Mittelstandspresse
28.07.2026
KI in der visuellen Inspektion: Erfahrungen teilen, Projekte erfolgreicher machen
OCTUM bringt Praxiserfahrungen aus industriellen KI-Projekten in den VDMA-Expertenkreis „Machine Learning“ ein
Ilsfeld, 28.07.2026 (PresseBox) - Künstliche Intelligenz eröffnet der industriellen Bildverarbeitung neue Möglichkeiten. Gleichzeitig zeigt die Praxis, dass erfolgreiche KI-Projekte deutlich mehr benötigen als einen leistungsfähigen Algorithmus. Entscheidend sind realistische Zielsetzungen, geeignete Bilddaten, nachvollziehbare Bewertungskriterien und ein fundiertes Verständnis des jeweiligen Produktionsprozesses.
Diese und weitere Erfahrungen standen im Mittelpunkt des Vortrags „Lessons Learned – KI in der visuellen Inspektion“, den Madlyn Götz von OCTUM am 19. Mai 2026 bei der 21. Sitzung des VDMA-Expertenkreises „Machine Learning“ in Frankfurt hielt.
Die Veranstaltung bot Fachleuten aus unterschiedlichen industriellen Bereichen die Gelegenheit, aktuelle Fragestellungen rund um Machine Learning, industrielle Anwendungen und den sinnvollen Einsatz von KI in technischen Prozessen zu diskutieren.
KI ist kein Selbstläufer
In der öffentlichen Wahrnehmung wird Künstliche Intelligenz häufig als Technologie dargestellt, die komplexe Aufgaben nahezu automatisch lösen kann. In industriellen Anwendungen zeigt sich jedoch ein differenzierteres Bild.
Gerade bei der visuellen Inspektion hängt die Leistungsfähigkeit eines KI-Systems stark von den Rahmenbedingungen ab. Ein neuronales Netz kann nur anhand der Daten lernen, die ihm während der Entwicklung zur Verfügung gestellt werden. Sind die Bilddaten unvollständig, nicht repräsentativ oder falsch klassifiziert, wirkt sich dies unmittelbar auf das spätere Prüfergebnis aus.
Deshalb beginnt ein erfolgreiches KI-Projekt nicht mit der Auswahl eines Modells, sondern mit einer klaren Definition der Prüfaufgabe. Unter anderem müssen folgende Fragen beantwortet werden:
Welche Merkmale oder Defekte sollen erkannt werden?
Welche Schwankungen treten im realen Produktionsprozess auf?
Welche Fehler sind eindeutig, welche unterliegen einer subjektiven Bewertung?
Wie häufig kommen relevante Fehler tatsächlich vor?
Nach welchen Kriterien wird der Erfolg des Systems beurteilt?
Wie soll das System mit unbekannten oder grenzwertigen Fällen umgehen?
Je präziser diese Anforderungen zu Beginn formuliert werden, desto belastbarer lässt sich im weiteren Projektverlauf bewerten, ob der Einsatz von KI technisch und wirtschaftlich sinnvoll ist.
Repräsentative Bilddaten als Grundlage
Eine der größten Herausforderungen industrieller KI-Projekte ist die Zusammenstellung geeigneter Trainings- und Testdaten. Dabei reicht es nicht aus, möglichst viele Bilder zu sammeln. Entscheidend ist vielmehr, dass die Daten die reale Produktion ausreichend abbilden.
Dazu gehören unterschiedliche Produktvarianten, Materialien, Farben, Oberflächen, Beleuchtungssituationen und zulässige Prozessschwankungen. Ebenso müssen relevante Fehlerbilder in ausreichender Qualität und Vielfalt vorhanden sein.
In der Praxis treten kritische Defekte jedoch häufig nur selten auf. Dadurch entsteht ein typisches Ungleichgewicht: Von fehlerfreien Produkten existieren viele Bilder, von bestimmten Fehlerklassen dagegen nur wenige. Diese Ausgangslage muss bereits bei der Datenerfassung und Projektplanung berücksichtigt werden.
Auch die korrekte Kennzeichnung der Bilder ist von großer Bedeutung. Uneinheitliche oder widersprüchliche Bewertungen können dazu führen, dass das KI-System keine klaren Entscheidungskriterien erlernt. Gerade bei kosmetischen oder schwer abgrenzbaren Defekten ist deshalb eine abgestimmte Bewertung durch Produktion, Qualitätssicherung und weitere beteiligte Fachbereiche erforderlich.
