Machine Vision Grundlagen: Sichtprüfung und optische Qualitätskontrolle

Machine-Vision-Grundlagen beschreiben drei häufig verwechselte Begriffe: Machine Vision (die Technologie), Sichtprüfung (die Aufgabe) und optische Qualitätskontrolle (der Prozess). Die Technologie kombiniert Kameras, Objektive, Beleuchtung, Rechenleistung und Software, um visuelle Entscheidungen auf der Produktionslinie zu automatisieren, und ist damit ein Eckpfeiler industrieller Automatisierung. Sichtprüfung ist eine solche Entscheidung: pass oder fail, zerkratzt oder sauber, voll oder unterfüllt. Der Qualitätsmanagement-Prozess ist die auditierbare Klammer darum, unter der jede Prüfung für ISO 9001 oder GMP-Audits dokumentiert wird.

Was bedeutet Machine Vision eigentlich?

Machine Vision ist der Oberbegriff für Systeme, die Kameras, Beleuchtung, Rechenleistung und Software kombinieren, um visuelle Entscheidungen auf einer Produktionslinie zu automatisieren. Die Entscheidungen können pass oder fail (Qualität), welches Teil ist das (Identifikation) oder wo genau befindet sich das Teil (Roboter- oder Greiferführung) sein.

Drei Komponenten sind immer im Spiel: eine Bildquelle (Kamera plus Beleuchtung plus Optik), ein Algorithmus, der das Bild interpretiert (regelbasierte Bildverarbeitung oder ein neuronales Netz), und eine Aktion, die die Werkshalle aus dem Ergebnis ableitet (Ausschuss, Dokumentation, Linie stoppen, Greifer auslösen). Für das vollständige Bild, wie diese Teile zusammenpassen, empfehlen wir unseren Guide zur industriellen Bildverarbeitung und den Guide zur maschinellen Bildverarbeitung als Begleitlektüre.

Was leistet Sichtprüfung tatsächlich an der Linie?

Sichtprüfung ist die klassische Aufgabe, die die meisten Menschen meinen, wenn sie über Qualität mit Machine Vision sprechen. Wenn eine Kamera auf einer Verpackungslinie jedes Etikett prüft, ist das Sichtprüfung. Wenn eine Kamera in einer Spritzgießmaschine Grate oder Einschlüsse markiert, ist das Sichtprüfung. Der Begriff beschreibt die Aufgabe, nicht die Technologie.

In der Praxis ist Sichtprüfung der Brückenbegriff, den Qualitätsmanager sofort verstehen. Sie haben jahrzehntelang Sichtkontrollen manuell oder mit Lupen gemacht. Eine Kamera, die dieselbe Kontrolle automatisiert, ist eine Inspektionsstation. Für eine tiefere Definition lies Was ist KI-Sichtprüfung.

Kameras, Objektive und Optik: Was das Bild prägt

Bevor ein Modell läuft, entscheiden Kamera und Objektiv, wie viel Information das System hat. Drei optische Parameter steuern jede Wahl.

Der Arbeitsabstand ist der Spalt zwischen Objektiv und Teil. Ein kurzer Aufbau hält das Setup kompakt, schränkt aber ein, wie die Linie sich drumherum bewegt. Ein längerer hilft, wenn Förderbänder, Roboter oder Bediener sich denselben Stellplatz teilen.

Das Sichtfeld ist der Bereich, den die Kamera in einem Frame erfasst. Ein schmaler Frame erhöht die Pixeldichte auf einem kleinen Defekt; ein breiter erfasst ein ganzes Produkt, aber mit geringerer Detailtiefe pro Millimeter. Die meisten Projekte iterieren, bis die kleinste Defektklasse noch genug Pixel für eine verlässliche Bildanalyse abdeckt.

Die Objektivwahl folgt aus diesen beiden Parametern. Ein Festbrennweiten-Objektiv ist günstiger, schärfer und leichter zu kalibrieren. Ein Zoomobjektiv tauscht Schärfe gegen Flexibilität, wenn sich der Produktmix auf der Linie ständig ändert. Telezentrische Objektive entfernen Perspektivfehler und sind die natürliche Wahl für Maßmessungen, Lehrenprüfung und Metrologie, wo ein Millimeter Parallaxe die Messung zerstört.

