Von Anomaly Detection zu Defect Detection für die Qualitätskontrolle in der Fertigung: Ein Guide

Defect Detection und Anomaly Detection sind zwei KI-Bildverarbeitungs-Ansätze für die Qualitätskontrolle in der Fertigung. Defect Detection nutzt überwachtes Lernen, um bekannte Fehlertypen zu klassifizieren (Kratzer, Beulen, fehlende Komponenten) mit hoher Genauigkeit und niedrigen False-Positive-Raten. Anomaly Detection nutzt unüberwachtes Lernen, um alles zu markieren, was ungewöhnlich aussieht, ohne dass Labels nötig sind, dafür aber mit deutlich höheren False-Positive-Raten. Dieser Guide vergleicht beide Ansätze Seite an Seite und zeigt, wann welcher Ansatz auf der Shopfloor wirklich gewinnt.

Im Folgenden: wie sich KI-Modelle seit 2010 verändert haben, welchen Geschäftswert automatisierte Qualitätsprüfung liefert, wann jeder Ansatz passt und welche Fragen jedem Vision-Anbieter wert sind, gestellt zu werden.

Wie haben sich KI-Modelle seit 2010 verbessert?

Vor einem Jahrzehnt waren Big Data und KI bereits heiße Themen. Aber erst als ChatGPT die Weltbühne betrat, wurde KI zugänglich. Dieser Sprung in den KI-Fähigkeiten gilt heute auch für die Fertigung. In den frühen 2010er Jahren, als Deep Learning neu war und beschriftete Fertigungsdaten knapp waren, waren unüberwachte Methoden aufgrund von Zeitbeschränkungen oft die einzige praktische Option. Jetzt im Jahr 2026 hat KI:

• Vortrainierte Modelle, die minimales Fine-Tuning erfordern: Lösungen können bereits eine hohe Genauigkeit (80%) out of the box erreichen, um Teams den Einstieg zu erleichtern
• Active Learning reduziert den Beschriftungsbedarf drastisch: Anstatt 10.000-100.000 Bilder einzuspeisen, benötigen Sie möglicherweise nur ein paar Dutzend oder Hundert, um zu beginnen.
• Transfer Learning macht kleine Datensätze realisierbar: Modelle arbeiten nicht mehr mit isolierten Datensätzen und können exponentielle Verbesserungen erzielen
• Synthetische Datengenerierung für seltene Fehler: Modelle können Fehler antizipieren und die Notwendigkeit reduzieren, auf das Auftreten seltener Fälle (1/100.000) zu warten, die dokumentiert werden müssen.

Die leistungsstarken KI-Modelle von heute machen Defect Detection (Fehlererkennung) zugänglicher, genauer und umsetzbarer als vor einem Jahrzehnt. Dies ermöglicht es Teams, Lösungen realistisch auf der Shopfloor in wenigen Stunden bis Tagen zu testen, anstatt Monate mit dem Sammeln von Daten zu verbringen. Mit komplexer Bilddatenverarbeitung ist überwachtes Lernen, das Fehlererkennung bietet, oft effizienter als Anomalieerkennung, die im Grunde ein Pass-Fail-Ansatz war, der angesichts der KI-Einschränkungen in der Vergangenheit realistisch war.

Welchen Geschäftswert liefert automatisierte Qualitätsprüfung?

Automatisierung hat in der Fertigung eine bewährte Erfolgsbilanz für alles – von der Montage bis zu Robotern für Montage und Sortierung. Die Frage ist also, wie KI für Anomalieerkennung und Qualitätsprüfung eingesetzt werden kann, um Lean Production-Prinzipien, oder schlanken Fertigungsprinzipien, zu entsprechen. Im Folgenden sind die Werte aufgeführt, die automatisierte Vision Inspection (bildbasierte Prüfung) für die Qualitätsprüfung bieten kann:

• Erhöhte Effizienz für Produktionsabläufe
• Erhöhte Genauigkeit für Qualitätsprüfung
• Unterstützung für Fehlerklassifizierung
• Kontinuierlicher Verbesserungskreislauf für überwachte Lernmodelle

