Bildverarbeitung und KI, Hype und Realität in der Fertigung unterscheiden

Künstliche Intelligenz ist derzeit der am stärksten gehypte und zugleich am meisten missverstandene Begriff in der Fertigung. In der Bildverarbeitung ist das Bild besonders verwirrend, denn drei Dinge stimmen gleichzeitig. Ein Teil der KI läuft heute bereits in der Produktion und rechnet sich. Ein Teil ist noch Jahre von der Produktionsreife entfernt. Und vieles von dem, was Sie hören, ist Marketing.

Dieser Beitrag zeigt nüchtern, wo die Technik tatsächlich steht. Was heute funktioniert, was noch experimentell ist, wie lange der Rest realistisch dauern wird und wie Sie investieren, ohne teure Fehler zu machen.

Zunächst: Was KI in der Bildverarbeitung eigentlich bedeutet

Es lohnt sich, präzise zu sein, denn der Begriff umfasst viel. Wenn von KI in der Fertigung die Rede ist, geht es fast immer um Deep Learning, eine Art neuronales Netz, das mit Beispielbildern trainiert und nicht mit festen Regeln programmiert wird. Es ist sehr gut bei Aufgaben, die ein Mensch leicht beurteilen kann, für die sich aber nur schwer eine Regel schreiben lässt. Ist diese Schweißnaht in Ordnung? Hat dieses Naturprodukt einen Makel? Das ist etwas anderes als die generative KI hinter den Chatbots aus den Schlagzeilen. Sie spielt eine wachsende Rolle beim Einrichten von Systemen, trifft heute aber nicht selbst die Prüfentscheidung. Wenn Sie diese beiden Dinge auseinanderhalten, klärt sich der größte Teil des Hypes von selbst.

Was heute funktioniert

Deep Learning in der industriellen Bildverarbeitung ist weder neu noch experimentell. Für eine bestimmte Gruppe von Anwendungen ist es seit Jahren im Produktionseinsatz und das richtige Werkzeug, kein Glücksspiel. Vier Bereiche stechen hervor.

Der erste ist die Fehlererkennung bei variablen oder natürlichen Produkten. Wo sich ein Fehler mit einer festen Regel nur schwer beschreiben lässt, etwa ein Kratzer, der jedes Mal anders aussieht, oder ein Fehler in Holz, Textilien, Lebensmitteln oder Gussteilen, lernt Deep Learning anhand von Beispielen, wie gute und schlechte Teile aussehen, und beurteilt neue Teile auf dieselbe Weise. Das ist der wichtigste Anwendungsfall, und er funktioniert.

Der zweite ist die Klassifizierung und Sortierung, also die Zuordnung jedes Teils zu einer Kategorie (gut oder schlecht, Typ A oder Typ B) mit Liniengeschwindigkeit. Der dritte ist das Lesen schwieriger Texte und Codes. Zeichenerkennung auf Basis von Deep Learning liest genadelte, gravierte, verzerrte oder kontrastarme Schrift, an der der klassische Ansatz scheitert.

Der vierte hat sich am stärksten verändert: die Anomalieerkennung, die nur mit Gutteilen trainiert wird. Statt Tausende Bilder jedes möglichen Fehlers zu benötigen, lernt das System, wie ein gutes Teil aussieht, und markiert alles, was davon abweicht. Das ist wichtig, weil Fehler in einer gut geführten Fertigung selten sind. Fehlerbilder zu sammeln ist langsam und mühsam. Das Lernen anhand von Gutteilen beseitigt diese Hürde. Deshalb sind heute viele Prüfaufgaben machbar, die es vor einigen Jahren noch nicht waren.

All das läuft heute mit Deep-Learning-Werkzeugen, die in moderne Bildverarbeitungssoftware integriert sind, etwa in Aurora von Zebra, auf einem Industrie-PC direkt an der Linie statt in der Cloud. Es ist erprobt, am Markt verfügbar und wird unterstützt.