Für dreidimensionale Merkmale wie Verzug, Beulentiefe oder gestapelte Teile fügen 3D-Kameras dem 2D-Bild eine Tiefeninformation hinzu. Eine Laserlinie, strukturiertes Licht oder ein Stereo-Paar gibt dem System eine Höhenkarte, die das Objektiv allein nicht liefern kann.

Optik setzt auch die Grenze für optische Zeichenerkennung. OCR auf einem Datumscode funktioniert nur, wenn jedes Zeichen rund 20 Pixel im erfassten Bild abdeckt. Wenn das Objektiv das nicht liefert, rettet kein Modell die Lesung.

Was sind die vier Algorithmus-Klassen von Machine Vision?

Jedes Machine-Vision-Projekt fällt in eine von vier Algorithmus-Klassen. Zu wissen, welche passt, ändert die Daten, die Du sammeln musst, und das Beleuchtungs-Setup, das Du bauen wirst.

Die erste Klasse ist regelbasierte Bildverarbeitung, die klassische Messung, Kantendetektion, OCR und Blob-Analyse abdeckt. Sie ist deterministisch, schnell und seit Jahrzehnten dokumentiert, und sie bleibt die richtige Wahl für Maßmessungen, Anwesenheits-/Abwesenheitsprüfung und Codelesen, wenn Geometrie und Beleuchtung stabil sind.

Die zweite Klasse ist Deep-Learning-Klassifikation, bei der ein neuronales Netz jedes Teil in eine von mehreren Kategorien sortiert, etwa pass, Kratzer oder Delle. Sie funktioniert gut, wenn der Defekt visuell konsistent ist und beschriftete Beispiele für jede Klasse vorliegen. Hier zahlt sich moderne künstliche Intelligenz am meisten aus, weil Bildkontrast die Modellgenauigkeit treibt.

Die dritte Klasse ist Anomalieerkennung. Das Modell lernt, wie gute Teile aussehen, und markiert dann alles, was nicht passt, auch Defekttypen, die niemand vorher gesehen hat. Das ist die richtige Wahl, wenn Defekte selten, vielfältig oder einmalig sind.

Die vierte Klasse umfasst Objekterkennung und Segmentierung. Das Modell findet, wo jedes Merkmal im Bild sitzt, Pixel für Pixel. Teams nutzen es, um Teile auf einem Tablett zu zählen, einzelne Zellen in einer Charge zu isolieren oder einen Roboter zum Greifen eines bestimmten Objekts zu führen.

Welche vier Faktoren entscheiden, ob Dein erstes Projekt ausgeliefert wird?

Der erste Faktor ist Beleuchtung, und sie ist der mit Abstand größte Prädiktor, ob ein Machine-Vision-Projekt funktioniert. Beleuchtung macht einen Defekt sichtbar oder unsichtbar, und kein Algorithmus rettet Kontrast, der nie im Bild existiert hat. Plane eine Woche Beleuchtungsversuche ein, bevor Du das Modell anfasst.

Der zweite Faktor sind Daten. Klassische Algorithmen brauchen sorgfältig gewählte Parameter, während moderne KI Beispiele braucht, in der Regel 50 bis 500 beschriftete Bilder für einen Piloten. Die richtige Zahl hängt von der Defektvielfalt ab, und mehr Klassen bedeuten mehr Bilder.

Der dritte Faktor ist Integration. Eine Machine-Vision-Station, die nicht mit der SPS, dem MES, dem Steuerungssystem oder der Ausschussklappe sprechen kann, ist teure Deko. Plane früh, wie Prüfergebnisse die Linie erreichen, einschließlich Retries, Fehlerzuständen und Bediener-HMI.

Der vierte Faktor ist Wartung. Jede Linie verändert sich über die Zeit, also driften Modelle, Beleuchtung altert und Kameras sammeln Staub. Eine funktionierende Station heute ist in sechs Monaten keine funktionierende Station, wenn niemand sie betreut. Plane 10 bis 20 % der Aufbaukosten pro Jahr für laufende Pflege ein.

Welche Machine-Vision-Anwendungen sind am schnellsten ausgeliefert?

Etiketten- und Druckkontrolle auf Verpackungen ist einer der häufigsten Einstiegspunkte. Die Volumen sind hoch, die Regeln sind klar, und es gibt reichlich Referenzbilder bereits im Haus. Der ROI rechtfertigt sich oft innerhalb von Wochen auf der ersten Linie, die läuft.

