Machine Vision in der Qualitätsprüfung einführen: Bildverarbeitung Schritt für Schritt

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.

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.

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.

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, 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: Auch Automatisierung, die nach dem Start niemand pflegt, wird zur Altlast.

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 vereinbaren. Umfang und Konditionen eines Vorhabens werden dort besprochen.