Was noch experimentell ist oder überschätzt wird

Nun zur anderen Seite, denn hier wird Geld verschwendet. Der größte Mythos ist das System, das man nur auf das Teil richtet und das dann selbst lernt, ganz ohne Engineering. Deep Learning braucht weiterhin repräsentative Bilder, sorgfältiges Labeln und vor allem eine gute Beleuchtung und eine gute Optik. Das Lernen ist leistungsfähig. Die Einrichtung ist echte Arbeit.

Generative KI, die selbst die Prüfung durchführt, ist heute größtenteils Hype. Hilfreich wird sie zunehmend bei Randaufgaben, etwa um einen Fehler in einfacher Sprache zu beschreiben, Konfigurationen zu erzeugen, die Dokumentation zu schreiben oder das nötige Fachwissen für die Einrichtung eines Systems zu verringern. Das ist nützlich und nimmt zu. Die Entscheidung über Gut oder Schlecht an Ihrer Linie trifft sie aber noch nicht.

Die Vorstellung, KI werde die regelbasierte Bildverarbeitung ersetzen, ist falsch. Um ein Maß zu prüfen, einen Barcode zu lesen oder eine genaue Position zu kontrollieren, ist eine klassische Regel schneller, günstiger, genauer und vollständig nachvollziehbar. Die Systeme in der Praxis sind Hybride: Regeln für die deterministische Arbeit und Deep Learning nur für Ermessensentscheidungen.

Selbstlernende Systeme, die sich im Produktionsbetrieb ständig selbst verändern, klingen attraktiv, werfen aber eine schwierige Frage auf. Wie validieren Sie ein System, das morgen anders ist als heute? An einer regulierten Linie ist das ein ernsthaftes Hindernis, kein Detail. Synthetische Trainingsdaten und große Foundation-Modelle sind vielversprechend und werden besser. Die Lösung auf Knopfdruck, die lautere Stimmen versprechen, sind sie aber noch nicht.

Realistische Zeitrahmen

Jahrelang gab es in dieser Branche eine verlässliche Faustregel. Eine wirklich neue Bildverarbeitungstechnologie brauchte etwa sieben bis zehn Jahre, um von einer beeindruckenden Demo zu einer routinemäßigen Bestellung zu werden. Es lohnte sich immer, den Hype auf Fachmessen an dieser Regel zu messen. Die interessante Frage ist jetzt, ob KI diese Regel bricht.

Vieles spricht dafür. Das Tempo des Wandels ist diesmal ein anderes. Deep Learning hat die Fertigung schneller erreicht als fast jede Hardware. Die breitere KI-Entwicklung wird von enormen Investitionen, offenen Modellen, auf denen jeder aufbauen kann, und Rechenleistung im Cloud-Maßstab vorangetrieben, also von Faktoren, die die älteren Technologien nicht hatten. Es ist durchaus vernünftig zu erwarten, dass einige KI-Fähigkeiten in einem Bruchteil der früheren sieben bis zehn Jahre von der Demo zum Standard werden. Wir würden nicht dagegen wetten.

Man sieht es bereits an dem, was im Produktionseinsatz ist. Deep Learning für Fehler, Klassifizierung und schwierige Codes ist angekommen und etabliert. Die Anomalieerkennung anhand von Gutteilen wird gerade vom cleveren Ansatz zum Standard. Generative Ansätze und Ansätze auf Basis von Foundation-Modellen befinden sich in einem noch früheren Stadium, entwickeln sich aber ebenfalls schnell.

Es gibt allerdings einen Haken. Schnell verfügbar zu sein ist nicht dasselbe wie schnell zuverlässig in einer Fertigung zu sein. Ein Modell, das in einer Demo beeindruckt, muss erst noch beweisen, dass es mit Ihrem Produkt, Ihrer Beleuchtung und Ihren Grenzfällen funktioniert, Schicht für Schicht. Deshalb ist es vernünftig, sich gar nicht auf eine Zahl festzulegen. Beurteilen Sie jede Fähigkeit danach, was heute tatsächlich in der Produktion läuft, nicht danach, was eine Kurve vorhersagt. Kaufen Sie, was sich für die konkrete Anwendung bewährt hat. Behandeln Sie alles, was noch auf der Roadmap steht, als Roadmap, egal wie schnell es kommt.

