KI-basierte Qualitaetskontrolle

🔄 Kurzer Rueckblick: In Lektion 4 hast du Predictive Maintenance kennengelernt — Anomalie-Erkennung und RUL als zwei Stufen, den 12-Wochen-Implementierungsplan und die typischen Fallstricke. Jetzt geht es um den zweiten grossen KI-Anwendungsfall: Qualitaetskontrolle.

Ein Pruefer kontrolliert Spritzgussteile. 200 Teile pro Stunde. Riss, Kratzer, Verfaerbung, Einfallstelle, Grat — fuenf Defekttypen, die er erkennen muss. In der ersten Stunde findet er 95% der Fehler. Nach sechs Stunden? Noch 78%. Am Freitagnachmittag? Lieber nicht fragen.

Die KI findet um 15 Uhr genauso viel wie um 7 Uhr. Und sie findet Dinge, die kein Mensch sieht.

Zwei Ansaetze: Bildanalyse und Sensordaten

Ansatz	Technologie	Erkennt	Typischer Einsatz
Visuelle Inspektion	Kamera + Deep Learning	Oberflaechenfehler, Form, Farbe	Spritzguss, Metallbearbeitung, Montage
Sensordaten-Analyse	Prozessdaten + ML	Prozessabweichungen, die zu Qualitaetsmaengeln fuehren	Schweissen, Giessen, Waermebehandlung
Hybrid	Beides kombiniert	Oberflaechenfehler + Ursachen	Automotive, Elektronik

Visuelle Inspektion im Detail

Die Bildverarbeitungs-Pipeline

Beleuchtung → Kamera → Bildaufnahme → Vorverarbeitung → KI-Modell → Entscheidung
     ↓            ↓          ↓              ↓              ↓           ↓
  Diffus/     Industrial  Trigger bei    Normalisierung  Defekt?     Gut/Schlecht
  Durchlicht  GigE/USB3  Teilposition   Zuschnitt       Wo? Was?    + Sortierung

Beleuchtung — Der unterschaetzte Erfolgsfaktor

Na ja, man wuerde denken, es geht um Algorithmen. Tatsaechlich entscheidet die Beleuchtung ueber Erfolg und Misserfolg:

Beleuchtungstyp	Macht sichtbar	Typischer Einsatz
Auflicht diffus	Oberflaechenstrukturen gleichmaessig	Allgemeine Inspektion
Auflicht gerichtet	Kratzer, Riefen (Glanzeffekt)	Metallteile, polierte Flaechen
Durchlicht	Risse, Loecher, Einschluesse	Duenne Teile, Folien, Glas
Dunkelfeld	Erhabene Defekte (Grate, Partikel)	Halbleiter, Optik
Strukturiertes Licht	3D-Geometrie, Hoehenfehler	Ebenheitspruefung, Volumendefekte

Budget-Faustregel: 30-40% des Gesamtbudgets fuer Beleuchtung und Optik, 30-40% fuer KI/Software, 20-30% fuer Kamera und Hardware. Ja, wirklich — die Beleuchtung kostet fast so viel wie die KI.

✅ Quick Check: Warum investieren professionelle Machine-Vision-Integratoren 30-40% des Budgets in Beleuchtung? (Tipp: Die beste KI kann Defekte nicht erkennen, die im Bild nicht sichtbar sind. Beleuchtung bestimmt, was die Kamera sieht.)

Trainingsdaten: Qualitaet vor Quantitaet

Datenmenge	Strategie	Ergebnis
< 200 Bilder/Klasse	Transfer Learning mit vortrainiertem Modell	Brauchbar, aber instabil
500-2.000 Bilder/Klasse	Standard-Training mit Augmentation	Gut fuer Produktion
5.000+ Bilder/Klasse	Volles Training, hohe Robustheit	Produktionsreif mit hoher Konfidenz

Data Augmentation hilft: Rotation, Spiegelung, Helligkeitsvariation, Rauschen. Aus 500 echten Bildern werden so 5.000 Trainingsdaten — das stabilisiert das Modell deutlich.

