Kamera-Qualitätskontrolle in der Fertigung
Nicht jede Qualitätskontrolle braucht ein großes Industrieprojekt. Bei wiederkehrenden Sichtfehlern kann eine Kamera mit KI schon im kleinen Betrieb helfen.
Ausgangslage
Eine Metallverarbeitung mit 30 Mitarbeitenden prüfte Bauteile manuell auf Kratzer, falsche Bohrungen und Oberflächenfehler. Die Prüfung war monoton, abhängig von Licht und Tagesform. Ziel war nicht, Menschen zu ersetzen, sondern Fehler früher und gleichmäßiger zu erkennen.
Umsetzung
Ein Prüfplatz wurde mit fester Kamera, Beleuchtung und Auslöser ausgestattet. Gute und fehlerhafte Teile wurden fotografiert, anschließend trainierte ein Modell auf typische Merkmale. Hardware kann von Industriekameras bis zu kompakten Rechnern reichen; Orientierung bieten Basler, NVIDIA, Intel und Automatisierungsanbieter wie ifm.
- Konstante Beleuchtung statt Hallenlicht.
- Kamera fest montiert, Bauteil immer gleich positioniert.
- Modell meldet „prüfen“, nicht automatisch „Ausschuss“.
- Fehlalarme werden dokumentiert und nachtrainiert.
Technik
| Baustein | Aufgabe | Praxisregel |
|---|---|---|
| Kamera | Bild erfassen | Optik wichtiger als KI |
| Beleuchtung | Fehler sichtbar machen | konstant halten |
| Modell | Abweichungen erkennen | mit echten Fehlern testen |
Nutzen
Der Betrieb fand Oberflächenfehler früher und konnte neue Mitarbeitende schneller einarbeiten. Die Prüfberichte halfen bei Lieferantengesprächen. Der Mensch blieb jedoch letzte Instanz, besonders bei Grenzfällen.
Kostenrahmen
Ein einfacher Prüfplatz kann mit Kamera, Beleuchtung, Industriehalterung und Mini-PC im niedrigen bis mittleren vierstelligen Bereich starten. Industrielle Integration in SPS, Förderband und Produktionsdaten kostet deutlich mehr. Für Hardwareauswahl lohnt ein Blick in unsere KI-Hardware.
Stolperfallen
- Schwankendes Licht ruiniert Modelle.
- Zu wenige Fehlerbilder führen zu falscher Sicherheit.
- Reflexe und Staub werden schnell mit Fehlern verwechselt.
- Akzeptanz sinkt, wenn Mitarbeitende „überwacht“ statt unterstützt werden.
Praxisablauf am Prüfplatz
Das Bauteil wird in eine definierte Aufnahme gelegt, die Kamera löst aus, das Modell bewertet das Bild und zeigt ein einfaches Ergebnis: unauffällig, prüfen oder deutlich auffällig. Die Mitarbeitenden sehen zusätzlich die markierte Bildregion. Dadurch bleibt nachvollziehbar, warum ein Teil angehalten wurde. Diese Transparenz war für die Akzeptanz wichtiger als eine möglichst spektakuläre KI-Demo.
Für den Trainingsdatensatz wurden bewusst echte Produktionsbedingungen genutzt: normale Toleranzen, typische Verschmutzung, verschiedene Chargen. Perfekte Laborbilder hätten ein Modell erzeugt, das in der Halle enttäuscht. Ebenso wichtig war die Sammlung von Grenzfällen. Teile, bei denen Menschen diskutieren, sind auch für KI schwierig und gehören in eine separate Entscheidungsregel.
Erfolgsmessung
Der Betrieb prüfte Trefferquote, Fehlalarmquote und Prüfzeit pro Teil. Ein System mit hoher Trefferquote, aber zu vielen Fehlalarmen, wird schnell abgeschaltet, weil es den Ablauf stört. Deshalb war das Ziel nicht „100 Prozent automatisch“, sondern eine verlässliche Vorprüfung. Gute Ergebnisse wurden vor allem bei klar sichtbaren, wiederkehrenden Fehlerbildern erreicht.
Einführung im Team
Die Mitarbeitenden wurden früh beteiligt. Sie erklärten, welche Fehler wirklich relevant sind und welche optischen Abweichungen toleriert werden. Das verhinderte ein typisches Problem: IT und Geschäftsführung definieren ein Fehlerbild, das in der Produktion niemand ernst nimmt. Mit Beteiligung wurde die Kamera als Werkzeug gesehen, nicht als Kontrolle einzelner Personen.
Einführungsplan in vier Wochen
Bewährt hat sich ein kurzer, kontrollierter Start statt eines großen Rollouts. In Woche eins werden Ziel, Grenzen und Verantwortliche festgelegt: Was darf die KI tun, was bleibt zwingend beim Menschen, welche Daten dürfen genutzt werden? In Woche zwei folgt ein Test mit echten, aber überschaubaren Fällen. Dabei werden nicht nur Erfolgserlebnisse gesammelt, sondern ausdrücklich Fehler gesucht. Diese Fehlerliste ist wertvoll, weil sie zeigt, welche Regeln, Vorlagen oder Daten noch fehlen.
In Woche drei arbeitet ein kleines Team im Parallelbetrieb. Die bisherige Arbeitsweise bleibt bestehen, die KI liefert zusätzlich Vorschläge. So sieht man, ob die Unterstützung wirklich Zeit spart oder nur neue Prüfaufgaben erzeugt. In Woche vier entscheidet der Betrieb anhand einfacher Kennzahlen: weniger Suchzeit, schnellere Bearbeitung, weniger Rückfragen, bessere Dokumentation oder höhere Abschlussquote. Erst wenn diese Wirkung sichtbar ist, lohnt die Ausweitung.
Rollen und Verantwortlichkeiten
Ein praktisches KMU-Projekt braucht keine große KI-Abteilung, aber klare Rollen. Eine fachliche Person definiert, was richtig ist. Eine organisatorische Person achtet auf Abläufe, Freigaben und Schulung. Eine technische Person oder ein Dienstleister kümmert sich um Schnittstellen, Zugänge und Protokollierung. Ohne diese Trennung entstehen typische Probleme: Technik baut etwas Beeindruckendes, das fachlich nicht passt; Fachleute wünschen sich etwas, das im Alltag niemand pflegt; die Geschäftsführung erwartet Automatisierung, bekommt aber nur ein weiteres Tool.
Wichtig ist außerdem eine einfache Stop-Regel: Wenn die KI unsicher ist, wenn Daten fehlen oder wenn eine Entscheidung rechtliche, finanzielle oder sicherheitsrelevante Folgen hat, muss ein Mensch übernehmen. Diese Regel klingt banal, verhindert aber viele überzogene Erwartungen.
Fazit
Visionskontrolle ist sinnvoll, wenn Fehler sichtbar, wiederkehrend und teuer sind. Erst den Prüfplatz stabilisieren, dann KI einsetzen. Starten Sie mit einem Fehlertyp und beweisen Sie Erkennungsrate und Fehlalarmquote, bevor Sie integrieren.