Siegel- und Füllkontrollen auf Flaschen, Beuteln und Blistern sind eine weitere schnell auslieferbare Familie. Für branchenspezifische Playbooks lies unsere Deep Dives zu Lebensmittelverpackung und Pharmaverpackung.

Oberflächenfehler auf spritzgegossenen und gestanzten Teilen werden ebenfalls schnell ausgeliefert. Die Defektklassen sind gut verstanden, die Geometrie ist stabil, und die Teile sind leicht zu beleuchten. Das macht ein gutes Erstprojekt für KMU, die nicht mit dem härtesten Problem auf dem Hallenboden starten wollen.

Wo Du anfängst

Wähle eine Linie, die täglich läuft, mit einer Defektklasse, die Deine Bediener in einem Satz beschreiben können. Baue ein kleines Beleuchtungsgestell auf und erfasse 200 Bilder. Entscheide Dich zwischen einem regelbasierten und einem gelernten Ansatz erst, nachdem Du Deine eigenen Bilder gesehen hast. Für einen breiteren technologieübergreifenden Überblick lies auch den Guide zu Machine-Vision-Systemen.

Häufig gestellte Fragen zu Machine-Vision-Grundlagen

Was ist der Unterschied zwischen Machine Vision und Sichtprüfung?

Machine Vision ist der Technologie-Stack aus Kameras, Beleuchtung, Rechenleistung und Software. Sichtprüfung ist eine Aufgabe, die Du darauf laufen lassen kannst, nämlich zu entscheiden, ob ein Teil eine Qualitätskontrolle besteht, indem Du es anschaust. Andere Aufgaben wie Roboterführung und Identifikation teilen sich dieselbe Hardware, lösen aber andere Probleme.

Was braucht ein erstes Machine-Vision-Projekt wirklich?

Drei Dinge, in dieser Reihenfolge: eine Defektklasse, die Deine Bediener in einem Satz beschreiben können, ein stabiles Beleuchtungs-Setup, das den Defekt sichtbar macht, und 50 bis 500 beschriftete Bilder. Algorithmuswahl und Integration kommen, nachdem Du Deine eigenen Daten angeschaut hast, nicht vorher.

Wann schlägt der regelbasierte Ansatz noch KI?

Wenn die Prüfung dimensional ist, die Geometrie eng, die Beleuchtung stabil und die Defekttaxonomie geschlossen. Codelesen, Anwesenheits-/Abwesenheitsprüfung und Messungen im Mikrometerbereich bleiben das natürliche Terrain klassischer Machine Vision. KI übernimmt, wenn die Defektmenge offen, vielfältig oder von subtilen Texturänderungen abhängig ist.

Kernaussagen

Machine Vision, Sichtprüfung und der Qualitätsmanagement-Prozess sind nicht austauschbar. Sie benennen die Technologie, die Aufgabe und das Verfahren, und eine funktionierende Linie nutzt typischerweise alle drei zusammen.

Moderne Systeme teilen sich auf vier Algorithmus-Klassen auf: regelbasierte Algorithmen, Deep-Learning-Klassifikation, Anomalieerkennung und Objekterkennung oder Segmentierung. Jede passt zu einem anderen Defektmuster.

Beleuchtung ist der mit Abstand größte Prädiktor für Projekterfolg. Kein Algorithmus rettet ein Bild, in dem der Defekt unsichtbar ist, also plane Zeit für Beleuchtungsversuche ein, bevor irgendeine Modellarbeit beginnt.

Plane Integration in SPS, MES und Ausschuss-Pfad vom ersten Tag an. Eine eigenständige Prüfstation, die nicht auf ihre Ergebnisse reagieren kann, wird ein Dashboard, keine Steuerung.

Wartung ist Teil des Projekts, nicht danach. Modelle driften, Lichter altern und Kameras sammeln Staub. Plane 10 bis 20 % der Aufbaukosten pro Jahr für laufende Pflege ein.

Jetzt starten

Du möchtest sehen, wie Enao Vision auf Deiner Linie funktioniert? Du kannst kostenlos starten mit einem iPhone, das Du schon hast, oder der Community beitreten, um Dich mit anderen Qualitäts- und Operations-Teams zu vernetzen, die KI auf der Werkshalle einsetzen.