Bei Machine Vision wird bei neuen Anwendungen oft zuerst an eine Farbkamera gedacht. Das sehe ich besonders bei KI Inspektion. Ein Farbbild wirkt logisch, weil wir Menschen auch in Farbe sehen. Man erkennt direkt mehr Kontext und das Bild lässt sich leichter beurteilen.
Für ein Vision System ist das nicht immer der richtige Denkansatz.
Ein Machine Vision System betrachtet ein Produkt nicht so wie ein Bediener. Die Software arbeitet mit Kontrast, Intensität, Kanten, Textur, Form, Position, Farbwerten oder einer Kombination daraus. Die wichtigste Frage ist daher nicht, ob das Bild natürlich aussieht, sondern welche Bildinformation benötigt wird, um Gut und Fehler zuverlässig voneinander zu unterscheiden.
In der Praxis wählt man meistens eine monochrome Kamera, wenn es um Kontrast, Kanten, OCR, Codes, Maßprüfung, Anwesenheit oder Geschwindigkeit geht. Eine Farbkamera wählt man, wenn Farbe selbst Teil der Prüfentscheidung ist, zum Beispiel bei Farbprüfung, Verfärbung, Etiketten, Farbsortierung oder KI Anwendungen, bei denen Farbe nachweislich hilft.
Zuerst die Prüfaufgabe, dann die Kamera
Die Wahl zwischen monochrom und Farbe beginnt nicht bei der Kamera, sondern bei der Prüfaufgabe. Was muss das System wirklich sehen? Ist es eine Kante, Text, ein Code, eine Kontur, ein Oberflächenfehler, eine Position oder gerade ein Farbunterschied?
Wenn Farbe keine direkte Rolle in der Entscheidung spielt, ist monochrom oft der robusteste Startpunkt. Man erhält in der Regel eine höhere Lichtempfindlichkeit, ein schärfer nutzbares Bild und eine einfachere Bildverarbeitung.
Wenn Farbe jedoch Teil der Gut oder Fehler Entscheidung ist, dann ist eine Farbkamera logisch. Auch dann muss aber noch bestimmt werden, ob eine normale Bayer Farbkamera ausreicht oder ob die Anwendung mehr verlangt. Denkbar sind spezielle Beleuchtung, Filter, eine 3 Sensor Prismakamera oder ein Aufbau mit monochromer Kamera und separat getriggerter RGB Beleuchtung.
Erst wenn die Wahl zwischen monochrom und Farbe getroffen ist, beginnt die weitere Kameraauswahl. Dann betrachtet man Auflösung, Sensorgröße, Pixelgröße, Bildfeld, Objektiv, Schnittstelle, Bildrate und Belichtungszeit. Diese Entscheidungen lassen sich erst sinnvoll treffen, wenn klar ist, welche Bildinformation die Prüfung benötigt.
Warum monochrom oft die beste technische Grundlage ist
Eine monochrome Kamera erfasst Lichtintensität. Jeder Pixel liefert direkt einen Grauwert. Es liegt kein Farbfiltermuster über dem Sensor, das einen Teil des Lichts blockiert oder Farbinformation aus benachbarten Pixeln rekonstruieren muss.
Dadurch ist eine monochrome Kamera in vielen Situationen empfindlicher, schärfer und einfacher einzusetzen. Besonders wenn es um kurze Belichtungszeiten, kleine Details, Kantenerkennung, Maßprüfung, OCR oder Code lesen geht.
Bei vielen Prüfungen ist Farbe nämlich nicht die relevante Information. Eine Kante ist ein Übergang in der Intensität. Ein Kratzer ist oft ein lokaler Kontrastunterschied. Ein Data Matrix Code muss vor allem scharf und mit ausreichendem Modulkontrast sichtbar sein. Eine Kontur für Roboterführung muss nicht in Farbe erkannt werden, sondern stabil aus dem Bild extrahiert werden können.
Deshalb beginne ich in der Praxis oft mit der Frage: Kann ich das Problem mit Grauwertkontrast lösen? Wenn die Antwort ja ist, dann ist monochrom meistens der robusteste Weg.
Das bedeutet nicht, dass Farbe falsch ist. Es bedeutet aber, dass Farbe erst dann einen Mehrwert bringt, wenn Farbinformation wirklich Teil der Prüfentscheidung ist.
