KI in der industriellen Prüfung: Hype und praktischer Nutzen

Wo ist KI-Bildverarbeitung heute wirklich überlegen?

KI-Bildverarbeitung ist überall dort überlegen, wo sich ein Fehler nicht durch feste geometrische oder helligkeitsbasierte Regeln beschreiben lässt. Ein Kratzer auf einer gebürsteten Metalloberfläche sieht bei jedem Teil anders aus: Er variiert in Länge, Richtung, Tiefe und Kontrast, und er liegt auf einem Hintergrund, der selbst eine erlaubte Textur besitzt. Ein regelbasiertes System muss für jede dieser Varianten explizit parametriert werden, ein Aufwand, der bei stark variablen Fehlerbildern nie abgeschlossen ist.

Typische Anwendungsfelder, in denen Deep-Learning-Verfahren ihre Stärken ausspielen:

• Kosmetische Defekte wie Kratzer, Flecken, Einschlüsse oder Verfärbungen, deren Erscheinungsbild von Teil zu Teil variiert.
• Organische und natürliche Oberflächen, Leder, Holz, Lebensmittel, Gussteile, bei denen die zulässige Schwankungsbreite selbst groß ist.
• Schwer programmierbare Gut/Schlecht-Grenzen, etwa wenn erfahrene Prüfer eine Entscheidung „aus dem Bauch” treffen, sie aber nicht in Regeln formulieren können.
• Anwesenheits- und Lageprüfungen bei hoher Variantenvielfalt, wenn klassische Musterverfahren an wechselnden Hintergründen scheitern.

Der gemeinsame Nenner: Die Fehlerklasse ist bekannt, aber ihre konkrete Erscheinung ist nicht deterministisch. Genau diese Lücke schließt gelerntes Wissen aus Beispielbildern.

Warum bleibt regelbasierte Bildverarbeitung für die Maßprüfung erste Wahl?

Für Maßprüfungen und deterministische Toleranzen bleibt regelbasierte Bildverarbeitung erste Wahl, weil sie exakte, rückführbare Zahlenwerte liefert und jede Entscheidung mathematisch nachvollziehbar ist. Ein Durchmesser von 12,05 mm bei einer Toleranz von ±0,1 mm ist keine Interpretationsfrage; hier braucht es Kantendetektion, Subpixel-Algorithmen und kalibrierte Optik, keine Wahrscheinlichkeitsaussage eines neuronalen Netzes.

Drei Gründe sprechen strukturell für regelbasierte Verfahren in diesen Aufgaben:

• 1.
  Erklärbarkeit: Das Ergebnis „nicht in Ordnung” lässt sich auf einen konkreten Messwert und eine konkrete Toleranzgrenze zurückführen. Bei einem Deep-Learning-Modell ist die Begründung einer Einzelentscheidung nur eingeschränkt rekonstruierbar.
• 2.
  Validierbarkeit: Ein regelbasiertes Prüfprogramm verhält sich deterministisch: gleiches Bild, gleiches Ergebnis. Das vereinfacht Prüfmittelfähigkeitsnachweise und Audits erheblich.
• 3.
  Effizienz: Für klar definierte Aufgaben ist die klassische Lösung meist schneller eingerichtet, benötigt keine Fehlerbildsammlung und läuft mit geringerem Rechenaufwand.

Wer eine Bohrungslage, eine Spaltbreite oder eine Ebenheit prüft, gewinnt durch KI nichts; er verliert Nachvollziehbarkeit.

Regelbasierte und KI-basierte Prüfung im Vergleich

Die folgende Übersicht fasst die Entscheidungskriterien zusammen:

Die Tabelle zeigt: Es geht nicht um „alt gegen neu”, sondern um zwei Werkzeuge mit komplementären Stärken.

Welche Daten braucht ein KI-Prüfsystem und woran scheitern Projekte?

Ein KI-Prüfsystem braucht vor allem repräsentative, korrekt gelabelte Beispielbilder, und genau daran scheitern viele Projekte in der Praxis. Gutteile sind in der Serienfertigung im Überfluss vorhanden; seltene, aber kritische Fehlerbilder dagegen kaum. Wenn ein Fehlertyp nur wenige Male pro Jahr auftritt, existieren schlicht nicht genug Beispiele für ein klassisches Training.

