Warum Dein Machine-Vision-System bei Formatwechseln bricht
Ein Machine-Vision-System, das auf einer stabilen Linie mit einer SKU gut läuft, ist ein Proof of Concept. Dasselbe System, das auf einer Linie gut läuft, die viermal pro Schicht auf neue SKUs wechselt, ist ein Produktionssystem. Die Lücke zwischen beiden ist der Punkt, an dem die meisten Industriekamera-Projekte leise sterben.
Dieser Artikel geht genau um diese Lücke. Was bei einem Formatwechsel bricht, warum ein klassisches regelbasiertes System schneller degradiert als die Kamera selbst, und was eine ML-basierte Prüfstation anders macht, damit sie über die SKU-Familie hinweg nützlich bleibt.
Was sich bei einem Formatwechsel wirklich ändert
Fünf Dinge verschieben sich, wenn eine Linie auf eine neue SKU wechselt: Teilgeometrie (Form, Größe, Orientierung), Oberflächenbeschaffenheit (matt vs. glänzend, Farbe, Reflektivität), Etiketten und Artwork (neue Grafik, neue Position, neue Schrift), Beleuchtungsbedingungen (Umgebungslicht verschiebt sich, wenn Förderhöhen oder Trays wechseln) und Durchsatzrate (nicht jede SKU läuft mit derselben BPM). Jeder einzelne Punkt kann eine Prüfung kippen, die vor fünf Minuten noch stabil war.
Der entscheidende Punkt: Klassische Vision-Systeme brauchen pro SKU einen neuen Satz Regeln. Neue Region-of-Interest, neue Schwelle, neues Referenzbild, neue Toleranz. Auf einer gut geführten Linie hat der Integrator diese Regeln vorgeschrieben und das HMI lässt den Bediener ein Rezept auswählen. Auf einer weniger gut geführten Linie ist jeder SKU-Wechsel ein Streit mit dem Vision-Schrank.
Warum Beleuchtung das größte Formatwechsel-Risiko ist
Klassische Vision-Systeme setzen eine eng kontrollierte Beleuchtungssituation voraus. Sobald eine SKU statt einem matten Karton eine glänzende Folie bekommt, landen die Reflexionen in anderen Pixeln und die Schwellen von gestern produzieren heute Falsch-Rückweisungen. Beleuchtungsdrift passiert langsam (Leuchtmittel-Degradation, Staub auf dem Diffusor) und schnell (Bediener bewegt ein Licht, um ein eingeklemmtes Teil zu sehen, und vergisst, es zurückzuschieben). Unser Beleuchtungs-Guide für KI-Sichtprüfung behandelt die Physik im Detail, aber die Konsequenz für die Linie ist einfach: Je mehr SKUs eine Linie fährt, desto mehr Kombinationen muss das Beleuchtungsdesign abdecken.
Die Rezept-Management-Falle
Die Standardantwort eines Industriekamera-Systems auf den Formatwechsel ist ein Rezeptmanager: pro SKU alle Schwellen und Parameter speichern, beim Wechsel laden. Das funktioniert, bis die Zahl der SKUs über etwa fünfzig wächst. Danach wird die Rezeptbibliothek selbst zum Problem. Wer besitzt welches Rezept. Wer darf es ändern. Was passiert, wenn ein Rezept veraltet ist. Welches Rezept lief, als die Falsch-Rückweisungsrate nach oben gegangen ist. Jeder erfahrene Vision-Integrator hat eine Horror-Story über eine Linie, die drei Tage lang 40% Falsch-Rückweisungen produziert hat, weil das falsche Rezept geladen war.
Das ist kein Bug in einem bestimmten Produkt. Es ist die strukturelle Folge davon, Prüfwissen als eine große Menge handgetunter Regeln zu kodieren. Der gleiche Ansatz wurde in der Softwareentwicklung in den 1990ern mit gutem Grund aufgegeben.
Was ML-basierte Prüfung anders macht
Ein Convolutional- oder Transformer-Modell, das auf Bildern aus der vollen SKU-Familie trainiert ist, sieht Formatwechsel als Verschiebungen in der Eingabeverteilung. Deckt das Trainingsset alle SKUs ab, die eine Linie wahrscheinlich fährt, generalisiert das Modell ohne SKU-weises Neu-Codieren. Neue SKU in der Familie? Ein paar hundert Bilder labeln, über eine Schicht fine-tunen, zurück in die Produktion.
