# Machine Vision in der Qualitätsprüfung einführen: Bildverarbeitung Schritt für Schritt

Autor: Marin Niehues, Niehues Consulting · Veröffentlicht: 2024-02-01 · KI-Einführung & Betrieb
Quelle: https://www.niehuesconsulting.de/blog/machine-vision-bildverarbeitung-qualitaetspruefung-einfuehren/

Machine Vision führen Sie in der Qualitätsprüfung ein, indem Sie zuerst den Prüfauftrag und die zulässige Fehlerquote festlegen, dann Optik und Beleuchtung auswählen und erst danach die Auswertungssoftware. Die Software gilt als der anspruchsvolle Teil, entscheidet in der Praxis aber seltener über den Erfolg als ein reproduzierbares Bild und eine Station, die im Takt der Fertigung läuft. Dieser Beitrag zeigt die Entscheidungen in der richtigen Reihenfolge.

Die Bildverarbeitung ist eine der ältesten industriellen Anwendungen von maschinellem Sehen und durch lernende Verfahren neu in Bewegung geraten. Für die Geschäftsführung einer Fertigung stellt sich die Frage, wann ein Kamerasystem die Sichtprüfung ergänzt oder ersetzt und was bis zum stabilen Betrieb geleistet werden muss.

**Ein Prüfsystem mit Kamera ist ein Messsystem. Es wird eingeführt wie ein Messsystem: mit definiertem Prüfmerkmal und nachgewiesener Fähigkeit sowie einem Verantwortlichen für den laufenden Betrieb.**

## Wie funktioniert Machine Vision in der Qualitätsprüfung?

Machine Vision in der Qualitätsprüfung nimmt jedes Werkstück mit einer Kamera auf, wertet das Bild mit Software aus und gibt an die Anlage ein Urteil weiter, etwa gut, schlecht oder nachprüfen. Ein System besteht aus fünf Bausteinen: der Beleuchtung, dem Objektiv, der Kamera, der Auswertung und der Schnittstelle zur Steuerung der Anlage. Die Beleuchtung bestimmt, welche Merkmale im Bild überhaupt sichtbar werden. Ein Kratzer auf einer glänzenden Oberfläche erscheint nur bei einer bestimmten Lichtrichtung, und derselbe Kratzer bleibt unter diffusem Licht unsichtbar. Erfahrene Fachleute für industrielle Bildverarbeitung verbringen deshalb den größten Teil der Entwicklungszeit mit Licht und Optik.

Die Auswertung folgt einem von zwei Grundprinzipien. Regelbasierte Verfahren messen Kanten und Abstände sowie Flächen und Farbwerte und vergleichen sie mit Toleranzen, die ein Mensch vorgibt. Lernende Verfahren, in der Regel tiefe neuronale Netze, lernen aus beschrifteten Beispielbildern, was ein Fehler ist, und eignen sich für Merkmale, die sich schwer in Regeln fassen lassen, etwa Oberflächenfehler an Gussteilen, Textilien oder Lebensmitteln. Eine Sonderform ist die Anomalieerkennung, die nur mit Bildern fehlerfreier Teile trainiert wird und alles meldet, was davon abweicht. Sie hilft dort, wo Fehlerbeispiele selten sind.

## Regelbasiert oder Deep Learning: Welches Verfahren passt?

Regelbasierte Bildverarbeitung passt, wenn sich das Prüfmerkmal in Maßen und Toleranzen beschreiben lässt. Deep Learning passt, wenn Fehler in Form und Ort stark variieren und ein erfahrener Prüfer sie am Bild erkennt, aber nicht in Regeln fassen kann. Die folgende Tabelle ordnet die Kriterien.

**Regelbasiert und lernend im Vergleich**
Kriterium | Regelbasierte Bildverarbeitung | Deep Learning | Mit Niehues Consulting
Typisches Prüfmerkmal | Maß, Lage, Vollständigkeit, Code | Oberfläche, Textur, variable Fehlerbilder | Prüfmerkmal und Fehlerkatalog vor der Technologiewahl festgelegt
Datenbedarf | Wenige Musterteile zur Einrichtung | Hunderte bis Tausende beschriftete Bilder je Fehlerklasse | Datenplan mit Verantwortlichem für die Beschriftung
Nachvollziehbarkeit | Jede Entscheidung lässt sich als Regel erklären | Entscheidung aus dem Modell, Erklärung nur über Zusatzwerkzeuge | Freigabekriterien, die beide Verfahren gleich behandeln
Verhalten bei neuen Fehlerbildern | Fehler außerhalb der Regeln bleiben unerkannt | Unbekannte Fehler werden erkannt, wenn sie ähnlich aussehen wie gelernte | Stichprobenprüfung durch Menschen im Regelbetrieb
Pflege im Betrieb | Anpassung von Parametern | Nachtrainieren mit neuen Bildern und erneute Freigabe | Rollen und Rhythmus für Nachtraining festgelegt