Labeling-Qualitaet ist entscheidend: Der Defekt muss praezise markiert sein — nicht „irgendwo auf dem Bild ist ein Kratzer", sondern „Kratzer, Pixel 340-520, Laenge 12mm, Tiefe geschaetzt 0,05mm." Je praeziser das Label, desto besser das Modell.

Sensorbasierte Qualitaetskontrolle

Nicht alle Qualitaetsprobleme sind sichtbar. Manche stecken im Prozess:

Prozess	Relevante Sensoren	KI erkennt
Schweissen	Strom, Spannung, Drahtvorschub, Schutzgas	Bindefehler, Poren, Spritzer
Spritzguss	Druck, Temperatur, Einspritzgeschwindigkeit	Einfallstellen, Lunker, Verzug
Waermebehandlung	Ofentemperatur, Haltezeit, Abkuehlrate	Haerteverzug, Risse, Gefuegefehler
CNC-Bearbeitung	Spindelstrom, Vorschubkraft, Vibration	Werkzeugverschleiss → Massfehler

Der Vorteil: Sensorbasierte QK erkennt Probleme WAEHREND der Fertigung — nicht erst danach. Wenn der Einspritzdruck beim Spritzguss um 3% abweicht, kann die KI das Teil sofort als verdaechtig markieren.

✅ Quick Check: Was ist der Vorteil von sensorbasierter gegenueber visueller Qualitaetskontrolle? (Tipp: Du erkennst das Problem waehrend der Fertigung — und kannst den Prozess korrigieren, bevor ein ganzer Batch Ausschuss wird.)

Implementierung: 8-Wochen-Plan

Woche	Aufgabe	Ergebnis
1-2	Defekttypen definieren, Beleuchtungstest, Kameraposition	Systemdesign fertig
3-4	Bilder sammeln (500+ pro Klasse), labeln	Trainingsdaten bereit
5-6	Modell trainieren, Schwellenwerte kalibrieren	Erstes Modell
7-8	Paralleltest (KI + manuelle Pruefung), Feintuning	System produktionsbereit

Kosten fuer einen Pruefplatz:

Position	Budget
Industriekamera + Optik	1.500-5.000 EUR
Beleuchtung (professionell)	2.000-8.000 EUR
Edge-PC mit GPU	1.500-4.000 EUR
KI-Software/Plattform	200-800 EUR/Monat
Integration + Kalibrierung	5.000-15.000 EUR
Gesamt pro Pruefplatz	12.000-35.000 EUR

Hybrid-Ansatz: Das Beste aus beiden Welten

Die stärksten Systeme kombinieren Bild und Sensor:

Sensordaten waehrend der Fertigung → „Teil verdaechtig" markieren
Kamerainspektion am Ende → Verdacht bestaetigen oder entkraeften
Feedback-Schleife → Sensordaten + Bilddaten verknuepfen → Modell wird besser

Dieses Zusammenspiel reduziert die Pruefzeit (nicht jedes Teil muss zur Kamera) und erhoet gleichzeitig die Erkennungsrate.

Key Takeaways

KI-Qualitaetskontrolle ist konsistent — keine Ermuedung, keine Tagesformabhaengigkeit
Beleuchtung ist der wichtigste Erfolgsfaktor bei visueller Inspektion — 30-40% des Budgets einplanen
500-2.000 gelabelte Bilder pro Defektklasse als Minimum, Labeling-Qualitaet ist entscheidend
Sensorbasierte QK erkennt Probleme waehrend der Fertigung — nicht erst am Ende
Hybrid-Ansatz (Sensor + Bild) liefert die besten Ergebnisse

Up Next

In der naechsten Lektion geht es um KI in der Supply Chain: Nachfrageprognose, Lagerbestandsoptimierung und Lieferkettenresilienz.