Die Änderung aus Bedienersicht ist genauso wichtig. Auf einer regelbasierten Linie ist die Beziehung zwischen Bediener und Vision-System adversarial: Das System blockiert die Linie, der Bediener muss es überzeugen, dass das Teil in Ordnung ist. Auf einer ML-basierten Linie ist die Beziehung kollaborativ: Der Bediener labelt das neue Teil als gut, und das System übernimmt dieses Label in den nächsten Trainingszyklus. Dieses Muster ist zentraler Teil dessen, was wir in Was ist KI-Sichtprüfung beschreiben.
Was auf einer ML-basierten Linie trotzdem bricht
ML-basierte Prüfung ist keine Wunderlösung für Formatwechsel. Drei Fehlermodi tauchen zuverlässig auf. Erstens: Eine wirklich neue SKU, die im Trainingsset nicht abgebildet ist, produziert unvorhersehbare Ausgaben. Zweitens: Ein radikaler Beleuchtungswechsel (neue Leuchtmittel-Farbtemperatur, neue Deckenbeleuchtung) verschiebt die Eingabeverteilung genug, um das Modell zu degradieren. Drittens: Die Trainingspipeline selbst muss schnell sein. Dauert das Nachtrainieren einer neuen SKU drei Wochen, läuft die Linie in der Zwischenzeit ohne Modell.
Enao Vision adressiert alle drei Punkte explizit. Nachtrainieren auf eine neue SKU läuft auf dem iPhone oder über unseren Cloud-Service in Minuten, nicht Wochen. Das Modell wird mit einem Confidence-Score ausgeliefert, damit Bediener sehen, wann das Modell außerhalb seines trainierten Bereichs arbeitet. Und die Station schreibt jedes Bild und jede Entscheidung in den Chargenbericht, damit Drift in den Logs sichtbar wird.
Ein praktikables Formatwechsel-Protokoll
So sieht ein robustes Formatwechsel-Protokoll auf einer ML-basierten Linie aus: Wenn eine neue SKU geplant ist, startet ein Bediener den 'Neue SKU'-Workflow an der iPhone-Station. Die Station erfasst während des ersten Produktionslaufs 100 bis 200 Bilder guter Teile im Shadow-Modus. Ein Linienverantwortlicher prüft und labelt die Randfälle. Das Modell wird über Nacht auf den neuen Daten fine-getunet und ist in der nächsten Schicht online. Im eingeschwungenen Zustand kostet das 15 bis 30 Minuten Bedienerzeit pro neuer SKU und nimmt den Systemintegrator vollständig vom kritischen Pfad des Formatwechsels.
Vergleich dazu das klassische Rezept-Management: Neue SKU bedeutet Systemintegrator vor Ort, ein halber Tag Neu-Tuning und typisch zwei bis vier Wochen erhöhte Falsch-Rückweisungsrate, bis das neue Rezept eingefahren ist. An diesem Punkt wird die Kostenrechnung aus unserem Artikel zu den echten Kosten von Machine Vision sichtbar. Die versteckten Kosten eines klassischen Systems sind mehrheitlich Formatwechselkosten, nicht Hardwarekosten.
Wie Du das testen kannst, bevor Du Dich festlegst
Drei Fragen an jeden Vision-Anbieter, der behauptet, sein System könne Formatwechsel. Erstens: Wie viele SKUs laufen in der Referenzinstallation, die er Dir zeigt, und wie oft wechselt die Linie. Zweitens: Wie ist die gemessene Falsch-Rückweisungsrate am zweiten Tag nach einem Formatwechsel, vor jedem Tuning. Drittens: Kann der Linienverantwortliche ein neues Modell ohne den Anbieter trainieren. Ist die Antwort auf Drittens 'nein', kann das System eine reale Formatwechsel-Kadenz nicht allein abfangen.
Wenn Du einen Rahmen für diese Tests auf Deiner eigenen Linie willst, tritt der Enao Community bei. Wir teilen ein Formatwechsel-Testprotokoll, einen Referenz-Label-Workflow und was 'gut' bei Falsch-Rückweisung und Falsch-Annahme auf einer ML-basierten Prüfstation heißt.