• Fokussiert menschliche Inspektion auf Grenz- oder komplexe Fälle

Der Ansatz des unüberwachten Lernens für Anomalieerkennung, der früher der Standard war, führt zu diesen kritischen Einschränkungen:

1. Niedrige Präzision und hohe False-Positive/Negative-Raten: Anomalieerkennung markiert nicht-kritische Abweichungen als Fehler, was zu unnötigen Pseudo-Ausschüssen führt. Das bedeutet, dass Farbvariationen, Schatten durch Lichtveränderungen im Tagesverlauf, Rohmaterial mit unterschiedlicher Oberflächentextur aber gleicher Leistung alle fälschlicherweise abgelehnt werden können. In der Großserienproduktion können selbst 2-3% False Positives dazu führen, dass Hunderte von guten Teilen abgelehnt werden, was das Vertrauen in das System untergräbt. Andererseits, wenn die Systeme kalibriert werden, um diese nicht-kritischen Abweichungen zu ignorieren, steigt die False-Negative-Rate drastisch an. Das bedeutet, dass Tausende fehlerhafte Produkte das Qualitätskontrollsystem passieren können und als gut markiert werden.
2. Mangel an umsetzbaren Informationen: Anomalieerkennung konzentriert sich einfach darauf, Abweichungen zu markieren, gibt dem Benutzer bzw. der Benutzerin aber keine schnellen, umsetzbaren Beschreibungen.
3. Ständige Kalibrierung erforderlich: Anomalieerkennungssysteme funktionieren möglicherweise out of the box, müssen aber häufig angepasst werden, damit sie nicht zu empfindlich oder nachsichtig sind oder die Produktionsbedingungen widerspiegeln.

1. Fehlender Lernkreislauf: Anomalieerkennung verbessert sich nicht durch Operator-Feedback, im Gegensatz zu überwachten Lernmodellen.

Im Gegensatz dazu kann überwachtes Lernen als primäre Methode mit der heutigen Technologie:

1. Reibungslose Inspektionsabläufe unterstützen: Durch die Eingabe beschrifteter Fehler haben Bedienerinnen und Bediener die Kontrolle, das Modell zu trainieren, bis es eine akzeptable False-Positive/Negative-Rate erreicht (z. B. 1-2%)
2. Detaillierte Fehlerklassifizierung bereitstellen: Überwachtes Lernen ermöglicht es Bedienerinnen und Bedienern, Fehler basierend auf Akzeptanzschwellen einzuspeisen und zu beschriften. Sie können Ihr Modell trainieren, den Fehler zu beschreiben (z. B. Kratzer), Größe, Ort, Schweregrad usw.
3. Intelligentes Routing ermöglichen: Sendet Grenzfälle zur menschlichen Überprüfung und erhöht die Inspektionseffizienz
4. Kontinuierliche Verbesserung unterstützen: Neue Fehlertypen können hochgeladen werden, um die Genauigkeit des Modells zu verbessern

Nachfolgend finden Sie Beispiele zur Veranschaulichung der Unterschiede zwischen Anomalieerkennung und Fehlererkennung:

Wann setzt du Defect Detection statt Anomaly Detection ein?

Trotz dieses Vergleichs muss die Lösung kein Entweder-Oder sein. Überwachte Modelle sind nützlich für die Behandlung bekannter Fehler und können die primäre Methode sein. Gleichzeitig kann Anomalieerkennung als sekundäre Methode nützlich sein, da ihr Pass-Fail-Ansatz nützlich sein kann, um unvorhergesehene Probleme zu erkennen, wie z. B. einen neuen Fehlermodus im Material oder Kontamination. Darüber hinaus können Anomalieerkennungsmodelle auch für einen ersten Produktionslauf nützlich sein, damit das Modell Fehler markieren kann, die in ein überwachtes Modell für den langfristigen Einsatz eingespeist werden.

Was solltest du in einem automatisierten Qualitätsprüfsystem testen?

