Qualitaetskontrolle Computer Vision - das Thema kommt in fast jedem Gespraech mit Fertigungsbetrieben auf. Und das aus gutem Grund: Visuelle Pruefaufgaben sind repetitiv, ermuedend und fehleranfaellig, wenn ein Mensch acht Stunden am Stueck Teile begutachten muss. Die Fehlerrate steigt mit jeder Stunde, besonders bei monotonen Aufgaben.

Aber zwischen der Idee und einem funktionierenden System liegen einige Huerden, ueber die selten gesprochen wird. In diesem Beitrag beschreibe ich vier konkrete Use Cases fuer Bildverarbeitung Qualitaetspruefung, erklaere was man an Hardware und Setup wirklich braucht, und sage ehrlich, wo Computer Vision an seine Grenzen stoesst.

Was Qualitaetspruefung mit Computer Vision in der Praxis bedeutet

Im Kern geht es darum, eine Kamera auf ein Bauteil zu richten, ein Bild aufzunehmen und dieses Bild automatisch auszuwerten. Klingt einfach. Ist es manchmal auch - aber die Details entscheiden.

Eine automatische Qualitaetspruefung Fertigung besteht typischerweise aus drei Komponenten: einer Kamera mit passendem Objektiv, einer kontrollierten Beleuchtung und einem Rechner, der das Bild auswertet. Die Auswertung kann regelbasiert sein (klassische Bildverarbeitung mit definierten Schwellwerten) oder KI-basiert (ein trainiertes Modell, das Gut von Schlecht unterscheidet).

In der Praxis sehe ich oft, dass der KI-basierte Ansatz dort Sinn macht, wo Defekte variabel sind - also nicht immer gleich aussehen. Ein Kratzer kann duenn oder breit sein, gerade oder gebogen. Ein regelbasierter Ansatz braucht fuer jede Variante eine eigene Regel. Ein trainiertes Modell lernt das Muster aus Beispielen.

Use Case 1: Oberflaecheninspektion

KI Oberflaecheninspektion ist wahrscheinlich der haeufigste Einstiegspunkt. Es geht um die Erkennung von Kratzern, Dellen, Verfaerbungen, Einschluessen oder anderen optischen Defekten auf der Bauteiloberflaeche.

Wie das funktioniert: Eine Kamera nimmt ein Bild der Oberflaeche auf. Das KI-Modell vergleicht dieses Bild mit seinem trainierten Wissen darueber, wie eine gute Oberflaeche aussieht, und markiert Abweichungen.

Was einfach klingt, hat einen entscheidenden Engpass: die Beleuchtung. Ich kann das nicht genug betonen. Die Beleuchtung ist bei Oberflaecheninspektionen wichtiger als die Kamera und wichtiger als das KI-Modell. Ein Kratzer, der unter Streiflicht deutlich sichtbar ist, verschwindet unter diffuser Beleuchtung komplett. Umgekehrt erzeugt Streiflicht auf einer leicht strukturierten Oberflaeche Schatten, die wie Defekte aussehen.

In der Praxis bedeutet das: Bevor ich ueberhaupt an ein KI-Modell denke, teste ich verschiedene Beleuchtungsszenarien. Ringlicht, Dombeleuchtung, Streiflicht, Durchlicht - je nach Material und Defekttyp. Dieser Schritt dauert manchmal laenger als das eigentliche Modelltraining.

Fuer metallische Oberflaechen, wie sie in der DACH-Fertigungsindustrie haeufig vorkommen, sind reflektierende Materialien eine besondere Herausforderung. Eine polierte Aluminiumoberflaeche spiegelt die Lichtquelle direkt in die Kamera, was das Bild unbrauchbar macht. Hier brauche ich polarisierte Beleuchtung oder spezielle Diffusoren, und selbst dann ist das Ergebnis nicht immer perfekt.

