KI Qualitätskontrolle: Automatische Fehlererkennung in der Produktion

Warum jetzt? Qualität, Fachkräftemangel und Kosten

Deutsche Mittelständler stehen unter Druck: Null-Fehler-Ziele, steigende Qualitätsanforderungen, Fachkräftemangel in der Sichtprüfung und gleichzeitig Kostendruck. Klassische, rein manuelle Prüfprozesse sind teuer, langsam und inkonsistent. Mit moderner Computer Vision (CV) und Edge‑KI lassen sich Prüfungen automatisieren – reproduzierbar, skalierbar und mit klar messbarem ROI.

Was bedeutet „KI Qualitätskontrolle“ konkret?

• Kamerabasiertes Erfassen von Werkstücken (2D/3D, sichtbares Licht, ggf. NIR)
• Vorverarbeitung: Beleuchtung normalisieren, Rauschen filtern, Perspektive korrigieren
• Merkmalsextraktion: Kanten, Texturen, Geometrie – oder direkt Deep‑Learning
• Klassifikation/Segmentierung: „in Ordnung“ vs. „Fehler“ (Kratzer, Dellen, Lunker, falsche Montage)
• Ergebnisrückmeldung: SPS/PLC‑Signal, Ausschleusung, Ticket in Q‑System, Rückmeldung an MES/ERP

Referenzarchitektur (on‑prem | Edge)

capture:
  cameras: Basler/IDS/Allied Vision (GigE/USB), Trigger via SPS
  lighting: Dome/Coaxial/Backlight je nach Oberfläche

edge:
  box: Ubuntu + Docker, NVIDIA GPU (optional)
  services:
    - acquisition: Kamera-SDK + Frame-Grabber
    - preprocessing: OpenCV (resize, denoise, normalize)
    - inference: TensorFlow/PyTorch (Defect-Classifier / Segmentierer)
    - postprocess: Geometrie-Checks, Regelwerke, Toleranzen
    - api: REST/gRPC nach MES/ERP/PLC

data:
  store: MinIO/S3 (verschlüsselt, EU), Versionierung der Datensätze
  labeling: CVAT/Label Studio (Rollen, Audit)
  monitoring: Prometheus/Grafana, Drift‑Checks

Praxisfälle im Mittelstand (DE)

1. Metallbearbeitung: Oberflächenkratzer, Einpressfehler, Gratbildung
2. Kunststoffspritzguss: Lunker, Fließnähte, Schlieren, Maßtoleranzen
3. Elektronik/Assemblies: Bauteil fehlt/verdreht, Lötfehler, Polarität
4. Logistik/Wareneingang: Label‑Prüfung, Barcode/Datamatrix, Verpackungsschäden

OpenCV‑Beispiel: Einfache Kanten/Defekt‑Detektion

import cv2 as cv
import numpy as np

# 1) Bild laden und normalisieren
img = cv.imread('werkstueck.jpg', cv.IMREAD_GRAYSCALE)
img = cv.equalizeHist(img)

# 2) Kanten hervorheben (z. B. Kratzer)
edges = cv.Canny(img, 50, 150)

# 3) Morphologie, um Ausreißer zu verbinden
kernel = np.ones((3, 3), np.uint8)
defects = cv.morphologyEx(edges, cv.MORPH_CLOSE, kernel, iterations=2)

# 4) Anteil „defekter“ Pixel als simpler Score
defect_ratio = (defects > 0).mean()
is_defective = defect_ratio > 0.015  # Schwellwert domänenspezifisch kalibrieren

print({'defect_ratio': round(float(defect_ratio), 4), 'is_defective': bool(is_defective)})

Die Schwellenwerte werden pro Produkt und Beleuchtung kalibriert. Für robuste Produktion empfiehlt sich ein Deep‑Learning‑Ansatz (siehe unten) plus klassische Geometrie‑Checks.

TensorFlow/Keras‑Beispiel: Defekt‑Klassifikation

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

img_size = (256, 256)
batch = 32

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    'dataset/',
    labels='inferred',
    label_mode='binary',  # 0 = ok, 1 = defekt
    image_size=img_size,
    batch_size=batch,
    validation_split=0.2,
    subset='both',
    seed=42,
)

data_augmentation = keras.Sequential([
    layers.RandomFlip('horizontal'),
    layers.RandomRotation(0.05),
    layers.RandomBrightness(0.1),
])

base = keras.applications.EfficientNetB0(
    include_top=False, input_shape=img_size + (3,), weights=None
)

model = keras.Sequential([
    layers.Input(shape=img_size + (3,)),
    data_augmentation,
    base,
    layers.GlobalAveragePooling2D(),
    layers.Dropout(0.2),
    layers.Dense(1, activation='sigmoid'),
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy', 'AUC'])
model.fit(train_ds[0], validation_data=train_ds[1], epochs=25)

Hinweise:

• Starten Sie mit wenigen hundert Bildern pro Klasse („ok“, „defekt“). Für Segmentierung (exakte Fehlermaske) UNet/DeepLab einsetzen.
• Domänenspezifische Augmentierung (Glanz, leichte Unschärfe) erhöht Robustheit.
• Modell + Beleuchtung gemeinsam optimieren.

Kennzahlen & ROI für den Werksleiter

Kostenrahmen (Richtwerte, 1 Kamera‑Zelle):

• Hardware (Kamera/Optik/Beleuchtung + Edge‑Box): 8.000–20.000 €
• Software/Implementierung/Labeling: 15.000–40.000 €
• Betrieb (Wartung/Datenspeicher): 1.000–3.000 €/Jahr

DSGVO, IT‑Sicherheit & Nachvollziehbarkeit

• Verarbeitung on‑prem; keine Übermittlung an Dritte (Data Residency EU)
• Pseudonymisierte Produktionsdaten; Bilder ohne Personenbezug
• Audit‑Trail (Art. 30 DSGVO): Versionen von Datensatz/Modell/Schwellwerten
• Nachvollziehbarkeit: Speicherung einiger Fehlersamples pro Schicht
• Rollenkonzept (RBAC): Wer darf Modelle/Schwellwerte ändern?

Implementierungsfahrplan (8–12 Wochen)

1. Woche 1–2: Use‑Case auswählen, Kamera/Beleuchtung testen, 200–500 Bilder sammeln
2. Woche 3–5: Labeling + Baseline (OpenCV‑Heuristik), KPI definieren
3. Woche 6–8: DL‑Modell trainieren, Edge‑Box integrieren, SPS‑Signal testen
4. Woche 9–10: A/B‑Vergleich gegen manuelle Prüfung, Toleranzen feinjustieren
5. Woche 11–12: UAT, Schulung, Übergabe an Betrieb, Monitoring einrichten

Checkliste: Produktionsreife Qualitätskontrolle

• Reproduzierbare Beleuchtung (Dome/Coax/Backlight)
• Stabiler Aufbau (Vibration, Temperatur)
• Beschriftete, versionierte Datensätze (Train/Val/Test)
• KPI‑Dashboard + Alarmierung
• Notfall‑Fallback bei Kamera/Edge‑Ausfall

Fazit

„KI Qualitätskontrolle“ ist kein Hype, sondern gelebte Praxis. Mit einem sauberen Setup aus Kamera, Beleuchtung und Edge‑Inference reduzieren mittelständische Werke Ausschuss, Nacharbeit und Reklamationen – messbar in Monaten statt Jahren. Brauchen Sie Unterstützung beim Aufbau einer kamerabasierten Qualitätskontrolle? Wir liefern PoC → Produktion inklusive Optik‑Auswahl, Modelltraining, SPS‑Integration und KPI‑Monitoring.