Bei einem klassischen regelbasierten Machine-Vision-Prüfsystem beginnt ein Projekt meist mit einer Anforderungsspezifikation. Darin werden Produkt, Toleranzen, Zeichnungen, Bilder, Fehlerkategorien und maximal zulässige Abweichungen beschrieben. Auf dieser Basis wird eine Inspektionslösung mit festen Messregeln, Schwellwerten und Logik aufgebaut.
Bei AI Vision liegt der Ausgangspunkt anders. Das Projekt beginnt nicht mit perfekten Regeln, sondern mit Bildern. Bilder von Gutteilen, Schlechtteilen, Grenzfällen und Produktvariationen aus der realen Produktionsumgebung. Diese Bilddaten bilden die Grundlage für das Trainieren, Testen und Bewerten eines KI-Modells.
Dadurch werden Kamera, Objektiv und Beleuchtung nicht weniger wichtig. Im Gegenteil. AI Vision kann nur aus dem lernen, was im Bild sichtbar ist. Wenn ein Fehler optisch nicht sauber erkennbar ist, löst KI dieses Problem nicht automatisch. Die Kamera muss ausreichend Auflösung liefern und die Beleuchtung muss genügend Kontrast zwischen Gut und Schlecht erzeugen.
Oft gibt es noch keine vollständige Anforderungsspezifikation
In der Praxis sehen wir immer häufiger, dass Unternehmen prüfen möchten, ob AI Vision einen Mehrwert bietet, obwohl noch keine vollständige Anforderungsspezifikation vorliegt. Meist ist zwar klar, was als Gutteil oder Ausschussteil gilt, aber es gibt noch keine vollständige Fehlerdefinition mit Toleranzen je Fehlerkategorie.
Manchmal geht es um Beschädigungen, Verunreinigungen oder Formabweichungen. Manchmal um Mix-up-Erkennung, bei der geprüft wird, ob sich das richtige Produkt in der Linie befindet. In anderen Fällen geht es um das Erkennen von Produktvarianten, die für Bediener logisch unterscheidbar sind, technisch aber noch nicht vollständig beschrieben wurden.
Die erste Frage ist dann einfach: Gibt es bereits Bilder dieser Produkte? Und gibt es auch Bilder von Gutteilen, Schlechtteilen und Grenzfällen?
Wenn diese Bilder noch nicht vorhanden sind, beginnt genau dort der erste Schritt.
Bilddaten selbst an der Produktionslinie erfassen
Sie können einen externen Vision-Dienstleister mit einer Machbarkeitsstudie beauftragen. Dieser baut vorübergehend einen Prüfaufbau auf, nimmt Bilder auf und untersucht, ob die Inspektion mit der eigenen Software und Hardware realisierbar ist. Das kann ein sinnvoller Weg sein, besonders wenn intern wenig Zeit oder Know-how verfügbar ist.
Ein Nachteil ist, dass eine solche Untersuchung häufig innerhalb der Softwareplattform dieses Dienstleisters durchgeführt wird. Damit bewegt man sich bereits früh im Projekt in Richtung einer bestimmten Lösung. Auch das Trainieren oder spätere Nachtrainieren des KI-Modells bleibt dann teilweise eine externe Dienstleistung.
Ein anderer Ansatz ist, selbst einen einfachen Bildaufnahmeaufbau an der Produktionslinie zu platzieren. Damit sammeln Sie über einen bestimmten Zeitraum reale Produktionsbilder. Diese Bilder können anschließend intern durch Mitarbeiter aus der Qualitätssicherung oder durch Bediener bewertet und gelabelt werden.
Auf Basis dieses Datensatzes können später verschiedene AI-Vision-Softwareplattformen getestet werden. So lässt sich besser bestimmen, welche Lösung technisch und praktisch am besten passt. Die Entscheidung basiert dann nicht auf Demo-Daten, sondern auf den eigenen Produkten, der eigenen Produktvariation und der eigenen Produktionsumgebung.
Der Vorteil ist, dass Sie schnell starten und viel lernen. Der Nachteil ist, dass bereits in Hardware investiert wird, ohne Garantie, dass diese Kamera, dieses Objektiv oder diese Beleuchtung auch die endgültige Wahl sein wird. Das ist kein Problem, solange der erste Aufbau als Lernaufbau verstanden wird und nicht als fertige Inspektionslösung.
Gute AI-Inspektion beginnt mit guten Bilddaten
Ein einfacher Prüfaufbau muss nicht perfekt sein, aber die Bilder müssen brauchbar sein. Wichtige Fragen sind:
Ist der Fehler im Bild sichtbar?
Gibt es ausreichend Details, um Gut und Schlecht zuverlässig zu unterscheiden?
Erzeugt die Beleuchtung genügend Kontrast?
Bleibt das Bild bei unterschiedlichen Chargen, Schichten und Produktpositionen stabil?
Können Mitarbeiter aus der Qualitätssicherung die Bilder zuverlässig labeln?