Wann eine Farbkamera notwendig ist
Eine Farbkamera verwendet man, wenn Farbe selbst prüfrelevant ist. Zum Beispiel wenn ein Produkt nach Farbe sortiert werden muss, wenn ein Deckel die richtige Farbe haben muss, wenn farbige Drähte erkannt werden müssen oder wenn ein Etikett nicht nur vorhanden sein muss, sondern auch in der richtigen Farbe gedruckt sein soll.
Auch bei Verfärbung, Reifegrad, Verschmutzung oder Materialunterscheidung kann Farbinformation wichtig sein. In solchen Anwendungen kann eine monochrome Kamera zu wenig Information liefern, weil der Unterschied zwischen Gut und Fehler nicht nur in der Lichtintensität liegt, sondern im Verhältnis zwischen Rot, Grün und Blau.
Bei KI Anwendungen ist das etwas differenzierter. Oft denkt man bei KI automatisch an Farbe, weil Trainingsbilder in Farbe für Menschen leichter erkennbar sind. Ein neuronales Netz braucht jedoch nicht immer Farbe. Wenn der Unterschied zwischen Gut und Fehler vor allem in Form, Struktur, Beschädigung, Textur oder Anwesenheit liegt, kann ein monochromes Bild ausreichend sein. Manchmal ist es sogar besser, weil weniger Variation eingeführt wird.
Farbe kann einem KI Modell helfen, wenn Farbe ein echtes Merkmal ist. Farbe kann aber auch zu Rauschen werden, wenn Lichtfarbe, Weißabgleich, Reflexion oder Produktvariation nicht gut kontrolliert sind. Dann lernt das Modell manchmal unerwünschte Variation statt des eigentlichen Prüfmerkmals.
Das Bayer Muster und die effektive Auflösung
Die meisten industriellen Farbkameras arbeiten mit einem Bayer Muster. Das bedeutet, dass über den Pixeln auf dem Sensor Farbfilter liegen. Meistens nach einem Rot, Grün, Grün, Blau Muster. Jeder Pixel misst also nicht die vollständige Farbinformation, sondern nur eine Farbkomponente.
Der Farbwert pro Pixel wird danach aus benachbarten Pixeln berechnet. Dieser Prozess wird Demosaicing genannt.
Für normale Bilddarstellung funktioniert das gut. Für Machine Vision muss man damit bewusst umgehen. Eine 5 Megapixel Farbkamera mit Bayer Muster ist nicht dasselbe wie eine 5 Megapixel monochrome Kamera, wenn man auf effektive Detailerkennung schaut. Der Sensor hat zwar dieselbe Anzahl Pixel, aber die Farbinformation wird räumlich rekonstruiert.
Das kann Einfluss auf feine Strukturen, kleine Defekte, schmale Kanten und Objekte haben, die nur wenige Pixel groß sind. Besonders wenn man nahe an der Auflösungsgrenze der Prüfung arbeitet, muss dies in der Kameraauswahl berücksichtigt werden.
Bei einer monochromen Kamera trägt jeder Pixel direkt zum Bild bei. Bei einer Bayer Farbkamera wird das endgültige Farbbild teilweise berechnet. Das bedeutet nicht, dass Bayer Farbkameras schlecht sind. Sie sind in vielen Anwendungen sehr gut einsetzbar und oft der Standard für Farbbilder. Man sollte sie aber nicht eins zu eins mit monochromen Kameras vergleichen, als ob nur die Anzahl der Megapixel zählt.
Wenn Farbprüfung kritisch ist und man keinen Verlust an räumlicher Farbinformation möchte, gibt es auch 3 Sensor Farbkameras mit Prisma. Dabei wird das einfallende Licht optisch auf drei separate Sensoren für Rot, Grün und Blau aufgeteilt. Dadurch hat jeder Farbkanal seine eigene vollständige Sensorinformation. Diese Kameras sind technisch stärker für präzise Farbprüfung, aber auch teurer, größer und weniger verbreitet als Bayer Farbkameras.
Für die meisten Anwendungen reicht eine Bayer Farbkamera aus. Für kritische Farbmessung oder Anwendungen, bei denen Farbe und Detail auf Pixelebene wichtig sind, kann eine 3 Sensor Kamera interessant werden.