Typische Fehleinschätzungen vermeiden
Im Vortrag wurden auch Annahmen thematisiert, die den Erfolg von KI-Projekten gefährden können. Dazu gehört beispielsweise die Erwartung, dass ein KI-System automatisch jede neue Produktvariante oder jeden bislang unbekannten Fehler erkennt.
KI-Modelle arbeiten jedoch auf Grundlage der Muster, die sie während des Trainings kennengelernt haben. Verändern sich Produkte, Materialien, Kamerapositionen, Beleuchtungsbedingungen oder Prozessparameter wesentlich, kann sich auch die Leistungsfähigkeit des Systems verändern.
Eine weitere Fehleinschätzung besteht darin, bereits eine hohe Trefferquote als ausreichenden Erfolgsnachweis zu betrachten. Prozentwerte allein sagen wenig darüber aus, wie zuverlässig das System unter realen Produktionsbedingungen arbeitet.
Für eine belastbare Bewertung müssen unter anderem falsch aussortierte Gutteile und nicht erkannte Schlechtteile getrennt betrachtet werden. Je nach Anwendung können beide Fehlerarten sehr unterschiedliche Auswirkungen haben. Während eine erhöhte Pseudofehlerrate die Produktivität beeinträchtigt, können übersehene Defekte ein erhebliches Qualitätsrisiko darstellen.
Klare Bewertungskriterien schaffen Transparenz
Damit die Leistungsfähigkeit einer KI-Anwendung objektiv beurteilt werden kann, sollten die relevanten Kennzahlen bereits zu Projektbeginn festgelegt werden.
Neben der reinen Erkennungsleistung können beispielsweise folgende Kriterien eine Rolle spielen:
die zulässige Rate falsch ausgeschleuster Gutteile,
die geforderte Erkennung kritischer Defekte,
die Stabilität bei unterschiedlichen Produktvarianten,
die Reproduzierbarkeit der Ergebnisse,
die erforderliche Prüfgeschwindigkeit,
die Nachvollziehbarkeit und Dokumentation der Entscheidungen,
sowie der Umgang mit Grenzfällen und unbekannten Fehlerbildern.
Ein separates Testdatenset, das nicht für das Training verwendet wurde, ist dabei unverzichtbar. Nur so lässt sich realistisch prüfen, ob das KI-System gelernte Zusammenhänge auf neue Bilder übertragen kann.
Produktionsverständnis bleibt entscheidend
Der Einsatz von KI ersetzt nicht das Verständnis der eigentlichen Anwendung. Auch ein leistungsfähiges Modell kann ungeeignete Bildaufnahmebedingungen nicht vollständig kompensieren.
Kamera, Optik, Beleuchtung, Bauteilführung und Bildaufnahme müssen deshalb weiterhin sorgfältig ausgelegt werden. Ziel ist es, relevante Merkmale möglichst stabil und deutlich sichtbar zu machen. Je besser die Bildqualität, desto zuverlässiger können sowohl klassische Bildverarbeitungsverfahren als auch KI-basierte Methoden arbeiten.
Darüber hinaus müssen Veränderungen im Produktionsprozess berücksichtigt werden. Neue Lieferanten, Materialchargen, Maschinenparameter oder Produktvarianten können dazu führen, dass sich das Erscheinungsbild der Bauteile verändert. Ein KI-System muss deshalb über seinen gesamten Lebenszyklus beobachtet und bei Bedarf angepasst werden.
Klassische Bildverarbeitung und KI sinnvoll kombinieren
Nicht jede Prüfaufgabe erfordert Künstliche Intelligenz. Viele Merkmale lassen sich mit klassischen Bildverarbeitungsalgorithmen zuverlässig, transparent und reproduzierbar prüfen.
KI bietet insbesondere dann Vorteile, wenn Defekte oder Merkmale nur schwer über feste Regeln beschrieben werden können. Das kann beispielsweise bei variierenden Oberflächen, komplexen Strukturen oder kosmetischen Fehlerbildern der Fall sein.
In vielen Anwendungen ist daher eine Kombination beider Ansätze sinnvoll. Eindeutig messbare Merkmale können regelbasiert geprüft werden, während KI bei komplexen oder stark variierenden Fehlerbildern zum Einsatz kommt.
OCTUM verfolgt dabei einen technologieoffenen Ansatz: Nicht die Technologie steht am Anfang, sondern die konkrete Prüfaufgabe. Erst nach der Bewertung von Produkt, Prozess, Fehlerbildern und Qualitätsanforderungen wird entschieden, welches Verfahren geeignet ist.
