Machine Learning in der industriellen Prüfung: Wann es sich lohnt

KI und Machine Learning

Eine Prüfstation meldet zu viele Fehlalarme, oder bestimmte Fehler rutschen immer wieder durch. Schnell fällt das Stichwort Machine Learning. Ob sich der Aufwand lohnt, entscheidet sich aber nicht am Algorithmus, sondern an Daten, Prozess und klaren Zielen.

Wo Machine Learning seine Stärken hat

Lernende Verfahren spielen ihre Stärken aus, wenn sich Fehler schwer in Regeln fassen lassen: Kratzer auf strukturierten Oberflächen, Verfärbungen, Fehler an Naturprodukten oder Textilien, Lötstellen mit vielen zulässigen Varianten. Auch wenn die Gutteile selbst stark unterschiedlich aussehen, helfen sie.

Weniger sinnvoll ist Machine Learning, wo exakt gemessen werden muss. Maße, Abstände und Positionen bestimmen klassische Verfahren genauer und nachvollziehbarer.

Drei Voraussetzungen für den Nutzen

• Daten: genug Bilder, die die reale Streuung abdecken – Chargen, Schichten, Verschmutzung, alternde Beleuchtung. Dazu Fehlerbilder in ausreichender Zahl, sauber markiert.
• Stabiler Bildaufbau: Machine Learning ersetzt weder eine passende Kamera noch eine gute Beleuchtung. Je gleichmäßiger die Aufnahme, desto weniger Daten braucht das Modell.
• Klares Ziel: Wie viel Schlupf (übersehene Fehler) und wie viel Pseudoausschuss (fälschlich aussortierte Gutteile) sind akzeptabel? Ohne diese Werte lässt sich kein Modell sinnvoll abnehmen.

Wenn Fehlerbilder fehlen: Anomalieerkennung

In vielen Fertigungen sind Fehler selten. Es gibt Tausende Gutteile, aber kaum Schlechtteile. Hier helfen Verfahren der Anomalieerkennung: Sie lernen nur, wie ein Gutteil aussieht, und melden alles, was davon abweicht. Der öffentliche Datensatz MVTec AD wurde genau für solche industriellen Prüfaufgaben zusammengestellt. Er enthält je Kategorie fehlerfreie Trainingsbilder und Testbilder mit verschiedenen Fehlerarten. Für den Einstieg ist Anomalieerkennung oft realistischer als ein Klassifikator, der jede Fehlerart kennen muss.

Lohnt es sich? Eine schnelle Einschätzung

Ehrlich bewerten statt beeindruckt sein

Eine Trefferquote allein sagt wenig. Entscheidend ist, welche Fehler das Modell übersieht und wie oft es Gutteile verwirft. Messen Sie beide Werte getrennt, und zwar an Testbildern, die das Modell beim Training nie gesehen hat:

# Jedes Urteil: (Wahrheit, Modell), Werte "iO" oder "niO"
def pruefkennzahlen(urteile):
    schlechte = [modell for wahr, modell in urteile if wahr == "niO"]
    gute = [modell for wahr, modell in urteile if wahr == "iO"]
    schlupf = schlechte.count("iO") / max(len(schlechte), 1)
    pseudoausschuss = gute.count("niO") / max(len(gute), 1)
    return schlupf, pseudoausschuss

urteile = [("iO", "iO"), ("niO", "niO"), ("niO", "iO"), ("iO", "iO")]
schlupf, pseudo = pruefkennzahlen(urteile)
print(f"Schlupf: {schlupf:.1%}, Pseudoausschuss: {pseudo:.1%}")

Ein Modell mit wenig Pseudoausschuss, das kritische Fehler durchlässt, ist für die Qualitätssicherung wertlos. Umgekehrt treibt zu viel Pseudoausschuss die Kosten und kostet das System die Akzeptanz an der Linie.

Aus der Praxis

In einem Projekt für einen Kamerahersteller haben wir nicht nur geprüft, welche neuronalen Netze ein Erkennungsproblem lösen, sondern auch, wie lange das Einlernen in Abhängigkeit von der gewünschten Qualität dauert. Diese Kosten-Nutzen-Sicht gehört in jede Entscheidung. Im Forschungsprojekt HIRAC, einem KI-Assistenzsystem für Rollstühle, setzen wir Deep Learning dort ein, wo Bildverarbeitung, Sensorfeedback und Objektmanipulation zusammenspielen – also dort, wo feste Regeln an Grenzen stoßen. Und bei der Bildverbesserung für einen Sensorhersteller prüfen wir Algorithmen zuerst in MATLAB, bevor sie in C# ins Produkt gehen. Erst testen, dann bauen: Das gilt für Machine Learning genauso.

Typische Fehler

• Mit dem Modell beginnen statt mit Daten und Abnahmekriterien.
• Trainings- und Testbilder aus derselben Charge oder vom selben Tag – das Ergebnis wirkt besser, als es an der Linie ist.
• Nur die Gesamttrefferquote berichten und Schlupf und Pseudoausschuss nicht trennen.
• Keinen Plan für das Nachtrainieren haben, wenn sich Material, Lieferant oder Beleuchtung ändern.
• Die Prüfer nicht einbeziehen: Wer die Fehler kennt, sollte beim Markieren der Bilder helfen.
• Ein Modell ohne Rückfallebene in Betrieb nehmen, etwa ohne manuelle Nachprüfung unsicherer Fälle.

Aus unseren Projekten: Untersuchung neuronaler Netze für einen Kamerahersteller, Forschungsprojekt HIRAC (gefördert im ZIM, mit der Hochschule Offenburg), Bildverbesserung für einen Sensorhersteller. Weiterführend: MVTec AD – Datensatz für industrielle Anomalieerkennung.