Braucht man immer eine Farbkamera, um Farbe zu erkennen?
Nein. Das wird oft vergessen.
Wenn nur zwischen zwei klar unterschiedlichen Farben unterschieden werden muss, lässt sich das manchmal auch mit einer monochromen Kamera und einem optischen Farbfilter lösen. Man verwendet dann kein vollständiges Farbbild, sondern macht den Farbunterschied als Grauwertkontrast sichtbar.
Angenommen, Farbe A reflektiert viel Licht in einem bestimmten Wellenlängenbereich und Farbe B deutlich weniger. Mit der richtigen Beleuchtung und dem passenden Filter kann eine monochrome Kamera dies als klaren Hell Dunkel Unterschied sehen. Für die Software ist das oft ausreichend.
Das kann eine stabilere Lösung sein als eine Farbkamera, besonders wenn Geschwindigkeit, Lichtempfindlichkeit oder Einfachheit wichtig sind. Die Prüfung wird dann auf ein gut kontrolliertes Kontrastproblem reduziert. Genau darin ist klassische Machine Vision stark.
Dabei muss man jedoch mit echten Produkten testen. Farbunterschiede, die für das menschliche Auge deutlich erscheinen, sind unter industrieller Beleuchtung nicht immer deutlich. Umgekehrt können Farben, die für uns nah beieinander liegen, optisch mit der richtigen Wellenlänge und Filterkombination sehr gut trennbar sein.
Wenn Filter eine wichtige Rolle spielen, sollte man nicht nur auf die Kamera schauen. Ein Machine Vision Filter kann helfen, Kontrast zu erhöhen, Reflexionen zu reduzieren und unerwünschtes Licht zu blockieren.
Farbinformation mit monochromer Kamera und RGB Beleuchtung aufbauen
Es gibt noch eine weitere Möglichkeit: eine monochrome Kamera mit separat angesteuerter RGB Beleuchtung zu kombinieren.
Bei dieser Methode werden mehrere Bilder desselben Objekts aufgenommen. Ein Bild mit roter Beleuchtung, ein Bild mit grüner Beleuchtung und ein Bild mit blauer Beleuchtung. Aus diesen einzelnen Grauwertbildern kann anschließend Farbinformation abgeleitet oder sogar ein zusammengesetztes Farbbild aufgebaut werden.
In der Praxis kann dies zum Beispiel mit RGB Ringbeleuchtung oder RGB Dombeleuchtung umgesetzt werden. Einige Ausführungen haben zusätzlich einen vierten Kanal mit Weißlicht. Für die Ansteuerung wird ein Lichtcontroller benötigt, der die verschiedenen Kanäle separat und zum richtigen Zeitpunkt triggern kann.
Diese Methode ist nicht für jede Anwendung geeignet. Das Objekt muss während der Aufnahmen still liegen oder die Bewegung muss exakt kontrolliert sein. Bei schnellen Produkten auf einem Förderband ist das nicht immer praktikabel. Bei stationärer Prüfung, taktenden Maschinen oder kontrollierten Triggerpositionen kann es aber eine interessante Lösung sein.
Der Vorteil ist, dass die Empfindlichkeit und Schärfe einer monochromen Kamera erhalten bleiben, während trotzdem farbbezogene Information aufgebaut werden kann. Zusätzlich kann die Beleuchtung pro Farbkanal optimiert werden. Das gibt manchmal mehr Kontrolle als eine einzelne Standard Farbaufnahme mit Weißlicht.
Für einen Automatisierungsingenieur bedeutet das jedoch, dass das Timing stimmen muss. Kameratrigger, Beleuchtungstrigger, Belichtungszeit und Produktposition müssen aufeinander abgestimmt sein. Wenn das nicht stimmt, vergleicht man Bilder, die nicht exakt denselben Objektmoment erfassen.
Wenn Kamera, Beleuchtung, Trigger Timing, Software und Maschinensteuerung zusammenarbeiten müssen, ist es mehr als nur eine Kameraauswahl. Dann geht es darum, wie das Vision System in die Maschine oder Produktionslinie integriert wird. Mehr über diesen Ansatz steht auf der Seite über ein Machine Vision System selbst integrieren.