Use Case 2: Vollstaendigkeits- und Montagepruefung

Der zweite grosse Anwendungsfall: Pruefen, ob alle Teile vorhanden und korrekt montiert sind. Das betrifft zum Beispiel Baugruppen, bei denen Schrauben, Clips, Dichtungen oder Stecker an definierten Positionen sitzen muessen.

Technisch gesehen ist das oft einfacher als Oberflaecheninspektion, weil die Frage binaer ist: Teil vorhanden oder nicht. Die Kamera nimmt ein Bild der Baugruppe auf, und das Modell prueft jede relevante Position.

Die Herausforderung kommt mit Varianten. Wenn ein Hersteller zwanzig Produktvarianten auf derselben Linie fertigt und jede Variante eine andere Bestueckung hat, muss das System wissen, welche Variante gerade geprüft wird. Das erfordert entweder einen Datenaustausch mit dem MES oder eine automatische Variantenerkennung. In der Praxis laeuft das oft ueber einen Barcode oder einen digitalen Trigger von der SPS.

Ich sehe hier immer wieder denselben Fehler: Unternehmen wollen sofort alle Varianten abdecken. Mein Rat ist, mit der haeufigsten Variante zu starten und das System schrittweise zu erweitern. Ein System, das eine Variante zuverlaessig prueft, ist wertvoller als eines, das zwanzig Varianten halb prueft.

Use Case 3: Masshaltigkeit und Vermessung

Computer Vision kann auch fuer dimensionale Pruefungen eingesetzt werden - also zum Messen von Laengen, Abstaenden, Winkeln oder Radien direkt aus dem Kamerabild.

Hier muss ich ehrlich sein: Das funktioniert gut fuer relative Messungen und fuer Toleranzen im Bereich von Zehntelmillimetern. Fuer Mikrometer-Genauigkeit oder komplexe 3D-Geometrien ersetzt ein Kamerasystem kein Koordinatenmessgeraet (KMG).

Der Vorteil von kamerabasierter Vermessung liegt in der Geschwindigkeit und Integration. Inline, also direkt in der Produktionslinie, kann ich jedes Teil pruefen statt nur Stichproben. Wenn ein Mass sich langsam verschiebt - was auf Werkzeugverschleiss hindeutet - sehe ich den Trend fruehzeitig und kann reagieren, bevor Ausschuss entsteht.

Offline-Messungen mit dedizierten Messsystemen bleiben dort unverzichtbar, wo hoechste Praezision oder komplexe Geometrien gefragt sind. Computer Vision ersetzt das KMG nicht, aber es ergaenzt es: hundert Prozent Inline-Pruefung mit moderater Genauigkeit plus Stichproben am KMG mit hoher Genauigkeit.

Use Case 4: Dokumentation und Rueckverfolgbarkeit

Dieser Use Case wird oft unterschaetzt, ist aber in vielen Branchen enorm wertvoll. Jedes produzierte Teil wird fotografiert und das Bild wird mit einer eindeutigen Seriennummer oder Chargennummer verknuepft.

Wenn ein Kunde sechs Monate spaeter reklamiert, kann ich das Bild vom Produktionszeitpunkt aufrufen und pruefen, ob der Defekt schon bei der Auslieferung vorhanden war. Fuer Automotive-Zulieferer im DACH-Raum, die unter enormem Dokumentationsdruck stehen, ist das ein starkes Argument.

Technisch ist das der einfachste der vier Use Cases. Eine Kamera, ein Trigger-Signal, eine Datenbank. Die Herausforderung liegt eher in der Datenmenge - wer jeden Tag zehntausend Teile fotografiert, braucht ein durchdachtes Speicherkonzept und eine klare Loeschstrategie.