Welches Machine Vision Inspection System Sie auch wählen, die Prinzipien bleiben dieselben. Stellen Sie sicher, dass Sie Folgendes testen:

• Genauigkeit bei der Erkennung
• Konsistenz zur Sicherstellung niedriger False Positives
• Granularität der Fehlerinformationen
• Flexibilität der Lösung zur Festlegung von Akzeptanzschwellen
• Benutzerfreundlichkeit von der Einrichtung bis zur täglichen Nutzung und Wartung

Eine Möglichkeit, sich auch für eine Lösung zu entscheiden, ist die Verwendung der Overall Equipment Effectiveness (OEE, Gesamtanlageneffektivität)-Berechnung von Lean Production (schlanker Fertigung). Im Folgenden haben wir ein illustratives Beispiel bereitgestellt, wie man über die beiden Systeme denken kann, die wir beschrieben haben:

Wie das Beispiel veranschaulicht, erfordert der Ekeine Beschriftung erforderlich-Ansatz der Anomalieerkennung mehr menschliche Zeit für die Fehlerprüfung. Im Gegensatz dazu erfordert überwachtes Lernen eine anfängliche Investition in die Beschriftung von Daten und die Einrichtung, kann aber hohe Erkennungsraten mit besseren Qualitätsergebnissen und reduziertem menschlichem Aufwand erreichen.

Was sollte dein Qualitätsteam einen Machine Vision-Anbieter fragen?

Wir ermutigen Qualitäts- und Shopfloor-Führungskräfte, mit verschiedenen Anbietern automatisierter Vision Inspection (bildbasierter Prüfung) oder Qualitätskontrolle zu sprechen. Dies gibt Ihnen ein Gefühl dafür, wie verschiedene Unternehmen dasselbe Problem angegangen sind und welche Funktionen am besten für Ihre Fertigungsprozesse geeignet sein könnten. Einen Anbieter zu finden, der die Fähigkeiten und Grenzen der Lösung genau beschreiben kann, ist der Schlüssel zu einer Partnerschaft.

Im Folgenden finden Sie einige Fragen, die Sie einem Anbieter stellen können. Anomalieerkennungs-Anbieter werden wahrscheinlich keine konkreten Antworten haben. Fragen Sie aber auch Anbieter, die sich auf Fehlererkennung konzentrieren, und achten Sie darauf, wie sie die Fragen beantworten, um ein besseres Verständnis für die Zuverlässigkeit der Lösung zu erhalten.

1. Was ist Ihre False-Positive/Negative-Rate in der Produktion? Wenn ihre Zahlen gut sind, werden sie sie teilen, und wenn sie sich nicht festlegen, gehen Sie weiter.
2. Wie erhalte ich umsetzbare Fehlerklassifizierung für Root Cause Analysis (Ursachenanalyse)? Wenn sie eine vage Antwort geben statt einer Demo der Fehlermeldung, werden Sie es auch nicht auf Ihrer Shopfloor bekommen.
3. Was passiert, wenn sich mein Prozess ändert? Wie viel Rekalibrierung ist erforderlich? Wenn die Zahl hoch ist, werden sie sich nicht festlegen. Wenn sie das mit ein oder zwei Stunden abtun, drängen Sie auf Details, wie das genau ablaufen soll.
4. Kann das System aus Operator-Feedback lernen, um sich im Laufe der Zeit zu verbessern? Eine reine Anomalieerkennungslösung kann dies nicht, unabhängig von den Behauptungen.
5. Was ist der Weg zur Migration von Anomalieerkennung zu Fehlererkennung, wenn ich Daten sammle? Wenn der Anbieter dies nicht anbietet, sprechen Sie vielleicht mit einem anderen.