OCR und Codes lesen
Für OCR, Barcodes und Data Matrix Codes wähle ich in den meisten Fällen monochrom.
Bei OCR benötigt man kein schönes Farbbild, sondern ein stabiles Bild, in dem Zeichen gut segmentiert werden können. Die Software muss zwischen Zeichen und Hintergrund unterscheiden. Dafür braucht man Schärfe, Kontrast, ausreichend Pixel pro Zeichen und möglichst wenig Reflexion oder Bewegungsunschärfe.
Dasselbe gilt für Barcodes und Data Matrix Codes. Der Code muss scharf, verzerrungsarm und mit ausreichendem Modulkontrast im Bild stehen. Farbinformation bringt in vielen Fällen keinen Mehrwert.
Eine Farbkamera kann sinnvoll sein, wenn der Code oder der Text Teil einer umfassenderen Etikettenprüfung ist, bei der auch Farbe geprüft werden muss. Wenn die Aufgabe aber nur OCR oder Code lesen ist, ist monochrom meistens einfacher und robuster.
KI Inspektion: Farbe bewusst einsetzen
Bei KI Inspektion ist es sinnvoll, Farbe nicht automatisch als Ausgangspunkt zu wählen, sondern als Variable zu testen.
Wenn Farbe den Unterschied zwischen Gut und Fehler unterstützt, sollte Farbe verwendet werden. Beispiele sind braune Stellen auf Lebensmitteln, Verfärbung in Kunststoff, Farbunterschiede zwischen Bauteilen oder Etiketten, bei denen Farbe entscheidend ist.
Wenn das Prüfmerkmal vor allem geometrisch oder strukturell ist, sollte auch monochrom getestet werden. Beispiele sind Risse, Kratzer, Verformung, fehlende Teile, Dellen, Kanten oder Verschmutzung, die hauptsächlich als Kontrast oder Textur sichtbar wird.
Für KI Training ist Konsistenz oft wichtiger als ein visuell reiches Bild. Ein Modell arbeitet besser mit stabilen Bildern, die relevante Information enthalten, als mit Bildern mit viel Variation, die nichts mit der Prüfaufgabe zu tun hat. Farbe kann nützliche Information sein, aber Farbe kann auch zusätzliche Variation durch Beleuchtung, Reflexion, Weißabgleich, Materialcharge oder Umgebungslicht einbringen.
Deshalb erstelle ich bei KI Anwendungen lieber zuerst einen kleinen Bilddatensatz mit unterschiedlichen Kamera und Beleuchtungsoptionen. Nicht nur von perfekten Produkten, sondern gerade auch von Grenzfällen, Zweifelsfällen, normaler Produktvariation und echten Ausschussteilen. Danach lässt sich besser beurteilen, ob Farbe wirklich einen Mehrwert bringt.
Die Rolle der Beleuchtung
Die Wahl zwischen monochrom und Farbe lässt sich nicht von der Beleuchtung trennen. In vielen Projekten bestimmt die Beleuchtung mehr als die Kamera.
Mit der richtigen Beleuchtung lassen sich Produktmerkmale sichtbar machen, die in einem Standardbild kaum auffallen. Eine Durchlichtbeleuchtung macht Konturen und Maßunterschiede deutlich stabiler. Koaxiale Beleuchtung kann bei der Prüfung flacher reflektierender Oberflächen helfen. Dombeleuchtung kann Reflexionen weicher machen. Polarisation kann Glanz unterdrücken. Rotes, blaues, grünes, UV oder Infrarot Licht kann bestimmte Material oder Farbkontraste verstärken oder unterdrücken.
Das ist wichtig, weil man mit Beleuchtung das Prüfproblem oft einfacher machen kann. Statt einen schwierigen Algorithmus auf ein mittelmäßiges Bild anzuwenden, erzeugt man zuerst ein Bild, in dem das Merkmal klar sichtbar ist.
Eine monochrome Kamera mit gut gewählter Machine Vision Beleuchtung kann deshalb besser funktionieren als eine Farbkamera mit Weißlicht. Besonders wenn es bei der Prüfung um Kontrast, Kanten, Struktur oder Anwesenheit geht.
