Prüfen mit bloßem Auge
Die Konzentration lässt im Laufe einer Schicht nach, und was als Fehler gilt, kann von Person zu Person unterschiedlich ausfallen.
KI für Fertigungsqualität
KI-Qualitätskontrolle: Oberflächendefekte erkennen, bevor sie zum Kunden gehen
Wir entwickeln Bildverarbeitungslösungen (Computer Vision), die Risse, Kratzer, Poren oder Korrosion auf Metall und anderen Oberflächen automatisch finden – bei jedem Teil, nach immer gleichen Kriterien und auch dort, wo das menschliche Auge ermüdet.
- Für Metall und andere Oberflächen
- Überwachtes und unüberwachtes Lernen
- Praktisch erprobt in unseren KI-Schulungen
Surface Quality ControlLive OberflächenanalyseLive
Welche Defekte eine KI erkennen kann
Ob Blech, Gussteil oder gefräste Fläche – aber auch lackierte Teile, Kunststoff oder andere Materialien: Überall dort, wo sich ein Fehler im Bild zeigt, kann eine KI lernen, ihn zu finden.
Risse und Brüche
Erkennung feinster Haarrisse, die die strukturelle Integrität eines Bauteils gefährden – oft kaum mit bloßem Auge zu sehen.
Kratzer und Riefen
Identifikation mechanischer Beschädigungen, die beim Transport oder bei der Bearbeitung entstehen.
Einschlüsse und Poren
Finden von Fremdmaterial oder Lufteinschlüssen im Metall, zum Beispiel bei Gussbauteilen.
Korrosion und Rost
Frühzeitiges Erkennen oxidierter Stellen oder chemischer Veränderungen der Oberfläche.
Warum automatische Sichtprüfung?
Viele Oberflächen werden heute noch von Menschen geprüft – mit viel Erfahrung, aber auch mit natürlichen Grenzen. Eine KI-Sichtprüfung nimmt den Mitarbeitenden die monotone Kontrolle ab und liefert gleichbleibende Ergebnisse.
Nur ein Teil wird geprüft
Fehlerhafte Teile zwischen den Stichproben bleiben unentdeckt – und fallen womöglich erst beim Kunden auf.
Jedes Teil, gleiche Kriterien
Die KI prüft jedes Teil nach denselben Maßstäben, markiert Auffälligkeiten und dokumentiert jedes Ergebnis mit Bild.
Zwei Wege zur Defekterkennung
Welcher Weg passt, hängt vor allem davon ab, wie viele Bilder von fehlerhaften Teilen es gibt und ob die Fehlerarten bekannt sind. In der Praxis lassen sich beide Wege auch kombinieren: Die eine KI findet jede Abweichung, die andere ordnet bekannte Fehler einer Fehlerart zu.
Aus Beispielen lernen
überwachtes Lernen, engl. supervised learning
Die KI bekommt viele Bilder, auf denen Fehler markiert und benannt sind – etwa „Riss“, „Kratzer“ oder „Pore“. Daraus lernt sie, diese Fehlerarten zu erkennen, zu unterscheiden und genau im Bild zu verorten.
Gut geeignet, wenn …
- Die Fehlerarten sind bekannt, und es gibt Beispielbilder dafür.
- Es soll nicht nur „fehlerhaft“ erkannt werden, sondern auch welcher Fehler vorliegt – etwa für die Ursachenanalyse.
Abweichungen vom Gutteil finden
unüberwachtes Lernen, engl. unsupervised learning – auch Anomalieerkennung
Die KI lernt ausschließlich aus Bildern einwandfreier Teile, wie eine gute Oberfläche aussieht. Alles, was davon abweicht, markiert sie als auffällig – auch Fehler, die in den Trainingsdaten nie vorkamen.
Gut geeignet, wenn …
- Fehler sind selten, Bilder von Schlechtteilen gibt es kaum.
- Auch neue, bisher unbekannte Fehlerbilder sollen auffallen.
So funktioniert die KI-Sichtprüfung
Vom Foto bis zur dokumentierten Prüfentscheidung in vier Schritten.
- 1 · Aufnehmen
Bildaufnahme
Kamera und Beleuchtung
Eine Kamera fotografiert jedes Teil. Die passende Beleuchtung ist entscheidend, damit feine Risse oder Kratzer überhaupt sichtbar werden.
- 2 · Erkennen
Defekterkennung
engl. defect detection
Das KI-Modell untersucht das Bild und markiert auffällige Stellen – mit Position und, je nach Ansatz, der Fehlerart.
