KI in der Qualitätskontrolle: Defekte in Bauteilen automatisch erkennen

Kategorien: Künstliche Intelligenz und Datenschutz

Maschinen sehen schärfer, als es das menschliche Auge je könnte – zumindest dann, wenn sie richtig trainiert sind. Moderne KI-gestützte Bildanalyse erkennt Defekte in Bauteilen in Echtzeit, mit messbarer Präzision und vollständig innerhalb des eigenen Unternehmensnetzes. Was das bedeutet, wie es funktioniert und warum souveräne KI dabei keine Kompromisse erfordert, zeigt dieser Beitrag.

Warum automatische Qualitätskontrolle?

Industrielle Qualitätskontrolle ist zeitkritisch, insbesondere in der Fertigung. Fehlerhafte Bauteile, die unentdeckt weiterlaufen, verursachen Ausschuss, Reklamationen, Nacharbeit und im ungünstigen Fall Sicherheitsrisiken. Gleichzeitig stoßen klassische Sichtprüfungen durch Menschen an ihre Grenzen: Konzentrationsschwankungen, Ermüdung, subjektive Beurteilungsunterschiede und die schiere Menge an Prüfobjekten machen eine lückenlose manuelle Kontrolle in der Praxis kaum realisierbar.

KI-basierte Bildanalyse ist ein wirksames Werkzeug, um diese Aufgabe zu automatisieren – und das nicht erst seit gestern. Computer Vision, also die maschinelle Verarbeitung und Interpretation von Bilddaten, hat sich in den vergangenen Jahren zu einer ausgereiften Technologie entwickelt. Convolutional Neural Networks (CNNs) und modernere Architekturen wie Vision Transformers haben die Erkennungsgenauigkeit auf ein Niveau gehoben, das in vielen Prüfaufgaben mit menschlicher Expertise mithalten oder sie übertreffen kann. Dieser Beitrag beschreibt am Beispiel einer konkreten Lösung zur Defekterkennung, was mit souveräner KI heute möglich ist.

Was die Lösung leistet

Die Lösung erkennt in rund 100 Millisekunden, ob auf einem Bild eines Bauteils ein Defekt vorhanden ist. Wird ein Defekt gefunden, zeichnet die KI ihn auf dem Bild ein. Das Ergebnis ist damit sofort visuell überprüfbar – sowohl für den menschlichen Prüfer als auch für weiterverarbeitende Systeme.

Auch kleinste Auffälligkeiten werden zuverlässig erfasst. Die Genauigkeit lässt sich nicht nur subjektiv beurteilen, sondern mit einer etablierten Metrik messen: dem IoU-Wert (Intersection over Union). Dieser Wert quantifiziert die Überlappung zwischen der manuell markierten Referenz (Goldstandard) und der KI-Erkennung. Hohe IoU-Werte bedeuten, dass die KI den Defekt nicht nur „irgendwo" findet, sondern präzise dort verortet, wo er tatsächlich liegt – mit der richtigen Form und der richtigen Ausdehnung.

Weitere gebräuchliche Metriken sind Precision (wie viele der gefundenen Defekte sind tatsächlich Defekte?) und Recall (wie viele der vorhandenen Defekte wurden gefunden?). In der Praxis kommt es darauf an, beide Werte in ein sinnvolles Gleichgewicht zu bringen – je nach Anwendungsfall kann ein hoher Recall wichtiger sein als eine hohe Präzision oder umgekehrt.

Von den Bildern zum produktiven Modell – in wenigen Schritten

Der Weg zu einem einsatzbereiten KI-Modell folgt einem klaren Ablauf:

Schritt 1: Beispielbilder sammeln: Schon einige hundert annotierte Beispiele genügen als Ausgangspunkt. Ist der Bestand knapper, lässt er sich durch synthetische Manipulation sinnvoll erweitern (dazu mehr im nächsten Abschnitt).

Schritt 2: Defekte annotieren: Mit einem eigens entwickelten, auf Geschwindigkeit und Komfort optimierten Annotationswerkzeug werden die Defekte in den Trainingsbildern effizient markiert. Wer schon einmal mehrere hundert Bilder per Hand annotieren musste, weiß, wie viel Zeit und Frust ein gut durchdachtes Tool an dieser Stelle spart.