So setzen Sie KI ein, ohne teure Fehler zu machen

Wenn Sie nur eines mitnehmen, dann dies: KI repariert keine schlechten Bilder. Ein Deep-Learning-Modell, das mit unterbelichteten, uneinheitlichen Bildern mit schlecht gewähltem Bildausschnitt trainiert wird, lernt, unzuverlässig zu sein. Sorgen Sie zuerst für die richtige Beleuchtung und Optik und fügen Sie dann die Intelligenz hinzu. Die Reihenfolge ist entscheidend.

Beginnen Sie beim Problem, nicht bei der Technologie. Wenn eine einfache Regel die Aufgabe löst, verwenden Sie die Regel. Sie ist günstiger, schneller, und Sie können genau erklären, warum ein Teil als gut oder schlecht bewertet wurde. Setzen Sie Deep Learning für das ein, was Regeln nicht leisten können.

Nehmen Sie die Daten ernst. Die eigentliche Arbeit in einem Deep-Learning-Projekt besteht darin, repräsentative Bilder zu sammeln und sorgfältig zu labeln. Wo Fehler selten sind, setzen Sie stattdessen auf Anomalieerkennung und lernen anhand von Gutteilen. Planen Sie ein, dass ein Mensch den Prozess weiter überwacht. Planen Sie ein, das Modell neu zu trainieren, wenn sich Ihr Produkt und Ihre Verpackung ändern, denn das werden sie.

In einer regulierten Branche sollten Sie Validierung und Nachvollziehbarkeit von Anfang an berücksichtigen, nicht erst am Ende. Sie müssen zeigen können, warum das System eine Entscheidung getroffen hat. Und halten Sie die Verarbeitung lokal, auf einem leistungsfähigen Industrie-PC an der Linie, für die Geschwindigkeit und Zuverlässigkeit, die eine Fertigung braucht.

Vor allem: Testen Sie es an Ihren eigenen Teilen, bevor Sie sich festlegen. Eine kurze Machbarkeitsstudie mit Ihren echten Bildern zeigt Ihnen innerhalb weniger Wochen, ob sich KI lohnt oder ob ein einfacherer Ansatz die Aufgabe zu einem Bruchteil der Kosten erledigt.

Fazit

KI in der Bildverarbeitung ist weder Magie noch Marketing. Richtig eingesetzt, bei Ermessensentscheidungen, die Regeln nicht treffen können, mit guten Bildern und sauberer Datenarbeit, ist sie ein echter Entwicklungssprung für das, was Sie prüfen können. Als Allheilmittel verkauft und an ein schwaches System angehängt, enttäuscht sie und wird zu Unrecht verantwortlich gemacht. Know-how und Nutzen liegen genau darin, das eine vom anderen zu unterscheiden. Über genau das lohnt es sich zu sprechen, bevor Sie investieren.

Buchen Sie eine Deep-Learning-Machbarkeitsstudie

Wenn Sie eine Prüfaufgabe haben, für die KI infrage kommen könnte, finden Sie es am schnellsten heraus, indem Sie es an Ihrem eigenen Produkt testen. Wir nehmen Ihre Teile und Ihre Bilder, testen den Deep-Learning-Ansatz im Vergleich zu einem klassischen Ansatz und sagen Ihnen klar, welcher passt, was er erfordert und ob er sich lohnt. Wenn eine einfache Regel gewinnt, sagen wir Ihnen das.

Um eine Deep-Learning-Machbarkeitsstudie zu buchen, kontaktieren Sie unser Team

Schreiben Sie uns an info@clearview-imaging.com oder rufen Sie uns an unter +49 89 12085456

Weiterführende Inhalte Engineering-Services | Beleuchtungsauswahl | Kameras | Kompletter Kamera-Leitfaden | Kontakt