- 3 · Bewerten
Prüfentscheidung
in Ordnung oder nicht in Ordnung
Anhand festgelegter Kriterien – etwa ab welcher Größe ein Kratzer kritisch ist – entscheidet das System über das Teil.
- 4 · Dokumentieren
Nachweis
für die Qualitätssicherung
Jedes Ergebnis wird mit Bild gespeichert – nachvollziehbar bei Reklamationen und hilfreich für die Ursachenanalyse.
Praktisch erprobt in unseren KI-Schulungen
Aus unseren Schulungen
Die Defekterkennung auf Oberflächen haben Teilnehmende aus Unternehmen in unseren KI-Schulungen unter der Marke KI Seminare bereits praktisch durchgearbeitet. Dieses Wissen bringen wir in Ihr Projekt ein – und auf Wunsch auch in Ihr Team, damit es die Lösung später selbst betreuen und weiterentwickeln kann.
Was wir für den Start brauchen
Für einen ersten Machbarkeitstest genügt oft schon eine überschaubare Menge an Musterteilen und Bildern.
Bilder Ihrer Teile
Beispielbilder von Gut- und Schlechtteilen. Für unüberwachtes Lernen genügen vor allem Bilder einwandfreier Teile.
Kamera und Licht
Vorhandene Kameras nutzen oder die passende Bildaufnahme gemeinsam planen.
Ihre Prüfkriterien
Welche Fehler ab welcher Größe kritisch sind, bestimmt Ihr Fachwissen.
So gehen wir vor
Schritt 1: Erstgespräch
Kostenlos und unverbindlich: Welche Teile, welche Fehler, welche Stückzahlen?
Schritt 2: Musterteile & Aufnahmen
Wir machen Testaufnahmen Ihrer Teile und prüfen, ob die Fehler im Bild gut sichtbar sind.
Schritt 3: Ansatz & Modell
Wir wählen überwachtes oder unüberwachtes Lernen und lernen das Modell an.
Schritt 4: Test mit echten Teilen
Der Prototyp prüft Ihre Teile; wir vergleichen die Ergebnisse mit der bisherigen Prüfung.
Schritt 5: Einführung & Schulung
Integration in Ihre Fertigung – lokal, in der Cloud oder hybrid – und Befähigung Ihres Teams.
Was Sie davon haben
Jedes Teil geprüft
Keine Lücken zwischen Stichproben.
Gleichbleibende Kriterien
Dieselben Maßstäbe in jeder Schicht.
Lückenlose Dokumentation
Jede Prüfentscheidung mit Bild nachvollziehbar.
Daten bleiben im Haus
Auf Wunsch läuft die Prüfung vollständig auf Ihren eigenen Rechnern.
Häufige Fragen zu KI-Qualitätskontrolle
Welche Oberflächendefekte kann eine KI erkennen?
Typische Beispiele sind Risse und Brüche bis hin zu feinsten Haarrissen, Kratzer und Riefen, Einschlüsse und Poren etwa in Gussbauteilen sowie Korrosion und Rost. Grundsätzlich kann eine KI jeden Fehler lernen, der sich im Bild zeigt.
Was ist der Unterschied zwischen überwachtem und unüberwachtem Lernen bei der Sichtprüfung?
Beim überwachten Lernen lernt die KI aus Bildern mit markierten und benannten Fehlern und kann danach Fehlerarten unterscheiden. Beim unüberwachten Lernen lernt sie nur aus Bildern einwandfreier Teile und meldet jede Abweichung – auch Fehler, die sie noch nie gesehen hat.
Wie viele Bilder von fehlerhaften Teilen werden benötigt?
Das hängt vom Ansatz ab. Für überwachtes Lernen braucht es Beispielbilder jeder Fehlerart. Für unüberwachtes Lernen genügen vor allem Bilder einwandfreier Teile – das ist oft der schnellere Einstieg, wenn Fehler selten sind.
Funktioniert das nur bei Metall?
Nein. Neben Metall lassen sich auch andere Oberflächen prüfen, etwa lackierte Teile oder Kunststoff. Entscheidend ist, dass der Fehler im Bild sichtbar ist – deshalb klären wir Kamera und Beleuchtung früh im Projekt.
Haben Sie Erfahrung mit Defekterkennung?
Ja. Defekterkennung auf Oberflächen ist ein Anwendungsfall, den Teilnehmende aus Unternehmen in unseren KI-Schulungen bereits praktisch durchgearbeitet haben. Dieses Wissen setzen wir in Kundenprojekten ein.
Kann die KI-Prüfung lokal ohne Cloud laufen?
Ja. Die Bildauswertung kann vollständig auf Rechnern in Ihrem Unternehmen laufen, sodass keine Bilder Ihrer Teile das Werk verlassen.