Schritt 3: KI-Modell trainieren: Es wird ein maßgeschneidertes Modell trainiert, das speziell auf bestimmte Bauteile und Defektklassen ausgelegt ist. Auch dreidimensionale Aufnahmen (Stereografie) sind möglich – so lassen sich beispielsweise Pakete auf einem Förderband erkennen, mit einem Roboter vereinzeln und automatisch sortieren.

Hinter der Lösung steht ein eigenes KI-Modell

Die Lösung greift nicht auf einen generischen Cloud-Dienst zurück. Im Kern arbeitet ein eigens trainiertes KI-Modell, das auf die konkrete Aufgabe abgestimmt ist.

Für das Training reichen einige hundert annotierte Beispielbilder. Bei knapper Datenlage lässt sich der Bestand durch synthetische Manipulation sinnvoll erweitern: Variationen in Beleuchtung, Perspektive, Bildrauschen, Skalierung oder Farbgebung erzeugen zusätzliche Trainingsbilder, ohne dass die Aussagekraft leidet. In manchen Projekten kommt man so mit deutlich weniger realen Originalen aus, als man zunächst annehmen würde.

Diese Technik wird auch als Data Augmentation bezeichnet und ist ein etabliertes Verfahren im maschinellen Lernen. Sie ist besonders dann wertvoll, wenn reale Defektbilder selten sind – was in der industriellen Praxis häufig vorkommt, denn ein gut laufender Fertigungsprozess produziert naturgemäß wenig Ausschuss.

Integration in bestehende Prozesse

Eine KI-Lösung ist nur dann nützlich, wenn sie sich in vorhandene Abläufe einfügt. Dafür steht eine API bereit, über die Kundensysteme die Defekterkennung direkt ansprechen können. Zwei Betriebsarten decken die typischen Anforderungen ab:

• Echtzeit-Anfragen für einzelne Bilder oder kleine Stapel, etwa in einer laufenden Inline-Prüfung – mit einer Antwortzeit von rund 100 ms.
• Job-basierte Verarbeitung mit Queue für große Datenmengen, bei denen es weniger auf die Latenz einer einzelnen Anfrage ankommt als auf den geordneten Durchsatz.

So lassen sich sowohl produktionsbegleitende Kontrollen als auch nachgelagerte Massenauswertungen abdecken, ohne dass dafür unterschiedliche Systeme nötig wären.

Hardware: niedrige Einstiegsschwelle

Für den Betrieb genügt ein KI-Server im unteren Preissegment. Eine teure GPU-Farm ist nicht erforderlich. Der Server arbeitet autark im eigenen Netz – ohne Internetverbindung zu externen KI-Diensten. Es wird kein ChatGPT, kein Azure-Dienst und kein anderer Cloud-Anbieter angesprochen. Die KI läuft komplett im eigenen Haus.

Das hat zwei praktische Konsequenzen: Erstens entstehen keine laufenden Nutzungsgebühren pro Anfrage. Zweitens bleibt die Lösung verfügbar, wenn die Internetverbindung ausfällt oder ein externer Anbieter Dienste umstellt.

Warum Souveränität zählt

Souveräne KI bedeutet in diesem Kontext sehr konkret: Die Daten verlassen das Unternehmen nicht. Bilder von Bauteilen und die daraus gewonnenen Erkenntnisse bleiben beim Betreiber der KI, der zugleich Inhaber der Daten ist. Es gibt keine stille Verwertung durch Dritte, keine einseitig geänderten Nutzungsbedingungen, die plötzlich neue Datenverwendungen erlauben, und keine geopolitischen Risiken rund um den Zugriff auf eine fremde Cloud.

Gerade in der Industrie sind Bilder von Bauteilen mehr als bloße Pixel. Sie können Rückschlüsse auf Fertigungsverfahren, Materialien, Toleranzen und Konstruktionsdetails zulassen – Informationen, die ein Unternehmen aus guten Gründen nicht teilen möchte. Eine Cloud-Lösung verlangt hier ein Vertrauen, das sich oft nur schwer einlösen lässt. Eine lokal betriebene Lösung verlangt es schlicht nicht.