Die Entscheidung muss nicht ausschließlich fallen. Viele Prüfstationen kombinieren beide Verfahren: Die Regeln prüfen Maße und Vollständigkeit, ein Netz bewertet die Oberfläche. Mit der Kombination wächst allerdings der Freigabeaufwand, weil beide Teile nachweisen müssen, dass sie zuverlässig arbeiten.

## Wie führen Sie Machine Vision in fünf Schritten ein?

Eine Einführung gelingt in fünf Schritten, die jeweils mit einer Entscheidung der Verantwortlichen abgeschlossen werden. Der Ablauf folgt der Logik, die auch für andere KI-Vorhaben gilt: erst verstehen, dann bauen, dann einführen.

1. Prüfauftrag festlegen: Welche Fehler sollen erkannt werden, in welcher Größe, an welcher Stelle, mit welcher Taktzeit? Dazu gehört die Frage, welche Fehlerquote das Unternehmen heute hat und welche Fehler Kunden heute reklamieren. Aus diesen Zahlen entsteht der Ausgangswert, an dem der Erfolg gemessen wird.
2. Bildaufnahme klären: Beleuchtung, Optik und Kamera werden an echten Teilen aus der laufenden Produktion getestet, nicht an sauberen Mustern. Bewegung, Schmutz und Teiletoleranzen gehören zum Test, ebenso wechselndes Hallenlicht. Die Richtlinienreihe VDI/VDMA 2632 beschreibt, wie ein Lastenheft und ein Pflichtenheft für Bildverarbeitungssysteme aufgebaut werden, damit Anwender und Lieferant dieselben Anforderungen meinen. Der Standard EMVA 1288 der European Machine Vision Association legt fest, wie Kenngrößen von Kameras und Bildsensoren gemessen werden, sodass sich Datenblätter verschiedener Hersteller vergleichen lassen.
3. Auswertung entwickeln: Das Verfahren wird gewählt und an einem Datensatz entwickelt, der die Streuung der Produktion abbildet. Bei lernenden Verfahren gehört die Aufteilung in Trainings- und Testbilder dazu. Die Testbilder dürfen im Training nie vorkommen, sonst misst die Prüfung das Auswendiglernen.
4. Fähigkeit nachweisen: Das System prüft eine Stichprobe mit bekannten Fehlern, und das Ergebnis wird mit der Referenz verglichen. Dasselbe Teil muss bei wiederholter Prüfung dasselbe Urteil erhalten. Der Nachweis folgt den Methoden der Messsystemanalyse, die in der Qualitätssicherung etabliert sind.
5. In den Betrieb überführen: Die Station läuft zunächst parallel zur bisherigen Prüfung, Abweichungen werden besprochen, und erst danach übernimmt das System. Bis dahin ist geklärt, wer bei Fehlalarmen eingreift, wer Parameter ändert und wer das Modell neu trainiert.

## Welche Kennzahlen entscheiden über die Freigabe?

Über die Freigabe entscheiden zwei Fehlerarten: der Schlupf, bei dem ein fehlerhaftes Teil als gut durchgeht, und der Pseudofehler, bei dem ein gutes Teil als schlecht aussortiert wird. Beide Werte hängen an derselben Entscheidungsschwelle. Wird die Schwelle strenger gesetzt, sinkt der Schlupf, und die Pseudofehler steigen. Die Kosten der beiden Fehlerarten sind sehr unterschiedlich: Ein Schlupf kann eine Reklamation, einen Rückruf oder einen Stillstand beim Kunden auslösen, ein Pseudofehler kostet das Teil und die Nachprüfung.

Die Freigabe legt deshalb zuerst den zulässigen Schlupf fest, meist als Wert, der für den Kunden und die Branche vertretbar ist, und optimiert danach die Pseudofehler. Ein System, das alle schlechten Teile findet und dabei jedes zehnte gute Teil aussortiert, ist in der Fertigung ein Kostentreiber. Die Nachprüfung durch Menschen fängt Pseudofehler ab, bindet aber genau die Kapazität, die das System entlasten sollte.