Solange diese Fragen nicht beantwortet sind, ist es wenig sinnvoll, direkt über das beste KI-Modell zu diskutieren. Zuerst muss klar sein, was die Kamera tatsächlich sieht.
Manchmal zeigen die ersten Bilder, dass ein einfaches Frontlight ausreicht. In anderen Fällen wird sichtbar, dass Reflexionen, Glanz, Schatten oder Umgebungslicht den Fehler verdecken. Dann muss man über einen anderen Beleuchtungswinkel, ein anderes Objektiv, eine höhere Auflösung oder einen kontrollierteren mechanischen Aufbau nachdenken.
Genau darin liegt der Wert eines frühen Starts: Man erkennt die praktischen Probleme, bevor das komplette System im Detail spezifiziert wird.
Ein praktischer Testaufbau muss nicht aufwendig sein
Für die erste Phase wird kein leistungsstarker AI-Computer benötigt. Wenn es zunächst vor allem darum geht, Bilder zu erfassen, reicht häufig ein normaler PC oder Industrie-PC mit ausreichend Speicherplatz aus. Ein leistungsstarker Prozessor oder eine GPU wird erst wichtig, wenn lokal trainiert, KI-Modelle getestet oder eine Echtzeitinspektion in der Produktionslinie ausgeführt werden soll.
Für die Bildaufnahme können Sie mit einer Industriekamera, einem passenden Objektiv und geeigneter Beleuchtung starten. Bei einfachen Anwendungen kann eine kompakte Kamera mit integriertem Objektiv in Kombination mit einem Frontlight bereits ausreichen, um den ersten Datensatz aufzubauen.
Für solche Startsituationen entscheiden sich viele Kunden für ein uEye XC Starter Set für bildbasierte Anwendungen oder ein uEye XC UVC Starter Set für videobasierte Anwendungen. Dabei handelt es sich um 13-Megapixel-USB3-Kameras mit integriertem Objektiv, die einfach anzuschließen sind und schnell für die Erfassung von Bildmaterial an oder nahe der Produktionslinie eingesetzt werden können.
Bei kritischeren Anwendungen ist es sinnvoll, Kamera, Objektiv und Beleuchtung von Anfang an gezielter auszuwählen. Typische Beispiele sind kleine Fehler, glänzende Produkte, hohe Liniengeschwindigkeiten, geringer Kontrast oder wechselnde Produktpositionen. Eine kurze Bewertung von Bildfeld, Arbeitsabstand, Auflösung und Beleuchtungsrichtung verhindert, dass viele Bilder gesammelt werden, die später nur eingeschränkt nutzbar sind.
Praktisch mit der Erfassung von Bilddaten starten
Für viele erste Tests reicht ein einfacher Komponentenaufbau aus. Zum Beispiel ein 13 MP uEye XC Starter Set in Kombination mit einem Frontlight und einem PC oder IPC mit ausreichend Speicherplatz. Damit können Sie an oder nahe der Produktionslinie mit der Erfassung von Bildern für Ihren AI-Vision-Datensatz starten.
Ein solcher Testaufbau dient dem Lernen. Sie erfassen Gutteile und Schlechtteile, sammeln Grenzfälle und sehen, wie stabil das Bild unter normalen Produktionsbedingungen bleibt. Auf dieser Basis lässt sich später besser entscheiden, ob ein anderes Objektiv, eine andere Beleuchtung, eine höhere Auflösung oder eine weitergehende industrielle Integration erforderlich ist.
Sehen Sie sich unsere uEye XC Starter Sets an oder kontaktieren Sie uns, wenn Sie Unterstützung bei der Auswahl von Kamera, Objektiv und Beleuchtung für Ihre Anwendung benötigen.
Der Datensatz bestimmt den nächsten Schritt
Wenn ausreichend Bilder gesammelt und gelabelt wurden, lässt sich deutlich besser beurteilen, welche AI-Vision-Lösung zur Anwendung passt. Verschiedene Softwareplattformen können mit demselben Datensatz getestet werden. Dabei wird sichtbar, welche Fehler gut erkannt werden, wo das Modell unsicher ist und welche Produktvariationen zusätzliche Beispiele benötigen.
Dadurch wird die Entscheidung für Software, Hardware und Integration besser fundiert. Nicht auf Basis von Demos mit Standard-Beispieldaten, sondern auf Basis der eigenen Produkte und der eigenen Produktionsumgebung.
Darin liegt auch ein wichtiger Vorteil von AI Vision. Das Trainieren und Nachtrainieren des Modells kann niedrigschwellig Teil der eigenen Organisation werden. Neue Produktvarianten, zusätzliche Fehlerbeispiele und Grenzfälle können später in den Datensatz aufgenommen werden. So wächst das System mit der Produktion mit.