Die hier beschriebene Lösung wurde vollständig in Deutschland entwickelt. Das ist kein Selbstzweck, sondern hat praktische Konsequenzen für Datenschutz, Vertragsrecht und die Ansprechbarkeit derer, die die Lösung verantworten.

Übertragbarkeit auf andere Anwendungsfälle

Vielleicht der wichtigste Punkt für die längerfristige Perspektive: Die Struktur des Problems ist grundsätzlich gelöst. Was die Lösung im Kern macht – auf einem Bild ein bestimmtes Muster finden, lokalisieren und markieren – lässt sich auf eine ganze Klasse ähnlicher Aufgaben übertragen: Klassifikation, Objekterkennung, Zählung, Sortierung und mehr.

Denkbare Anwendungsfelder sind zum Beispiel:

• Erkennung von Lötstellenfehlern in der Elektronikfertigung
• Qualitätskontrolle bei Spritzgussteilen und Gussteilen
• Detektion von Oberflächenfehlern auf Blechen, Folien oder Lackoberflächen
• Auffälligkeiten in der Lebensmittelproduktion (Fremdkörper, Form- und Farbabweichungen)
• Visuelle Inspektion in der Holz-, Glas- oder Textilverarbeitung
• Auswertung von Mikroskopaufnahmen oder Materialproben
• Schweißnahtprüfung und Verpackungskontrolle
• Paketerkennung und automatische Sortierung auf Förderbändern mit Roboteranbindung
• Objektzählung und Qualitätsdokumentation

Der Aufwand für eine Adaption an einen neuen Anwendungsfall ist wirtschaftlich leistbar, weil die Architektur der Lösung steht. Was es braucht, sind passende Trainingsdaten für die neue Aufgabe – und auch hier hilft, wenn nötig, die synthetische Datenerzeugung, um aus einem überschaubaren Bestand an realen Beispielen einen tragfähigen Trainingsdatensatz zu machen.

Was die Qualität bestimmt

Drei Faktoren entscheiden im Wesentlichen darüber, wie gut eine solche Lösung in einem konkreten Projekt arbeitet:

• Qualität und Repräsentativität der Trainingsdaten. Die KI lernt, was sie sieht. Sind die Beispiele unausgewogen oder einseitig, lernt sie das Falsche.
• Sorgfalt bei der Annotation. Saubere, konsistente Markierungen sind die Grundlage für ein verlässliches Modell. Unsaubere Annotationen führen zu unsauberen Ergebnissen.
• Passende Konfiguration des Modells für die jeweilige Aufgabe – mit dem Wissen, welche Hebel an welcher Stelle wirken.

Keiner dieser Punkte ist trivial, keiner ist aber auch unlösbar. Mit einem strukturierten Vorgehen lässt sich in vielen Aufgaben eine sehr gute Erkennungsqualität erreichen.

Fazit

Souveräne KI für die industrielle Bilderkennung funktioniert – heute, auf bezahlbarer Hardware, im eigenen Netz, ohne Cloud-Abhängigkeit und mit Daten, die das Unternehmen nicht verlassen. Die Defekterkennung in Bauteilen ist dafür ein anschauliches und bereits produktiv erprobtes Beispiel. Die zugrundeliegende Methodik trägt aber deutlich weiter: Wer ein visuelles Erkennungsproblem hat, das sich strukturell ähnlich darstellt, bewegt sich auf bereits gangbarem Boden.

Entscheidend ist, dass der Einstieg keine großen Vorinvestitionen erfordert. Einige hundert Beispielbilder, ein strukturierter Annotationsprozess und ein auf die Aufgabe zugeschnittenes Modell reichen aus, um in kurzer Zeit zu messbaren, verlässlichen Ergebnissen zu kommen. Die Frage ist längst nicht mehr, ob KI-gestützte Qualitätskontrolle technisch möglich ist – sie ist es. Die spannende Frage ist, welches konkrete Problem als Nächstes damit gelöst werden kann.

Weitere Anwendungsfälle für KI in der Bildanalyse gibt es beispielweise bei der Erkennung und Auswertung von Kassenbons. John Bon erkennt die Position und den Inhalt von Bons auf eingescannten oder fotografierten Belegen auch dann, wenn Bons sich überlappen oder das Thermopapier stark verwaschen oder zerkrumpelt ist.