE       = 800   # bad part reaching the customer

def expected_cost(threshold, scored_parts):
    fr = esc = 0
    for score, is_defect in scored_parts:
        flagged = score >= threshold
        if flagged and not is_defect:
            fr += 1          # false reject
        if not flagged and is_defect:
            esc += 1         # escape
    return fr * COST_FALSE_REJECT + esc * COST_ESCAPE

# Sweep thresholds, pick the cheapest operating point
best = min((expected_cost(t/100, validation_set), t/100)
           for t in range(1, 100))

Es geht nicht um den Code. Es geht um die Haltung: das „beste" Modell ist das, welches die Gesamtkosten minimiert, nicht das mit der höchsten Accuracy auf einer Folie.

Einsatz an der Linie

Die Geschwindigkeitsgrenze

Bei 60 Teilen pro Minute haben Sie eine Sekunde pro Teil, abzüglich der Zeit zum Triggern, Aufnehmen und Freigeben des Bildes. Dem Modell bleiben vielleicht 200 bis 300 Millisekunden für die Entscheidung. Das nennt man Inference Time (wie lange das Modell für ein Ergebnis braucht).

Schnelle Inference heißt meist, das Modell auf Hardware nahe der Kamera laufen zu lassen, einem Edge Device, statt Bilder an einen entfernten Server zu schicken. Das vermeidet Netzwerkverzögerung und hält die Linie am Laufen, auch wenn das Netz hakt.

Beleuchtung ist die halbe Miete

Ein Modell, das unter einem bestimmten Lichtaufbau trainiert wurde, kann übel scheitern, wenn eine Hallenleuchte ausfällt oder Sonnenlicht auf das Gehäuse trifft. Praktiker stecken enormen Aufwand in feste, kontrollierte Beleuchtung und Einhausungen. Eine Kamera, die jedes Mal dasselbe saubere Bild sieht, macht der KI die Arbeit deutlich leichter. Viele „KI-Ausfälle" in der Fertigung sind in Wahrheit Beleuchtungsausfälle.

Integration mit der SPS

Das Bildverarbeitungssystem agiert nicht allein. Sein Gut-/Schlecht-Signal geht an die SPS (speicherprogrammierbare Steuerung), den Industrierechner, der die Linie steuert. Ein „Schlecht" löst einen Ausschleusarm, eine Weiche oder einen Alarm aus. Das Bildsystem muss das Protokoll der SPS sprechen und deren Timing treffen, sonst ist die gute Arbeit verschenkt.

Den Betrieb nach dem Go-live sichern

Ein Bildprüfsystem ist nicht „installieren und vergessen". Zwei schleichende Killer verdienen Aufmerksamkeit.

Drift

Drift heißt, dass die reale Welt allmählich nicht mehr zu den Trainingsdaten passt. Ein Lieferant ändert eine Beschichtung, ein neues Werkzeug hinterlässt eine schwache Werkzeugspur, die Umgebungstemperatur verschiebt die Farbe des Metalls. Das auf dem alten Normal trainierte Modell produziert plötzlich False Rejects oder übersieht neue Fehler.

Gegenmittel: die False-Reject-Rate wöchentlich überwachen. Ein plötzlicher Anstieg ist Ihr Frühwarnsignal. Sammeln Sie weiter gelabelte Bilder von der laufenden Linie und retrainieren Sie regelmäßig.

Human-in-the-Loop

Lassen Sie das Modell anfangs nicht unbeaufsichtigt automatisch ausschleusen. Leiten Sie markierte Teile zur Bestätigung an einen Menschen. Das bewirkt zweierlei: Modellfehler werden erkannt, bevor sie Geld kosten, und es entstehen frische gelabelte Daten (das Ja oder Nein des Menschen) für die nächste Modellversion.

Mit der Zeit, wenn Confidence und Kostendaten es rechtfertigen, erweitern Sie den Score-Bereich, den das Modell allein bearbeitet, und verkleinern den Bereich, der an Menschen geht.

Rückverfolgbarkeit

In regulierten Branchen (Automotive, Luft- und Raumfahrt, Medizintechnik) müssen Sie oft nachweisen, welche Teile geprüft wurden und warum jedes Gut oder Schlecht zustande kam. Speichern Sie Bild, Score, Threshold und Modellversion für jedes Teil. Wenn ein Auditor oder Kunde fragt „wie konnte dieser Fehler entwischen", kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Sie mit Belegen antworten. Normungsorganisationen wie die ISO veröffentlichen Qualitätsmanagement-Frameworks, die solche Dokumentationserwartungen prägen.

Ein realistisches Bild vom Nutzen

Bildprüfung ersetzt Prüfer selten vollständig. Sie verschiebt deren Arbeit vom Starren auf jedes Teil hin zur Bearbeitung der wenigen unklaren Fälle und zur Pflege des Systems. Was sich zeigt: weniger Escapes beim Kunden, konsequente 100-Prozent-Prüfung statt Stichprobe und eine Datenspur, mit der Ingenieure Fehler bis zu ihren Ursachen weiter oben in der Kette zurückverfolgen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.

Projekte, die scheitern, teilen meist ein Muster: zu wenige Fehlerbilder, keine Einigkeit über die Kosten von False Rejects, unkontrollierte Beleuchtung oder kein Plan für Drift. Nichts davon ist ein KI-Problem. Das sind Operations-Probleme, die die KI sichtbar macht.

Key Takeaways

• Accuracy lügt, Kosten sagen die Wahrheit. Bei seltenen Fehlern stellen Sie den Entscheidungs-Threshold so ein, dass die Gesamtkosten aus False Rejects plus Escapes minimal sind, und legen diese Zahl gemeinsam mit Finance und Qualität fest.
• Sammeln Sie Fehler gezielt. Echte Fehler sind selten, planen Sie also vor dem Training, wie Sie genügend Fehlerbeispiele gewinnen und labeln.
• Kontrollieren Sie die Umgebung. Feste Beleuchtung und Einhausungen zählen oft mehr als Modelloptimierungen; viele „KI-Ausfälle" sind Beleuchtungsausfälle.
• Achten Sie auf Drift und halten Sie Menschen im Loop. Überwachen Sie False-Reject-Raten, retrainieren Sie auf frischen Liniendaten und bestätigen Sie markierte Teile manuell, bis Kostendaten mehr Autonomie rechtfertigen.
• Protokollieren Sie alles je Teil. Speichern Sie Bild, Score, Threshold und Modellversion für die Rückverfolgbarkeit, besonders in regulierten Branchen.