Am Ende der Linie sitzt jemand, der jedes zehnte Teil aus der Kiste nimmt, dreht, gegen das Licht hält und entscheidet: gut oder Ausschuss. Nach der dritten Stunde lässt die Konzentration nach, feine Kratzer rutschen durch, und was der eine Prüfer durchgehen lässt, sortiert die Kollegin in der Spätschicht aus. Genau an dieser Stelle setzt Qualitätskontrolle mit KI an: Eine Kamera und ein angelerntes Modell übernehmen die immer gleiche Sichtprüfung, gleichmäßig und ohne Ermüdung.
Was KI in der Qualitätsprüfung tatsächlich macht
Der Kern ist Bildverarbeitung, oft als Computer Vision bezeichnet. Eine Kamera nimmt jedes Bauteil auf, die Software vergleicht das Bild mit dem, was sie als „in Ordnung“ gelernt hat, und meldet Abweichungen. Der Unterschied zu klassischer, regelbasierter Bildverarbeitung liegt in der Art, wie geprüft wird.
Regelbasierte Systeme sind stark, wenn sich ein Merkmal klar beschreiben lässt: Ist die Bohrung genau 8 Millimeter groß? Sitzt das Etikett innerhalb der Toleranz? Sind alle vier Schrauben vorhanden? Solche festen Maße und Positionen prüfen sie schnell und zuverlässig.
KI-Modelle, meist auf Basis neuronaler Netze, kommen dort ins Spiel, wo sich ein Fehler nur schwer in eine feste Regel gießen lässt. Ein Kratzer auf einer gebürsteten Metalloberfläche, eine Verfärbung im Kunststoff, ein Riss im Guss oder eine unsaubere Schweißnaht sehen jedes Mal etwas anders aus. Das Modell lernt aus vielen Beispielbildern, wie ein gutes Teil aussieht und woran sich ein schlechtes erkennen lässt, statt jeden möglichen Defekt vorab zu definieren.
Wo sich der Einsatz lohnt
Interessant wird das überall dort, wo heute in großer Stückzahl per Auge geprüft wird oder wo eine Sichtprüfung schlicht nicht mitkommt. Typische Fälle aus der Praxis:
- Oberflächenfehler: Kratzer, Diese, Einschlüsse, Flecken oder Farbabweichungen auf Blech, Kunststoff, Lack oder Glas.
- Vollständigkeit: Sind alle Bauteile montiert, alle Kabel gesteckt, liegt der Beipackzettel bei, ist die Verpackung komplett bestückt?
- Montage- und Lagekontrolle: Sitzt eine Dichtung richtig, ist ein Stecker verpolt, ist ein Bauteil verdreht eingelegt?
- Beschriftung und Codes: Ist das Etikett lesbar, stimmt die Chargennummer, sitzt der Aufdruck korrekt? Hier kombiniert man Bildprüfung häufig mit Texterkennung (OCR).
- Maßhaltigkeit: Grobe Form- und Positionsabweichungen erkennen, bevor ein Teil weiterverarbeitet wird.
Der Nutzen ist meist derselbe: weniger Ausschuss, der erst spät auffällt, weniger Reklamationen beim Kunden und eine gleichbleibende Prüfschärfe über alle Schichten hinweg. Nebenbei entsteht eine lückenlose Dokumentation, weil zu jedem geprüften Teil ein Bild und ein Prüfergebnis gespeichert werden kann.
Was Sie dafür brauchen
Bevor Software überhaupt ins Spiel kommt, entscheidet die Hardware über den Erfolg. Drei Dinge sind zentral:
- Stabile Aufnahmebedingungen: eine passende Kamera, eine ruhige Vorrichtung und vor allem gleichmäßige Beleuchtung. Wechselndes Tageslicht oder ein spiegelndes Bauteil bringen mehr Probleme als jedes Modell wieder ausgleichen kann.
- Trainingsbilder: Das Modell lernt aus Beispielen. Ideal sind viele Bilder von guten Teilen und dazu Bilder mit den typischen Fehlern. Wenn echte Ausschussteile selten sind, hilft die sogenannte Anomalieerkennung: Das Modell lernt nur, wie ein gutes Teil aussieht, und schlägt bei allem an, was davon abweicht.
- Rechenleistung vor Ort: Für die Prüfung im Takt der Linie läuft die Auswertung oft auf einem kleinen Industrierechner direkt an der Maschine (Edge), damit die Entscheidung in Millisekunden fällt und keine Bilder erst in die Cloud wandern müssen.
Wichtig ist auch die Frage, was mit einem erkannten Fehler passieren soll. Ein Signal an den Werker, ein Ausschleusen per Weiche, ein Stopp der Anlage? Diese Anbindung an die Maschinensteuerung gehört von Anfang an in die Planung.
Grenzen und was Sie realistisch erwarten dürfen
Eine KI-Prüfung ist kein Selbstläufer. Ein Modell ist nur so gut wie die Bilder, mit denen es gelernt hat. Kommt eine neue Materialcharge, ändert sich die Oberfläche oder wird die Beleuchtung getauscht, kann die Erkennung nachlassen. Fachleute sprechen von Drift. Deshalb braucht ein solches System Pflege: Grenzfälle werden von einem Menschen nachbewertet und fließen zurück ins Training.
Halten Sie außerdem Abstand zu Anbietern, die pauschale Versprechen machen. Wie hoch die Trefferquote ausfällt, wie stark der Ausschuss sinkt und ab welcher Stückzahl sich das rechnet, hängt vom konkreten Bauteil, vom Fehlerbild und von der Linie ab. Seriös lässt sich das erst nach einem Test an echten Teilen sagen, nicht vorab per Prospektzahl. Und die menschliche Prüfung verschwindet selten ganz. Sinnvoll ist ein Vier-Augen-Prinzip: Die KI übernimmt die Masse, unsichere Fälle landen zur Kontrolle bei einer Fachkraft.
Von der reinen Produktprüfung zu unterscheiden ist die vorausschauende Wartung, bei der Sensordaten den Zustand der Maschine überwachen. Beides ist Fabrik-KI, verfolgt aber verschiedene Ziele: hier die Qualität des Produkts, dort die Gesundheit der Anlage.
So gehen Sie einen Piloten an
Der pragmatische Weg beginnt klein. Suchen Sie eine Prüfaufgabe aus, die heute Aufwand kostet oder immer wieder zu Reklamationen führt, und die ein klares Gut/Schlecht-Kriterium hat. Dann in dieser Reihenfolge:
- Prüfstelle und Fehlerarten festlegen und eine Menge repräsentativer Teile sammeln, gute wie schlechte.
- Aufnahmesituation einrichten und Bilder erzeugen, unter den Bedingungen, die später auch in der Produktion herrschen.
- Ein Modell anlernen und offline testen, bevor es an die Linie kommt.
- Im Parallelbetrieb gegen die bisherige Prüfung laufen lassen und die Ergebnisse vergleichen, gemessen an Ihrer heutigen Ausschuss- und Reklamationsquote.
- Erst danach über den festen Einbau in den Prozess entscheiden.
So sehen Sie mit überschaubarem Einsatz, ob die Technik für Ihr Teil trägt, statt eine große Anlage auf Verdacht anzuschaffen.
Sie überlegen, ob sich eine automatische Sichtprüfung für ein konkretes Bauteil bei Ihnen lohnt? In einem kurzen Erstgespräch schauen wir uns Ihren Prüfschritt an und klären offen, ob ein Machbarkeitstest sinnvoll ist und wie er aussehen könnte.
Auch nützlich: KI für Kfz-Werkstätten: Praktische Anwendungen im Alltag