Anomalieerkennungs- und Fehlererkennungsmodelle haben jeweils spezifische Stärken. Im besten Fall ersetzt eines nicht das andere und sie können sich ergänzen. Die heutigen automatisierten Quality Assurance-Lösungen (Qualitätssicherungslösungen) sind erschwinglicher als je zuvor, mit geringeren Vorab- und Hardwarekosten. Zum Beispiel benötigt Enao Vision nur ein iPhone und unsere kostenlose App, um zu beginnen. Es gibt keine einzig beste Lösung, aber erstklassige Qualitätskontrollsysteme sollten Präzision, kontinuierliche Verbesserung, umsetzbare Informationen, einfache Integration und Wartung bieten.

Häufig gestellte Fragen zu Anomaly und Defect Detection

Was ist der Unterschied zwischen Defect Detection und Anomaly Detection?

Defect Detection klassifiziert bekannte Fehlertypen mit überwachten Lernmodellen. Du brauchst gelabelte Bilder, dafür bekommst du hohe Genauigkeit und niedrige False-Positive-Raten. Anomaly Detection nutzt unüberwachtes Lernen, um alles zu markieren, was vom Normalfall abweicht. Es sind keine Labels nötig, dafür aber deutlich mehr False Positives. Defect Detection sagt dir, was kaputt ist; Anomaly Detection sagt dir nur, dass etwas anders ist.

Wann solltest du Anomaly Detection statt Defect Detection einsetzen?

Anomaly Detection passt am besten zu zwei Szenarien. Erstens: bei einem ersten Produktionslauf, wenn du noch keine gelabelten Fehlerbilder hast und das System Pass-Fail-Markierungen sammeln soll, die du später in ein Defect-Detection-Modell einspeisen kannst. Zweitens: als sekundäre Überwachung neben einem Defect-Detection-Hauptmodell, um unvorhergesehene Fehlermodi zu fangen, etwa Materialwechsel, neue Kontaminationsquellen oder Prozessdrift. Als alleinige Quality-Gate-Lösung für die Großserienproduktion sind die False-Positive-Raten meist zu hoch.

Wie viele gelabelte Bilder brauchst du für Defect Detection?

Mit modernen vortrainierten Modellen und Active Learning startest du oft mit ein paar Dutzend bis ein paar Hundert Bildern pro Fehlertyp und kommst auf rund 80 Prozent Genauigkeit out of the box. Für eine produktionsreife Lösung mit niedrigen False-Positive-Raten plane mit 500 bis 2000 gelabelten Bildern pro Fehlertyp, je nach Variabilität deiner Teile. Klassische Computer-Vision-Pipelines aus den 2010ern brauchten 10000 bis 100000 Bilder. Diese Zeiten sind längst vorbei.

Verbessert sich das Modell mit der Zeit durch Operator-Feedback?

Bei einem Defect-Detection-System ja: jedes Mal, wenn dein Operator eine Modellentscheidung korrigiert, fließt das als neues Trainingssignal zurück und das Modell wird im Lauf der Wochen genauer. Reine Anomalieerkennung kann das nicht: sie hat kein Konzept von Defekt-Klassen, also gibt es nichts zu lernen aus deinem Feedback. Wenn ein Anbieter dir das verspricht, frag nach der Modellarchitektur.

Wichtigste Punkte

• Defect Detection klassifiziert bekannte Fehlertypen mit hoher Genauigkeit; Anomaly Detection markiert alles Ungewöhnliche, mit höheren False-Positive-Raten.
• Moderne KI-Modelle brauchen Dutzende bis Hunderte gelabelte Bilder pro Fehlertyp, nicht mehr Zehntausende wie noch vor zehn Jahren.
• Anomaly Detection liefert keine Ursachenanalyse und lernt nicht aus Operator-Feedback. Die False-Positive-Raten kosten Vertrauen auf der Shopfloor.
• Die beste Architektur ist oft eine Kombination: Defect Detection als Hauptmodell für bekannte Fehler, Anomaly Detection als sekundäre Überwachung für Unvorhergesehenes.
• Frag jeden Anbieter nach False-Positive/Negative-Raten in der Produktion, nach umsetzbarer Fehlerklassifizierung und nach dem Migrationspfad von Anomalie- zu Fehlererkennung.