Einfach starten, aber nicht blind
Selbst mit AI Vision zu starten bedeutet nicht, einfach eine Kamera zu montieren und zu erwarten, dass KI den Rest löst. Die technische Basis muss stimmen. Der Fehler muss sichtbar sein, die Auflösung muss ausreichen und die Beleuchtung muss den richtigen Kontrast liefern.
Gleichzeitig muss nicht gewartet werden, bis alles im Vorfeld vollständig definiert ist. Gerade durch das Erfassen von Bildern in der realen Produktionsumgebung entsteht wertvolles Verständnis. Man erkennt, wo die optischen Herausforderungen liegen, welche Produkte Diskussionen verursachen und welche Anforderungen später wirklich wichtig werden.
Unser Ansatz ist praxisorientiert: mit einem einfachen, aber brauchbaren Bildaufnahmeaufbau starten, reale Produktionsbilder sammeln, diese sorgfältig labeln und die Daten nutzen, um gezielt die nächsten Entscheidungen zu treffen.
Möchten Sie selbst mit AI Vision in Ihrer Produktionsumgebung starten? Beginnen Sie mit einem Testaufbau, mit dem Sie zuverlässige Bilder erfassen können. Wir unterstützen Sie bei der Auswahl von Kamera, Objektiv und Beleuchtung, damit Sie schnell starten, ohne grundlegende Fehler im Basisaufbau zu machen.
Häufig gestellte Fragen zum Einstieg in AI Vision
Benötigt man direkt einen AI-Computer, um mit AI Vision zu starten?
Nein, nicht wenn zunächst Bilder erfasst werden sollen. Für die erste Phase reicht häufig ein normaler PC oder Industrie-PC mit ausreichend Speicherplatz aus. Ein leistungsstarker Prozessor oder eine GPU wird erst wichtig, wenn lokal trainiert, KI-Modelle getestet oder eine Echtzeitinspektion in der Produktionslinie ausgeführt werden soll.
Kann KI einen schlecht sichtbaren Fehler trotzdem erkennen?
Meist nicht zuverlässig. KI kann nur aus Informationen lernen, die im Bild vorhanden sind. Wenn ein Fehler durch falsche Beleuchtung, zu geringe Auflösung oder ein ungeeignetes Objektiv kaum sichtbar ist, wird auch ein KI-Modell Schwierigkeiten damit haben. Deshalb bleiben Kamera, Objektiv und Beleuchtung auch bei AI Vision entscheidend.
Ist ein Testaufbau dasselbe wie das endgültige Vision-System?
Nein. Ein erster Testaufbau dient vor allem dazu, Bilder zu erfassen, Erfahrung aufzubauen und technische Risiken sichtbar zu machen. Kamera, Objektiv oder Beleuchtung können sich später noch ändern. Das ist kein Problem, solange der erste Aufbau als Lernaufbau verstanden wird und nicht als endgültige Inspektionslösung.
Ist ein Testaufbau für AI Vision teuer?
Nein, ein erster Testaufbau muss nicht teuer sein. Besonders wenn das Ziel zunächst vor allem die Erfassung von Bildern ist, wird noch kein vollständiges AI-Inspektionssystem benötigt. Ein einfacher Komponentenaufbau mit Kamera, Objektiv und Beleuchtung reicht häufig aus, um zu starten.
Mit einem uEye XC Starter Set in Kombination mit einem Frontlight lässt sich bereits für unter 2.000 € ein praktischer Bildaufnahmeaufbau für erste Tests realisieren. Damit können Bilder an oder nahe der Produktionslinie erfasst, Gut- und Schlechtteile dokumentiert und der Aufbau eines Datensatzes gestartet werden.
Die endgültige Inspektionslösung kann sich später noch ändern. Vielleicht werden am Ende ein anderes Objektiv, eine andere Beleuchtung, eine höhere Auflösung oder eine industrielle Integration benötigt. Für die erste Phase ist jedoch entscheidend, mit brauchbaren Bildern aus der eigenen Produktionsumgebung zu beginnen.
Wie viele Bilder benötigt man, um mit AI Vision zu starten?
Das hängt von der Anwendung, der Anzahl der Produktvarianten und den Unterschieden zwischen Gut und Schlecht ab. Für eine erste Bewertung ist es vor allem wichtig, repräsentative Bilder zu sammeln: Gutteile, Schlechtteile, Grenzfälle und Variationen aus der normalen Produktion. Erst danach lässt sich zuverlässig bestimmen, wie viele zusätzliche Beispiele für Training und Validierung erforderlich sind.
Kann man mit AI Vision selbst starten, ohne externen Integrator?
Ja, in vielen Fällen können Sie selbst mit dem Erfassen von Bildern und dem Aufbau eines Datensatzes beginnen. Der Basisaufbau muss jedoch technisch stimmen. Bildfeld, Arbeitsabstand, Auflösung und Beleuchtung bestimmen, ob die Bilder später nutzbar sind. Mit begrenzter Unterstützung bei der Auswahl von Kamera, Objektiv und Beleuchtung lässt sich häufig schnell und verantwortungsvoll starten.
