Klassische regelbasierte Bildverarbeitungssysteme (Machine Vision) prüfen Objekte nach fest programmierten geometrischen Regeln: Abstand X muss zwischen Y und Z liegen, Kreis hat Radius R±Toleranz. Diese Systeme funktionieren exzellent für vorhersagbare Defekte unter kontrollierten Beleuchtungsbedingungen. Sie versagen, wenn Defektmuster variieren, Beleuchtung schwankt oder neuartige Fehlertypen auftreten.
KI-gestützte Computer Vision mit Convolutional Neural Networks (CNN) lernt aus Beispielbildern, was „gut" und was „schlecht" bedeutet – ohne explizite Regelformulierung. Das Modell generalisiert auf neue Defektmuster, toleriert Beleuchtungsvariationen und verbessert sich mit jedem neuen Trainingsbeispiel.
Anwendungsfälle in der Fertigungspraxis
Oberflächenprüfung (Surface Inspection)
Kratzer, Lunker, Risse, Einschlüsse und Porosität auf Metall-, Kunststoff- oder Glasoberflächen werden durch hochauflösende Linienscan- oder Flächenkameras erfasst. Ein ResNet- oder EfficientNet-basiertes Modell klassifiziert jede Bildregion als i.O. oder n.i.O. und lokalisiert Defekte auf Pixelebene (Segmentierungsmodelle). Prüfzeit: typisch 50–500 ms pro Bauteil.
Maßhaltigkeitsprüfung
Strukturiertes Licht oder Lasertriangulation in Kombination mit KI ermöglicht 3D-Maßhaltigkeit ohne taktile Koordinatenmessmaschine. Beim Ausmessen komplexer Freiformflächen liefert ein trainiertes Modell Messunsicherheiten, die mit CMM-Messungen vergleichbar sind – bei einem Bruchteil der Prüfzeit.
Montageprüfung und Vollständigkeitskontrolle
Ein YOLO- oder Faster-RCNN-Modell prüft, ob alle Bauteile einer Baugruppe vorhanden und korrekt positioniert sind: Schrauben mit richtigem Anzugsmoment-Markierung, Clips korrekt eingerastet, Kabelverlegung konform. Besonders wertvoll in der Sondermaschinenmontage, wo jede Einheit ein Unikat ist.
Systemaufbau und Kameraauswahl
Eine industrielle Computer-Vision-Anlage besteht aus: Kamerasystem (Flächenscan, Linienscan oder 3D-Kamera), Beleuchtungseinheit (Telezentriklicht, Streiflicht, Durchlicht, Dunkelfeldbeleuchtung – je nach Defekttyp), Vision-Prozessor (GPU-bestückte Edge-Box oder dedizierter Vision-Computer), Schnittstelle zur SPS (Digital-I/O für Gut/Schlecht-Signal oder OPC UA für detaillierte Ergebnisse) und Datenmanagement für Trainingsbilder und Modellupdates.
Führende Systemanbieter: Cognex (ViDi Deep Learning), ISRA VISION, Keyence (IV3-Serie), Basler (Aurora Vision), STEMMER IMAGING. Für Cloud-basiertes Training: Microsoft Azure Custom Vision, Google Vertex AI Vision, AWS Rekognition Custom Labels.
Transfer Learning: schneller Start mit wenigen Bildern
Das größte praktische Hindernis bei der Einführung von KI-Bildverarbeitung ist die Datenlage: Für seltene Defekte gibt es oft nur Dutzende, nicht Tausende von Trainingsbildern. Transfer Learning löst dieses Problem: Ein auf Millionen allgemeiner Bilder vortrainiertes Modell (ImageNet-Weights) wird auf den spezifischen Defekttyp feintrainiert (Fine-Tuning). Typischerweise reichen 50–200 Defektbilder je Klasse für eine funktionsfähige Klassifikation.
Praxiserfahrung: Die kritischste Erfolgsgröße ist nicht das KI-Modell, sondern die Beleuchtungsstabilität. 80 % der Computer-Vision-Projektfehler sind auf inkonsistente Beleuchtung zurückzuführen. Investieren Sie hier zuerst.