Visuelle Qualitätsprüfung mit Computer Vision: jedes Teil prüfen, jede Entscheidung dokumentieren

Optische Prüfaufgaben in der Fertigung werden vielerorts noch per Sichtprüfung oder Stichprobe erledigt. Wir bauen kamerabasierte Prüfungen, die jedes Teil bewerten, die Entscheidung nachvollziehbar dokumentieren und die Werker von monotoner Sichtprüfung entlasten.

Ausgangslage

Sichtprüfung skaliert nicht: Wo jedes Teil geprüft werden müsste, reicht die Zeit nur für Stichproben, und zwei Prüfer bewerten denselben Grenzfall unterschiedlich. Reklamationen lassen sich später kaum belegen, weil die Prüfentscheidung nicht dokumentiert ist.

Kamerabasierte Prüfung löst das – aber nur, wenn sie mit den Bedingungen der Serie zurechtkommt: seltene Fehler, wechselnde Beleuchtung, harte Taktzeiten und eine Linien-IT, die eingebunden werden will.

Typische Datengrundlage

Kamerabilder und Bildstreams aus der Linie, je nach Aufgabe ergänzt um 3D- und Tiefendaten. Gelabelte Fehlerbeispiele aus der Vergangenheit – bei seltenen Fehlerklassen naturgemäß wenige. IO/NIO-Prüfentscheide der bisherigen Prüfung als Referenz.

Entscheidend ist eine ausreichend große und sauber erfasste Menge an Gutteilen, die den zulässigen Variantenraum abdeckt – sie ist die Basis der Anomalieerkennung. Wo synthetische Trainingsbilder sinnvoll sind, kommen die CAD-Daten des Bauteils dazu.

Woran solche Vorhaben scheitern

Wenig Daten für die wichtigen Fehler. Gerade seltene Defekte liefern kaum Trainingsbeispiele. Das Modell muss auch bei stark unbalancierten Daten zuverlässig erkennen.

Die Serie verändert das Bild. Beleuchtung, Bauteilvarianten und Verschmutzung ändern sich im laufenden Betrieb. Ohne kontinuierliche Überwachung verliert selbst ein starker Pilot mit der Zeit an Trefferquote.

Qualität im Linientakt. Die Prüfung muss ihre Entscheidung innerhalb der Taktzeit liefern – zusätzliche Prüfqualität darf nicht zum Flaschenhals werden.

KI trifft Produktions-IT. Erst die Integration in SPS und MES macht aus dem Modell eine produktive Lösung. Dafür braucht es die enge Zusammenarbeit mit dem Anlagenbauer.

Vorgehen

Zwei Wege je Fehlerbild. Für Fehlerklassen mit ausreichend Beispielen kommen Objektdetektoren zum Einsatz, je nach Aufgabe transformerbasiert (RT-DETR) oder aus der YOLO-Familie. Für seltene und vorab unbekannte Fehlerbilder arbeitet die Lösung mit Anomalieerkennung: Ein selbstüberwacht vortrainiertes Vision-Foundation-Modell wie DINOv3 liefert die Bildmerkmale, bewertet wird über den Abstand zur Verteilung der Gutteile. Dieser Weg braucht keine Beispiele jeder einzelnen Fehlerart und lokalisiert zugleich die auffällige Stelle. Segment Anything beschleunigt das Labeling; wo Realbilder fehlen, ergänzen aus CAD gerenderte synthetische Bilder den Trainingsbestand.

Messen statt klassifizieren. Spaltmaße und vergleichbare Maßprüfungen lösen wir über ein Messverfahren: Laser-Lichtschnitt beziehungsweise Triangulation, Kantenextraktion aus dem Profilschnitt und Rückrechnung in Millimeter über eine dokumentierte Kalibrierung. Die Prüfmittelfähigkeit wird nach dem Verfahren des Kunden nachgewiesen.

Stabil über die Zeit. Zum Lieferumfang gehört eine Überwachung: Normalisierung von Helligkeit und Farbe je Aufnahme, laufender Vergleich der Bildmerkmalsverteilung gegen die Trainingsbasis, Alarm bei Abweichung, dazu ein festes Prüfbild-Set („Golden Set“), das täglich mitläuft. Neue Bauteilvarianten und strittige Fälle laufen zunächst im Schattenbetrieb mit. Das Nachtraining ist ein definierter, versionierter Vorgang mit Freigabe durch die Qualitätssicherung – kein stilles Aktualisieren im Hintergrund.

Edge-Deployment im Takt. Das Modell läuft auf Industrie-Hardware, für die Taktzeit über ONNX Runtime oder TensorRT optimiert und quantisiert. Prüfentscheide, Konfidenz und Bildausschnitt gehen an die Linien-IT und ins Archiv.

Was dabei entsteht

Jedes Teil statt Stichprobe: Aus punktueller Kontrolle wird eine lückenlose, dokumentierte Prüfung. Gleicher Maßstab für jedes Teil: Prüfentscheidungen fallen konsistent und reproduzierbar – unabhängig von Schicht, Werker oder Tagesform.

Jede Entscheidung bleibt nachvollziehbar: Bild und Begründung werden automatisch archiviert und schaffen eine belastbare Grundlage für spätere Reklamationen. Menschen kümmern sich um die Ausnahmen: Mitarbeiter konzentrieren sich auf auffällige Teile und deren Nacharbeit.

Die beiden entscheidenden Kennzahlen legen wir gemeinsam fest und messen sie im Pilot gegen die bisherige Prüfung: die Pseudoausschussquote – Gutteile, die das System als NIO meldet – und den Schlupf, also Fehlerteile, die es durchlässt. Der Arbeitspunkt zwischen beiden ist eine Entscheidung der Qualitätssicherung, keine technische Konstante, und wird als Abnahmekriterium festgeschrieben.