Hardware-Realitaet: Was man wirklich braucht

Ein typisches Setup fuer Bildverarbeitung Qualitaetspruefung besteht aus:

Industriekamera: Flaechenkamera oder Zeilenkamera, je nach Anwendung. Aufloesung zwischen zwei und zwanzig Megapixeln. Fuer die meisten Anwendungen reicht eine Kamera im mittleren Preissegment.
Objektiv: Passend zur Arbeitsabstand und Bildfeld. Hier zu sparen raecht sich - ein schlechtes Objektiv macht jede gute Kamera schlechter.
Beleuchtung: Wie oben beschrieben der kritischste Faktor. LED-Beleuchtungen mit definierter Geometrie und stabiler Helligkeit.
Edge-PC oder Industrie-PC: Fuer die Bildauswertung vor Ort. Ein moderner Edge-PC mit GPU kann die meisten Vision-Modelle in Echtzeit ausfuehren.
Mechanische Integration: Halterungen, Abschirmungen gegen Fremdlicht, eventuell ein Gehaeuseverbau. Dieser Teil wird in Angeboten oft vergessen, kostet aber Zeit und Geld.

Die Integration in die bestehende Linie ist oft der aufwaendigste Teil. Wo wird die Kamera montiert? Wie wird das Trigger-Signal erzeugt? Wie kommuniziert das Ergebnis mit der SPS? Diese Fragen klingen banal, binden aber schnell mehrere Tage Arbeit.

Ehrliche Limitierungen

Computer Vision in der Qualitaetskontrolle hat klare Grenzen. Diese zu kennen spart Enttaeuschung und Geld:

Komplexe 3D-Geometrien: Eine 2D-Kamera sieht nur, was sie sieht. Hinterschneidungen, Bohrungstiefen oder Innengeometrien bleiben unsichtbar. 3D-Vision-Systeme helfen teilweise, sind aber deutlich teurer und komplexer.
Variable Beleuchtung: Wenn die Umgebungsbeleuchtung schwankt - durch Tageslicht, wechselnde Hallenbeleuchtung oder Reflexionen - leidet die Bildqualitaet. Kontrollierte, abgeschirmte Beleuchtung ist Pflicht.
Transparente und stark reflektierende Materialien: Glas, poliertes Metall, Folien - diese Materialien sind fuer Kamerasysteme schwierig. Es funktioniert, aber der Aufwand fuer Beleuchtung und Bildvorverarbeitung ist deutlich hoeher.
Seltene Defekte: Wenn ein Defekttyp nur einmal pro zehntausend Teile auftritt, fehlen Trainingsbilder. Anomalie-Erkennung kann helfen, ist aber weniger zuverlaessig als ueberwachtes Lernen mit vielen Beispielen.
Verschmutzung und Verschleiss: Kameras und Beleuchtungen in Produktionsumgebungen verschmutzen. Kuehlschmierstoffe, Staub, Vibrationen - all das erfordert regelmaessige Wartung, die eingeplant werden muss.

Wie man anfaengt

Mein Rat fuer Fertigungsbetriebe im DACH-Raum, die ueber automatische Qualitaetspruefung Fertigung nachdenken:

Einen Pruefpunkt auswaehlen: Nicht das ganze Werk auf einmal. Eine Station, ein Defekttyp, ein klares Erfolgskriterium.
Beleuchtung zuerst: Bevor ueber KI-Modelle gesprochen wird, die Beleuchtungssituation klaeren. Ein gutes Bild mit der richtigen Beleuchtung ist die halbe Miete.
Trainingsbilder sammeln: Mindestens einige hundert Bilder von Gutteilen und - soweit vorhanden - von Defekten. Je mehr Variabilitaet in den Bildern, desto robuster das spaetere Modell.
Klein starten, dann skalieren: Ein funktionierender Proof of Concept an einer Station liefert die Argumente fuer den naechsten Schritt.

Computer Vision in der Qualitaetspruefung ist kein Wundermittel. Aber fuer die richtigen Anwendungsfaelle - repetitive visuelle Pruefungen mit kontrollierten Bedingungen - ist es eines der wirksamsten Werkzeuge, das Fertigungsbetrieben aktuell zur Verfuegung steht. Wer realistisch an die Sache herangeht und mit einem fokussierten Pilotprojekt startet, kann innerhalb weniger Wochen belastbare Ergebnisse erzielen.

Qualitaetspruefung mit Computer Vision: Was in der Praxis funktioniert