KKC_0178 | KI-Defekterkennung in der Produktion mit Computer Vision

Dieses Seminar zeigt Ihnen, wie Sie eine KI-gestützte Defekterkennung in der Produktion von Grund auf planen und belastbar bewerten. Sie starten mit der Übersetzung eines Qualitätsproblems in einen klaren Use Case: Welche Fehlerbilder sind relevant, wie definieren Sie Schweregrade, und welche Prüfstrategie passen zu Taktzeit, Ausschuss und Nacharbeit? Danach gehen Sie an die Basis jeder Computer-Vision-Lösung: Bildaufnahme und Beleuchtung.

Sie lernen, welche Kamera- und Optikparameter die Erkennungsleistung beeinflussen, wie Motion Blur und Perspektive Fehler erzeugen können und wie Kalibrierung und reproduzierbare Beleuchtung die Datenqualität stabilisieren. Im nächsten Schritt bauen Sie einen Datensatz auf, der in der Fertigung funktioniert: Defektkatalog, Klassenlogik, Annotation (Bounding Box, Polygon, Segmentierung) und ein pragmatischer Umgang mit seltenen Fehlern und Imbalance. Darauf aufbauend vergleichen Sie Modellansätze wie Klassifikation, Detektion und Segmentierung und verstehen, wann klassische Verfahren als Baseline sinnvoll sind und wann Deep Learning nötig wird.

Ein zentrales Thema ist die Bewertung: Sie arbeiten mit Precision, Recall, F1 und IoU, interpretieren Confusion Matrices und leiten daraus Thresholds und eine Reject-Logik ab, die wirtschaftlich tragfähig ist. Abschließend behandeln Sie den Weg in die Linie: Edge-Inferenz, Latenz, Schnittstellen zu SPS/MES/QMS, Fail-safe-Strategien sowie Monitoring und Dokumentation für den produktiven Betrieb.

• Qualitätsprobleme in klare Computer-Vision-Use-Cases übersetzen
• Fehlerbilder, Schweregrade und Prüfstrategien definieren
• Kamera, Optik, Perspektive und Beleuchtung reproduzierbar planen
• Defektkataloge, Klassenlogik und Annotationen aufbauen
• Seltene Fehler, Datenungleichgewicht und Datenqualität berücksichtigen
• Klassifikation, Detektion und Segmentierung vergleichen
• Modelle mit praxisnahen Kennzahlen und Produktionsdaten bewerten

Das Seminar richtet sich an Qualitätsingenieur/innen, Produktionsingenieur/innen, Automatisierungstechniker/innen, Data Scientists sowie Fachkräfte aus Fertigung und industrieller Bildverarbeitung.

Grundkenntnisse in Produktion, Qualitätsprüfung oder Bildverarbeitung sind hilfreich. Für technische Übungen sind grundlegende Programmierkenntnisse von Vorteil.

• Use Cases und Qualitätslogik in der Produktion
  • Typische Fehlerbilder: Oberfläche, Kanten, Montage, Label
  • Prüfstrategie: 100%-Kontrolle vs. Stichprobe
  • Fehlerkosten, Taktzeit, Ausschuss und Nacharbeit
  • Abnahmekriterien und Traceability
• Bildaufnahme, Beleuchtung und Datenqualität
  • Kameraarten, Optik, Auflösung und Bildfeld
  • Beleuchtungskonzepte: Hellfeld, Dunkelfeld, Dome
  • Motion Blur, Schärfentiefe, Perspektive, Kalibrierung
  • Datendrift durch Material, Charge, Temperatur
• Datensatzaufbau und Annotation für Defekterkennung
  • Klassen, Defektkatalog, Schweregrade
  • Annotation: Bounding Box, Polygon, Segmentierung
  • Umgang mit seltenen Fehlern und Imbalance
  • Versionierung von Daten und Labels
• Modellansätze: Klassifikation, Detektion, Segmentierung
  • Wann welcher Ansatz sinnvoll ist
  • Baseline mit klassischen Verfahren vs. Deep Learning
  • Thresholds, Konfidenz und Reject-Logik
  • Erklärbarkeit: Heatmaps und Fehlersuche
• Bewertung, Metriken und Produktionsreife
  • Precision, Recall, F1, IoU, Confusion Matrix
  • False Reject vs. False Accept in der Praxis
  • Testdesign: Golden Samples, Edge Cases
  • Abnahmeplan und Monitoring nach Go-live
• Deployment: Linie, Edge und Integration
  • Edge-Inferenz, Latenz und Durchsatz
  • Schnittstellen zu SPS/MES/QMS
  • Fail-safe, Fallback und Human-in-the-loop
  • Datenschutz, IP, Audit und Dokumentation