Filter und Wellenlängen
Optische Filter werden oft unterschätzt. Ein Filter kann helfen, unerwünschtes Licht zu blockieren und nur den relevanten Teil des Spektrums durchzulassen.
Bei monochromen Kameras ist das sehr nützlich. Man kann zum Beispiel LED Beleuchtung mit einer bestimmten Wellenlänge mit einem passenden Bandpassfilter kombinieren. Dadurch wird der Einfluss von Umgebungslicht reduziert und das Bild stabiler.
Auch Farbfilter können helfen, bestimmte Produktfarben in einem monochromen Bild heller oder dunkler erscheinen zu lassen. So lassen sich Farbunterschiede in Grauwertkontrast übersetzen.
Bei Farbkameras muss man mit Filtern vorsichtiger sein, weil ein Filter die Farbwiedergabe direkt beeinflusst. Das muss kein Problem sein, sollte aber bewusst geschehen. Besonders wenn Farbwerte bewertet oder verglichen werden sollen.
Praktische Vorgehensweise bei der Auswahl
In der Praxis beginne ich nicht mit der Frage, welche Kamera am meisten kann. Ich beginne mit der Prüfaufgabe.
Was muss sichtbar werden? Ist es Form, Kante, Position, Text, Code, Oberflächenstruktur oder Farbe? Bewegt sich das Objekt? Wie viel Belichtungszeit ist verfügbar? Wie klein ist der Defekt oder das Detail, das erkannt werden soll? Ist der Unterschied zwischen Gut und Fehler stabil sichtbar oder verändert er sich durch Material, Glanz oder Produktvariation?
Wenn Farbe keine direkte Rolle spielt, ist monochrom oft der beste Startpunkt. Man erhält meistens mehr Lichtempfindlichkeit, ein schärfer nutzbares Bild und eine einfachere Verarbeitung.
Wenn Farbe Teil der Entscheidung ist, wählt man Farbe. Aber auch dann muss bestimmt werden, ob eine normale Bayer Farbkamera ausreicht oder ob die Anwendung mehr verlangt. Zum Beispiel eine 3 Sensor Prismakamera, eine spezielle Beleuchtungsanordnung oder eine Kombination aus monochromer Kamera mit Filtern oder RGB Beleuchtung.
Erst danach ist es sinnvoll, die weitere Kameraauswahl auszuarbeiten, wie Auflösung, Sensorgröße, Objektiv, Schnittstelle und Belichtungszeit.
Fazit
Eine Farbkamera ist nicht automatisch besser, nur weil mehr Information im Bild enthalten ist. Mehr Information ist nur dann nützlich, wenn diese Information für die Prüfung benötigt wird.
Für viele Machine Vision Anwendungen ist eine monochrome Kamera die robusteste Wahl. Besonders bei OCR, Code lesen, Maßprüfung, Kantenerkennung, Anwesenheit, Roboterführung und schnellen Inspektionen. Jeder Pixel trägt direkt zum Bild bei und mit Beleuchtung und Filtern lässt sich der Kontrast sehr gut kontrollieren.
Eine Farbkamera wählt man, wenn Farbe wirklich prüfrelevant ist. Zum Beispiel bei Farbprüfung, Farbsortierung, Verfärbung, farbigen Etiketten, farbigen Bauteilen oder KI Anwendungen, bei denen Farbe nachweislich zum Unterschied beiträgt.
Bei Farbkameras sollte man auf das Bayer Muster und die effektive Auflösung achten. Eine Farbkamera mit Bayer Muster verwendet Farbfilter und Rekonstruktion, um ein Farbbild zu erzeugen. Für viele Anwendungen ist das völlig ausreichend, aber bei kleinen Details oder kritischer Erkennung muss dies in der Auswahl berücksichtigt werden.
Manchmal können Farbunterschiede auch mit einer monochromen Kamera, der richtigen Beleuchtung und einem Farbfilter erkannt werden. Und in speziellen Situationen kann Farbinformation mit einer monochromen Kamera und separat getriggerter RGB Beleuchtung aufgebaut werden.
Die beste Wahl beginnt also nicht mit monochrom oder Farbe. Die beste Wahl beginnt mit der Frage: Welche Bildinformation macht meine Prüfung zuverlässig?
