Viele Unternehmen investieren derzeit in KI für die optische Qualitätsprüfung. Die größte Herausforderung liegt dabei häufig nicht im Modell selbst. Vielmehr fehlen strukturierte Qualitätsdaten, dokumentierte Expertenentscheidungen und ein durchgängiger Prozess, um aus Auffälligkeiten belastbares Wissen zu gewinnen. Moderne Vision-Systeme erzeugen täglich große Mengen an Bild-, Meta- und Prüfdaten. Sie prüfen Produkte zuverlässig und liefern Entscheidungen in hohen Takt-raten. Gleichzeitig bleiben die entstehenden Informationen oft auf einzelne Anlagen beschränkt. Bilder werden lokal gespeichert, Ergebnisse liegen in separaten Systemen und Nachbewertungen werden nur teilweise dokumentiert. Für die Optimierung des Gesamtprozesses entsteht dadurch eine Lücke: Es gibt viele Daten, aber zu wenig nutzbares Wissen.
Wer KI in der Qualitätsprüfung einsetzen möchte, benötigt mehr als ein leistungsfähiges Modell. Entscheidend sind strukturierte, nachvollziehbare und fachlich bewertete Datensätze. Dazu gehören nicht nur Gut- und Schlechtbilder, sondern auch Informationen über Fehlerklassen, Prüfentscheidungen, Grenzfälle und Korrekturen. Deshalb ist ein abrupter Austausch etablierter Bildverarbeitung durch KI selten realistisch. Viel sinnvoller ist ein schrittweiser Ansatz, bei dem bestehende Systeme weiter genutzt, neue Modelle kontrolliert evaluiert und menschliches Qualitätswissen gezielt eingebunden werden.
Anomalien erkennen ist nur der erste Schritt
Bei der Anomaly Detection müssen im Gegensatz zu überwachten Verfahren nicht alle denkbaren Fehlerbilder bekannt sein. Stattdessen lernt das Modell den Normalzustand und erkennt Abweichungen davon. Für viele Anwendungen ist dies jedoch nur die halbe Lösung. Ein Anomaliemodell kann beispielsweise feststellen, dass ein Produkt vom bekannten Gutzustand abweicht und auffällige Bereiche im Bild markieren. Die Erkennung beantwortet jedoch noch nicht die entscheidenden Fragen: Ist die Abweichung qualitätsrelevant? Welche Fehlerklasse liegt vor? Handelt es sich um einen einmaligen Effekt oder um einen Hinweis auf ein Prozessproblem? Genau hier wird menschliche Expertise unverzichtbar. Stellt ein Modell z.B. eine ungewöhnliche Anzahl von Blasen in einem Vial fest, handelt es sich zunächst lediglich um eine erkannte Anomalie. Ein erfahrener Qualitäts-/Prozessexperte kann diese Information jedoch in den Fertigungskontext einordnen. Die Häufung von Blasen könnte auf veränderte Prozessparameter, Probleme im Dosierprozess oder ein verschlissenes Ventil hinweisen. Aus einer Auffälligkeit wird dadurch eine verwertbare Prozessinformation. Der eigentliche Mehrwert entsteht also nicht bei der Erkennung, sondern bei der Interpretation.
Mensch, Machine Vision und KI im gemeinsamen Prozess
Der Mensch sollte dabei weder als Flaschenhals noch als dauerhafte manuelle Kontrollinstanz verstanden werden. Seine Rolle besteht darin, dort einzugreifen, wo Kontextwissen notwendig ist oder Unsicherheiten bestehen. Ein vielversprechender Ansatz besteht deshalb darin, klassische Bildverarbeitung, KI-Modelle und menschliche Bewertungen innerhalb eines gemeinsamen Workflows zu orchestrieren. Dazu werden Bilder, Metadaten und Prüfergebnisse bestehender Vision-Systeme zentral erfasst und in einem gemeinsamen Datenmodell gespeichert. Produkte, Fehlerklassen und Prüfergebnisse werden unabhängig vom jeweiligen Inspektionssystem verwaltet und auswertbar gemacht. Ein bestehendes System kann weiterhin die produktive Erstprüfung übernehmen. Parallel dazu bewertet ein KI-Modell dieselben Bilddaten. Stimmen beide Ergebnisse überein, erhöht dies das Vertrauen in die Entscheidung. Treten Abweichungen oder Unsicherheiten auf, wird ein virtueller Prüfplatz eingebunden.
Vom Prüfprozess zum Lernprozess
Der virtuelle Prüfplatz ist dabei kein Ersatz für Automatisierung. Es handelt sich um eine softwarebasierte Prüfumgebung, in der auffällige Datensätze inklusive Bild, Klassifizierungsergebnis und Prozessinformationen zur Bewertung bereitgestellt werden. Funktionen wie Zoom, Overlays oder Heatmaps unterstützen die Analyse. Entscheidungen werden direkt gespeichert und stehen unmittelbar für Auswertungen, Modellevaluationen und Optimierungsmaßnahmen zur Verfügung. Jede Expertenentscheidung liefert zusätzliche Informationen darüber, wo ein Modell richtig liegt, wo Fehlklassifikationen auftreten und welche Fehlerbilder für die weitere Optimierung relevant sind. False Rejects werden dadurch nicht nur korrigiert, sondern gleichzeitig zu wertvollen Trainings- und Evaluierungsdaten. So entsteht aus dem eigentlichen Prüfprozess ein kontinuierlicher Lernprozess. Bilddaten, Anomalien, Fehlerklassen und Expertenbewertungen werden miteinander verbunden und schaffen eine belastbare Grundlage für die Weiterentwicklung von Algorithmen und Prüfstrategien.
