Inhalt
  1. Bildverarbeitung ist ein System
  2. Das Fehlerbild präzise beschreiben
  3. Regeln und KI passend einsetzen
  4. Die Kamera in den Ablauf integrieren
  5. Quellen

Ein Kratzer ist mit bloßem Auge gut sichtbar, verschwindet aber im Kamerabild. An anderer Stelle wird eine Reflexion als Defekt erkannt. Solche Probleme lassen sich nicht automatisch durch ein größeres KI-Modell lösen. Zunächst muss das entscheidende Merkmal zuverlässig im Bild erscheinen.

Bildverarbeitung ist ein System

Cognex beschreibt Machine Vision als Zusammenspiel von Sensoren, Optik, Beleuchtung und Software. Der Hersteller unterscheidet dabei auch regelbasierte und KI-gestützte Ansätze. Für die Projektplanung folgt daraus eine klare Reihenfolge: Prüfaufgabe definieren, Aufnahmebedingungen entwickeln und erst danach die Auswertung auswählen.

Bei einer Maßprüfung kann eine kontrastreiche Kontur entscheidend sein. Für Oberflächenfehler muss das Licht dagegen so auf das Teil treffen, dass Unebenheiten sichtbar werden. Material, Farbe und Reflexion beeinflussen das Ergebnis. Ein Universalaufbau für alle Prüfmerkmale ist deshalb selten die beste Ausgangslage.

Das Fehlerbild präzise beschreiben

„Gute und schlechte Teile erkennen“ ist keine ausreichende Spezifikation. Benenne, welche Abweichungen relevant sind und welche toleriert werden. Eine sichtbare Verfärbung kann technisch unkritisch sein, während ein kaum sichtbarer fehlender Grat den nächsten Montageprozess stört. Die fachliche Entscheidung über Gut und Schlecht muss vor dem Modelltraining stehen.

Prüfaspekt Zu klärende Frage
Merkmal Welche Abweichung soll sichtbar sein?
Aufnahme Bleiben Lage, Licht und Abstand beherrschbar?
Bewertung Was sind zulässige Grenzfälle?
Reaktion Wie wird ein unsicheres Teil behandelt?

Regeln und KI passend einsetzen

Für eindeutig definierte Geometrien können klassische Verfahren gut nachvollziehbar sein. Lernende Ansätze sind interessant, wenn Erscheinungsbilder variieren und sich passende Beispiele sammeln lassen. Auch dann braucht es eine getrennte Prüfsammlung. Bilder desselben Teils in fast identischer Lage sollten nicht unbemerkt sowohl im Training als auch im Test auftauchen.

Miss zwei Fehlerarten getrennt: übersehene Fehler und fälschlich ausgesonderte Gutteile. Welche davon schwerer wiegt, hängt vom Prozess ab. Ein hoher Gesamtanteil richtiger Entscheidungen kann täuschen, wenn echte Defekte selten vorkommen.

Die Kamera in den Ablauf integrieren

Ein Prüfergebnis muss dem richtigen Teil zugeordnet bleiben. Trigger, Transportverzögerung und Ausschleusung gehören deshalb zur Abnahme. Ebenso sollte eine verschmutzte Optik oder ausgefallene Beleuchtung als technischer Fehler erkennbar sein.

Für die Fehlersuche ist eine Auswahl gespeicherter Prüfbilder hilfreich. Damit lässt sich später erkennen, ob ein falsches Ergebnis durch Beleuchtung, Lage oder Auswertung entstanden ist. Die Speicherung sollte gezielt und mit passenden Zugriffsregeln erfolgen. Bei einer Parameteränderung können dieselben Bilder nochmals ausgewertet werden. Eine solche Wiederholung zeigt allerdings nur die Softwarewirkung; neue reale Aufnahmen bleiben erforderlich, wenn die Kamera oder die Beleuchtung am Arbeitsplatz verändert wurde.

Unsere Einordnung: Der größte Fortschritt entsteht häufig durch einen stabilen Aufnahmeaufbau. KI kommt dann als Auswertungswerkzeug hinzu. Wie aus Messwerten sinnvolle Zustandsinformationen werden, zeigt der Beitrag zu Predictive Maintenance.

Quellen & weiterführende Informationen