Qualitätskontrolle per Auge ist fehleranfällig – vor allem am Ende einer langen Schicht. Ein Mitarbeiter übersieht einen Riss, eine Delle, eine Farbabweichung. Das Teil geht durch, kommt beim Kunden an und kommt als Reklamation zurück. KI in der Qualitätskontrolle macht diesen Prozess verlässlicher und schneller.
Kamerabasierte Systeme, die mit neuronalen Netzen arbeiten, sind heute in vielen Branchen im Einsatz – vom Automobilzulieferer bis zur Lebensmittelproduktion.
So funktioniert visuelle KI-Qualitätskontrolle
Eine Kamera nimmt jedes Bauteil oder Produkt auf, das das Band verlässt. Ein trainiertes Modell analysiert das Bild in Millisekunden und entscheidet: in Ordnung oder nicht. Defekte werden markiert, ausgeschleust oder gemeldet.
Das Besondere: Das Modell lernt. Je mehr Bilder es sieht, desto besser wird die Trefferquote. Systeme wie Cognex ViDi, Keyence oder auch Open-Source-Lösungen auf Basis von PyTorch erreichen in vielen Anwendungen über 99% Erkennungsgenauigkeit – deutlich mehr als ein ermüdeter Mensch.
Der Seiteneffekt: Alle Daten werden gespeichert. Das ermöglicht Rückverfolgbarkeit und hilft, Fehlerursachen zu analysieren. Warum häufen sich Defekte montags morgens? Liegt es an der Maschine, dem Material, der Schichtbesetzung? Die Daten geben Antworten.
Für wen lohnt sich der Einstieg?
Wer mehr als 5% Ausschussquote hat und Qualitätsprüfung manuell durchführt, sollte ernsthaft rechnen. Die Systeme kosten je nach Komplexität zwischen 20.000 und 150.000 Euro für die Erstinstallation. Wenn ein Prozent weniger Ausschuss im Jahr 100.000 Euro Materialkosten spart, rechnet sich das schnell.
Wichtig: Der Anbieter muss das Modell auf Ihre spezifischen Fehlerbilder trainieren. „Von der Stange“ funktioniert in der Qualitätskontrolle selten. Planen Sie eine realistische Pilotphase von mindestens drei Monaten.
Weniger Ausschuss bedeutet weniger Materialverschwendung, weniger Reklamationen, weniger Nacharbeit. Am Ende ist das eine Margenverbesserung ohne Umsatzwachstum. Das zählt.