Moderne Ansätze mildern das Problem: Anomalie-basierte Verfahren lernen primär aus Gutteilen und melden Abweichungen vom gelernten Normalzustand, sodass deutlich weniger Fehlerbilder nötig sind. Dennoch bleiben drei Anforderungen bestehen:

• Konsistentes Labeln: Wenn zwei Prüfer dasselbe Merkmal unterschiedlich bewerten, lernt das Modell diese Widersprüche mit. Vor dem Training steht deshalb eine eindeutige Fehlerkatalog-Definition.
• Repräsentative Aufnahmebedingungen: Trainingsbilder müssen unter denselben Beleuchtungs- und Optikbedingungen entstehen wie die spätere Serienprüfung. Eine stabile Bildaufnahme ist die halbe KI-Lösung.
• Gepflegte Datenbasis über die Zeit: Neue Lieferanten, geänderte Oberflächen oder Prozessdrift verändern das Bildmaterial, das Modell muss dann kontrolliert nachtrainiert werden.

Grenzen und Gegenargumente: Wo KI-Prüfung heute noch Vorsicht verlangt

KI-basierte Prüfung hat reale Grenzen, die vor einer Einführung offen benannt werden sollten. Erstens: In regulierten Branchen, wie Medizintechnik, Pharmaverpackung, Luftfahrt oder sicherheitsrelevanten Automobilkomponenten verlangen Qualitätsmanagementsysteme nachvollziehbare, validierte Prüfentscheidungen. Ein nachtrainiertes Modell ist formal ein geändertes Prüfmittel und kann eine erneute Validierung auslösen; dieser Aufwand wird in Projektkalkulationen häufig unterschätzt.

Zweitens: KI liefert Klassifikationen, keine rückführbaren Messwerte. Für Merkmale mit Toleranzangabe in der Zeichnung ist sie kein Ersatz für messende Verfahren. Drittens: Die Grenzfälle bleiben schwierig. Ein Modell, das zwischen „zulässiger Schleifspur” und „unzulässigem Kratzer” unterscheiden soll, ist nur so gut wie die Konsistenz der menschlichen Vorgaben. Unklare Gutgrenzen werden durch KI nicht klarer, sondern nur schneller angewendet. Und viertens: Der laufende Betrieb erfordert Zuständigkeiten. Wer bewertet Konfidenzwerte, wer entscheidet über Nachtraining, wer dokumentiert Modellstände? Ohne diese Governance wird aus dem Pilotprojekt kein stabiler Serienprozess.

Nichts davon spricht gegen KI-Prüfung, aber es spricht gegen ihren undifferenzierten Einsatz.

Hybride Prüfkonzepte: Wie kombiniert man beide Welten sinnvoll?

Das leistungsfähigste Prüfkonzept ist in der Praxis meist hybrid: regelbasierte Verfahren für messende und deterministische Aufgaben, KI-Verfahren für variable Erscheinungsprüfungen, oft im selben Prüfsystem und in derselben Aufnahme. Typische Muster:

• Lokalisieren mit Regeln, bewerten mit KI: Ein regelbasierter Schritt findet Position und Prüfbereich des Bauteils; das KI-Modul bewertet anschließend nur die relevante Oberfläche. Das reduziert Fehlalarme und Rechenzeit.
• KI als Vorfilter, Mensch als Instanz: Das System sortiert eindeutige Gut- und Schlechtteile automatisch; nur Grenzfälle mit niedriger Konfidenz gehen an einen Prüfer. Die manuelle Sichtprüfung wird entlastet, ohne die Letztentscheidung abzugeben.
• Regelbasierte Messung plus KI-Erscheinungsprüfung: Maßhaltigkeit und Codelesung laufen klassisch, bis hin zur 100%-Inline-Messung; die kosmetische Bewertung derselben Ansicht übernimmt das gelernte Modell.

Moderne Bildverarbeitungssysteme unterstützen beide Verfahrensklassen auf einer Plattform, sodass die Entscheidung nicht pro System, sondern pro Prüfmerkmal getroffen werden kann und zwar dort, wo sie fachlich hingehört.

Häufig gestellte Fragen

Ob eine Prüfaufgabe besser regelbasiert, KI-gestützt oder hybrid gelöst wird, lässt sich am zuverlässigsten am realen Bauteil klären. KEYENCE unterstützt Sie mit Machbarkeitstests an Ihren eigenen Teilen und Fehlermustern, von der Bewertung der Bildaufnahme über die Auswahl des geeigneten Verfahrens bis zur Einschätzung des Validierungsaufwands. Jetzt Beratung anfragen.