## Wie rechnet sich ein Prüfsystem?

Ein Prüfsystem rechnet sich, wenn die eingesparten Prüfkosten und die vermiedenen Fehlerkosten höher sind als Investition und laufende Kosten. Die folgende Beispielrechnung arbeitet mit angenommenen Werten, die jedes Unternehmen durch eigene Zahlen ersetzen muss.

**Beispielrechnung mit angenommenen Werten**
Position | Rechenweg | Ergebnis
Investition | Kamerasystem, Beleuchtung, Mechanik, Integration, Entwicklung (angenommen) | 180.000 Euro
Einsparung Prüfpersonal | Prüfplätze im Dreischichtbetrieb, zusammen 5,5 Vollzeitstellen zu 50.000 Euro (angenommen) | 275.000 Euro je Jahr
Laufende Kosten | Wartung, Nachtraining, Ersatzteile (angenommen) | 35.000 Euro je Jahr
Vermiedene Fehlerkosten | Zwei Reklamationen weniger je Jahr zu 20.000 Euro (angenommen) | 40.000 Euro je Jahr
Nettoeffekt | 275.000 plus 40.000 minus 35.000 | 280.000 Euro je Jahr
Amortisation | 180.000 geteilt durch 280.000 mal zwölf Monate | rund acht Monate

Die Rechnung hat zwei Schwachstellen, die der Business Case offenlegen muss. Erstens entfallen Prüferstellen nur dann, wenn das Unternehmen sie tatsächlich anders einsetzt oder Fluktuation nutzt. Zweitens setzt die Rechnung voraus, dass Pseudofehler und Nachprüfung eingerechnet sind. Wie ein belastbarer Business Case für ein KI-Vorhaben aufgebaut wird, zeigt der Beitrag zu den [Robotik-Anwendungen im Mittelstand](/blog/robotik-mittelstand-roboter-wirtschaftlich-sind/), dessen Rechenlogik sich auf Prüfstationen übertragen lässt.

## Welche Fehler treten bei der Einführung auf?

Drei Muster treten bei Prüfsystemen wiederholt auf. Das erste ist die Demonstration auf Musterteilen: Das System erkennt im Labor jeden Fehler und scheitert in der Halle am schwankenden Licht. Die Gegenmaßnahme ist der Test mit Teilen aus mehreren Chargen und Schichten, bevor die Entscheidung für die Anschaffung fällt. Das zweite Muster ist der fehlende Fehlerkatalog. Wenn die Fachleute der Qualitätssicherung nicht festgelegt haben, was ein Fehler ist, lernt ein Netz die Meinung des Beschrifters, und zwei Beschrifter vergeben für dasselbe Bild unterschiedliche Urteile. Das dritte Muster ist der Betrieb ohne Eigentümer. Nach der Inbetriebnahme verändern sich Werkstücke und Lieferanten, dazu die Beleuchtung, und ohne Zuständigen verliert das System langsam an Treffsicherheit, ohne dass es jemand bemerkt.

Eine Parallele zeigt der Beitrag zu [RPA-Bots](/blog/rpa-bots-aufraeumen/): Auch Automatisierung, die nach dem Start niemand pflegt, wird zur Altlast.

**Prüfliste vor der Freigabe**
- Ist das Prüfmerkmal in Größe und Ort sowie Toleranz schriftlich beschrieben?
- Wurde mit Teilen aus mehreren Chargen und Schichten bei wechselndem Licht getestet?
- Sind Schlupf und Pseudofehlerquote an einer Stichprobe mit bekannten Fehlern gemessen?
- Haben mindestens zwei Beschrifter gleiche Urteile für dieselben Bilder abgegeben?
- Steht fest, wer bei Fehlalarmen eingreift und wer das Modell nachtrainiert?
- Welche Kennzahl zeigt nach 90 Tagen, dass die Station im Regelbetrieb ankommt?

## Machine Vision einführen mit Niehues Consulting

[Niehues Consulting](/) ist eine Beratung für KI-Management und Organisationsdesign aus der Lieferperspektive mit Sitz in Düsseldorf. Gründer Marin Niehues bringt KI in den Betrieb, in Projekten von VC-finanzierten Scaleups bis zu DAX-40-Konzernen und in über 20 Ländern auf sechs Kontinenten. Die Arbeit liegt bei Business Analysis und Anforderungen sowie beim Business Case, bei der Auswahl und Reihenfolge der Anwendungen sowie bei Einführung und Delivery Management. Die Bildverarbeitung selbst liefern Systemhäuser und Hersteller, die Verantwortung für das Ergebnis im Betrieb bleibt beim Unternehmen.