Austausch zwischen Forschung und industrieller Praxis
Der VDMA-Expertenkreis „Machine Learning“ bietet eine Plattform, um Erfahrungen aus verschiedenen Branchen und Anwendungsbereichen zusammenzuführen. Der Austausch über erfolgreiche Ansätze, technische Grenzen und typische Herausforderungen kann dazu beitragen, industrielle KI-Projekte realistischer zu planen und Risiken frühzeitig zu erkennen.
„Das war ein lehrreicher Tag. Besonders interessant für mich war der Austausch über unterschiedliche Anwendungsbereiche und aktuelle Herausforderungen von KI in der Industrie“, erklärt Madlyn Götz.
Die Diskussionen zeigten, dass viele Unternehmen vor ähnlichen Fragestellungen stehen. Dazu gehören die Verfügbarkeit geeigneter Daten, die Bewertung der Systemleistung, die Integration in bestehende Produktionsprozesse und der langfristige Betrieb von KI-Anwendungen.
Gute Vorbereitung erhöht die Erfolgschancen
Die Erfahrungen aus der visuellen Inspektion machen deutlich: KI kann einen wichtigen Beitrag zur automatisierten Qualitätssicherung leisten. Sie ist jedoch kein universelles Werkzeug, das ohne sorgfältige Vorbereitung eingesetzt werden kann.
Erfolgreiche Projekte benötigen:
eine klar definierte und technisch geeignete Prüfaufgabe,
repräsentative und korrekt bewertete Bilddaten,
stabile Bildaufnahmebedingungen,
realistische Erwartungen an die Leistungsfähigkeit,
eindeutige Abnahmekriterien,
sowie ein Konzept für Betrieb, Überwachung und Weiterentwicklung.
Wer diese Voraussetzungen berücksichtigt, schafft eine solide Grundlage, um die Potenziale Künstlicher Intelligenz in der industriellen Bildverarbeitung gezielt zu nutzen.
OCTUM bedankt sich beim VDMA für die Organisation der Veranstaltung sowie bei allen Teilnehmenden für den offenen und fachlich wertvollen Austausch.
Ansprechpartner
Roman Klingl
Zuständigkeitsbereich: Director Sales & Marketing
Über OCTUM GmbH:
Seit 1996 liefern wir weltweit Systemlösungen zur Kontrolle von Produkten und Fertigungsprozessen. Unsere Bildverarbeitungslösungen zur Erkennung und Inspektion von Teilen produzieren wir für unsere Zielbranchen Pharma- und Medizintechnik, Healthcare, Automotive und vielen anderen mehr.
Für die optische Qualitätskontrolle und Materialflusssteuerung in der Serienfertigung entwickeln und realisieren wir individuelle Bildverarbeitungslösungen auf der Basis von weltweit verfügbaren und bewährten Technologien. Ein kompetentes und engagiertes Team setzt dabei Ihre Anforderungen innovativ in prozesssichere Lösungen um. Ein partnerschaftliches Verhältnis und ein fairer Umgang mit Kunden und Lieferanten sind uns dabei sehr wichtig. Der Aufbau und Ausbau langfristiger Geschäftsbeziehungen steht im Vordergrund unseres Handelns.
OCTUM ist der zuverlässige Partner von dessen Know-how auch Sie profitieren können. Je nach Kundenwunsch, liefern wir nur die Bildverarbeitungslösung oder zusammen mit unseren Partnerfirmen Komplettlösungen. Mit mehr als 6.000 produktionssicheren, installierten Systemlösungen zählt OCTUM zu den erfolgreichen Anbietern der Branche.
Wir sind:
▪ nach DIN EN ISO 9001:2015 zertifiziert
▪ ams zertifiziert
▪ Cognex Systemintegrator
▪ Halcon Systemintegrator
▪ Omron Systemintegrator
▪ Mitglied im VDMA
▪ Dualer Partner der DHBW
Datei-Anlagen:
(2 MB)
1617754.attachment
KI in der visuellen Inspektion: Die Visualisierung zum Vortrag von Madlyn Götz zeigt, wie Machine Learning bei der automatisierten Defekterkennung eingesetzt werden kann – vorausgesetzt, Bilddaten, Bewertungskriterien und Prozessverständnis stimmen.
- Mehr Infos zu dieser Meldung unter www.pressebox.de
- zurück zur Übersicht
