Ein geschulter Qualitätsprüfer kann einen Oberflächenkratzer, eine falsch ausgerichtete Schweißnaht oder ein verfärbtes Bauteil in Sekunden erkennen. Das Problem ist nicht das Können — es ist die Skalierung. Wenn eine Produktionslinie mit 120 Teilen pro Minute läuft, kann kein Mensch dieses Aufmerksamkeitsniveau über eine ganze Schicht aufrechterhalten. Ermüdung setzt nach der ersten Stunde ein. In der vierten Stunde steigen die Fehlerquoten merklich. In der achten Stunde ist die Inspektion weitgehend nur noch eine Formalität.
Das ist keine Kritik an Menschen. Es ist eine Aussage über die physischen Grenzen der menschlichen visuellen Verarbeitung unter dauerhafter Wiederholung. Die Fertigung weiß das seit Jahrzehnten. Die Antwort war Stichprobenprüfung — jedes zehnte Teil inspizieren, jedes hundertste Teil, und das statistische Risiko akzeptieren. Aber in Branchen wie Automotive, Medizintechnik und Elektronik können selbst wenige durchgeschlüpfte Defekte Rückrufe, Garantieansprüche oder regulatorische Maßnahmen bedeuten.
Was kamerabasierte KI-Inspektion tatsächlich leistet
KI-gestützte visuelle Inspektion nutzt Industriekameras — Flächenscan, Zeilenscan oder 3D — kombiniert mit trainierten Deep-Learning-Modellen, um jedes Teil in Produktionsgeschwindigkeit zu klassifizieren. Anders als regelbasierte Bildverarbeitung, die handcodierte Schwellenwerte für jeden Defekttyp erfordert, lernen Deep-Learning-Modelle aus gelabelten Beispielen, wie „gut" und „schlecht" aussehen. Das macht sie deutlich anpassungsfähiger an die Variabilität einer echten Produktionslinie: Beleuchtungsänderungen, Materialchargen-Unterschiede, fortschreitender Werkzeugverschleiß.
Die typische Architektur sieht so aus:
- Bildaufnahme — Kameras werden durch Sensoren oder Encoder ausgelöst und erfassen jedes Teil an einer festen Station
- Vorverarbeitung — Bilder werden zugeschnitten, normalisiert und an einem Referenzrahmen ausgerichtet
- Inferenz — das trainierte Modell klassifiziert das Bild (bestanden/durchgefallen, Defekttyp, Schweregrad) in Millisekunden
- Aktion — Ergebnisse lösen Sortiermechanismen, Bedieneralarm oder MES-Qualitätseinträge aus
Der Inferenzschritt ist der Punkt, an dem sich Deep Learning von der traditionellen Bildverarbeitung absetzt. Ein konventionelles System braucht explizite Regeln: „Wenn Kratzerlänge > 2 mm und Tiefe > 0,1 mm, dann aussortieren." Ein Deep-Learning-Modell lernt diese Grenzen implizit aus Hunderten oder Tausenden gelabelter Bilder. Es generalisiert über Defektvariationen hinweg, die eine unpraktikable Anzahl handcodierter Regeln erfordern würden.
Modelle mit echten Defektdaten trainieren
Die Qualität eines visuellen Inspektionsmodells hängt vollständig von der Qualität seiner Trainingsdaten ab. Hier stoßen die meisten Projekte auf ihr erstes echtes Hindernis. Defekte sind per Definition seltene Ereignisse. Eine gut laufende Produktionslinie produziert vielleicht 0,1 % fehlerhafte Teile. Das bedeutet: Auf 1.000 Bilder von Gutteilen kommt vielleicht ein Bild eines Kratzers, eines einer Delle, keines eines Risses. Ein ausgewogenes Trainingsdatenset aufzubauen erfordert gezielten Aufwand: Defektbilder über Wochen oder Monate sammeln, sie mit Rotationen und Beleuchtungsvariationen augmentieren und von Domänenexperten präzise labeln lassen.
In RockQs ML Studio geschieht dieser Label- und Trainingsworkflow visuell. Prozessingenieure und Qualitätsspezialisten — die Menschen, die tatsächlich den Unterschied zwischen einer kosmetischen Markierung und einem funktionalen Defekt kennen — annotieren Bilder direkt in der Plattform. Sie definieren Defektkategorien, zeichnen Bounding Boxes oder Segmentierungsmasken und trainieren Modelle ohne Code zu schreiben. Das Modell evaluiert auf zurückgehaltenen Testdaten, und die Ingenieure prüfen die Konfusionsmatrix, um genau zu verstehen, wo das Modell Schwächen hat, bevor es in die Nähe der Produktionslinie kommt.
Deployment an der Linie und Anbindung an das MES
Ein Modell, das im Labor funktioniert, aber nicht in Liniengeschwindigkeit laufen kann, ist nutzlos. Deployment bedeutet, dass das Modell die Inferenz innerhalb der Taktzeit des Produktionsprozesses durchführt — oft unter 100 Millisekunden. Es bedeutet, dass das System mit Kameraausfällen robust umgeht, jede Entscheidung für die Rückverfolgbarkeit protokolliert und sich in das MES integriert, damit Qualitätsdaten in dasselbe System fließen, das Bediener und Qualitätsmanager bereits nutzen.
Dieser letzte Punkt — die MES-Integration — wird häufig unterschätzt. Ein KI-Inspektionssystem, das isoliert existiert, schafft ein paralleles Datensilo. Bediener prüfen einen Bildschirm für Produktionsdaten und einen anderen für Inspektionsergebnisse. Qualitätsmanager können Defekttrends nicht mit Chargendaten oder Prozessparametern korrelieren. Der eigentliche Mehrwert entsteht, wenn Inspektionsergebnisse als strukturierte Qualitätsereignisse ins MES zurückgeschrieben werden: Defekttyp, Position, Zeitstempel, zugehörige Charge und verknüpfte Prozessbedingungen. Dann wird visuelle Inspektion nicht nur zum Gatekeeper, sondern zur Quelle kontinuierlicher Prozessintelligenz.
Visuelle Qualitätsprüfung mit KI ersetzt keine Prüfer. Sie gibt jedem einzelnen Teil das gleiche Maß an Prüfgenauigkeit, das der beste Inspektor an seinem besten Tag liefert — konsistent, bei voller Geschwindigkeit, Schicht für Schicht. Die Technologie ist ausgereift. Die Herausforderung besteht darin, sie so einzusetzen, dass Fertigungsabläufe respektiert, bestehende Systeme angebunden und Domänenexpertise ins Zentrum des Prozesses gestellt wird.