Das Vorgehen folgt dem Niehues Delivery Model. Für Prüfstationen zählen drei Prüffragen besonders: Was ist der Ausgangswert, und woran messen wir den Erfolg? Beweist der Prototyp den Nutzen im echten Ablauf mit echten Daten? Wer verantwortet den Betrieb ab dem ersten Tag? Den Einstieg bildet eine kostenfreie Erstberatung von 30 Minuten, die Sie über den [Kontakt](/#kontakt) vereinbaren. Umfang und Konditionen eines Vorhabens werden dort besprochen.

**Fazit**
Machine Vision in der Qualitätsprüfung gelingt, wenn das Prüfmerkmal definiert, das Bild reproduzierbar und die Fähigkeit nachgewiesen ist, bevor die Station den Menschen ablöst. Die Wahl zwischen Regeln und Deep Learning folgt dem Prüfmerkmal. Der Business Case rechnet Schlupf und Pseudofehler ein, dazu die Nachprüfung, und jede Station bekommt einen Eigentümer, der sie im Betrieb pflegt.

**Grundlage**
- VDI/VDMA 2632: Richtlinienreihe Industrielle Bildverarbeitung, Lastenheft und Pflichtenheft, Richtlinie
- European Machine Vision Association: EMVA Standard 1288, Kenngrößen von Kameras und Bildsensoren, Norm
- Messsystemanalyse nach den Verfahren der Qualitätssicherung: Fähigkeitsnachweis von Prüfsystemen, Fachliteratur

## Häufige Fragen

### Was kostet ein Machine-Vision-System?

Die Kosten reichen von wenigen Tausend Euro für eine einfache Smart Camera bis zu sechsstelligen Beträgen für eine integrierte Prüfstation mit Sondermechanik. Den größten Anteil machen häufig Integration und Entwicklung aus, dazu die Beleuchtung, nicht die Kamera. Umfang und Konditionen eines Vorhabens werden in der kostenfreien Erstberatung besprochen.

### Ersetzt Machine Vision die menschliche Sichtprüfung vollständig?

Machine Vision ersetzt die Sichtprüfung dort, wo das Prüfmerkmal eindeutig beschrieben und das Bild reproduzierbar ist. Bei komplexen Oberflächen oder subjektiven Merkmalen wie dem Aussehen bleibt eine Stichprobenprüfung durch Menschen sinnvoll. Viele Fertigungen betreiben Mensch und System parallel, bis die Freigabekennzahlen über mehrere Wochen stabil sind.

### Wie viele Bilder braucht ein Deep-Learning-Modell für die Prüfung?

Die Zahl richtet sich nach dem Fehlerbild, als Richtwert gelten Hunderte beschriftete Bilder je Fehlerklasse. Bei seltenen Fehlern genügen Verfahren der Anomalieerkennung, die nur mit Bildern fehlerfreier Teile trainiert werden. Entscheidend ist, dass die Bilder die Streuung der Produktion abbilden.

### Wie lange dauert die Einführung einer Prüfstation?

Die Dauer richtet sich nach der Komplexität des Prüfmerkmals und der Integration in die Anlage. Einfache regelbasierte Anwendungen sind in einigen Wochen erprobt, lernende Systeme brauchen für Datensammlung und Beschriftung sowie Freigabe meist mehrere Monate. Den größten Zeitanteil beansprucht oft die Parallelphase zur bisherigen Prüfung.

### Wann lohnt sich Machine Vision gegenüber der manuellen Prüfung?

Machine Vision lohnt sich bei hohen Stückzahlen und gleichbleibenden Prüfmerkmalen sowie hohen Kosten eines Fehlers. Bei kleinen Losgrößen mit wechselnden Produkten frisst die Einrichtung den Nutzen auf. Der Rechenweg in diesem Beitrag zeigt, ab welcher Zahl von Prüfplätzen sich die Investition amortisiert.

### Wie messen Sie die Qualität eines Bildverarbeitungssystems?

Die Qualität eines Prüfsystems messen Sie an Schlupf und Pseudofehlerquote gegenüber einer Referenzprüfung mit bekannten Fehlern. Dazu kommt die Wiederholbarkeit: Dasselbe Teil muss bei mehreren Durchläufen dasselbe Urteil erhalten. Die Methoden stammen aus der Messsystemanalyse der Qualitätssicherung.