Machine Vision Grundlagen: Sichtprüfung und optische Qualitätskontrolle
Machine Vision Grundlagen werden in der Praxis oft mit Begriffen wie Sichtprüfung und optische Qualitätskontrolle vermischt. Technisch meinen sie ähnliche Dinge, aber sie beschreiben unterschiedliche Schichten desselben Systems. Dieser Artikel sortiert die drei Begriffe, zeigt wo sie sich überlappen und wo nicht, und gibt Dir eine klare Startkarte für ein erstes Projekt.
Er richtet sich an Produktions- und Qualitätsverantwortliche, die heute einen Machine-Vision-Workshop moderieren müssen, ohne vorher drei Wochen Fachliteratur zu lesen.
Was Machine Vision eigentlich bedeutet
Machine Vision ist der Oberbegriff für Systeme, die Kameras, Beleuchtung, Rechenleistung und Software kombinieren, um in einer Produktionsumgebung automatisch Entscheidungen aus Bildern abzuleiten. Die Entscheidungen können 'gut oder schlecht' sein (Qualitätsprüfung), 'welches Teil liegt vor' (Identifikation) oder 'wo genau sitzt das Teil' (Führung für Roboter oder Greifer).
Drei Komponenten sind immer dabei: eine Bildaufnahme (Kamera plus Objektiv plus Beleuchtung), eine Verarbeitung (regelbasierte Algorithmen oder ein neuronales Netz) und eine Ausgabe (Signal an die SPS, Protokoll ins MES, Bild ins Archiv). Alles darüber hinaus ist Anwendungsdomäne. Eine gute Einführung in die Gesamtarchitektur gibt unser Guide zur industriellen Bildverarbeitung.
Sichtprüfung: die Anwendungsschicht
Sichtprüfung ist der konkrete Anwendungsfall der Qualitätsprüfung mit Machine Vision. Wenn eine Kamera auf einer Verpackungslinie jedes Etikett kontrolliert, ist das Sichtprüfung. Wenn eine Kamera in einer Spritzgussmaschine Teile auf Grate und Einschlüsse prüft, ist das Sichtprüfung. Der Begriff fokussiert auf die Aufgabe, nicht auf die Technologie.
In der Praxis hat sich Sichtprüfung als Begriff durchgesetzt, weil er für das Qualitätsmanagement verständlich ist. Qualitätsmanager haben jahrzehntelang Sichtprüfungen manuell oder mit Lupen durchgeführt. Eine Kamera, die dasselbe automatisiert, ist eine Sichtprüfstation. Für die Einordnung des Begriffs lies auch Was ist KI-Sichtprüfung.
Optische Qualitätskontrolle: der Prozessbegriff
Optische Qualitätskontrolle ist der Qualitätsmanagement-Fachbegriff und beschreibt den Prüfprozess, nicht das Werkzeug. Er umfasst die Planung (was wird geprüft, mit welcher Toleranz), die Durchführung (manuell, optoelektronisch, kameragestützt) und die Dokumentation (Prüfbericht, Chargenbuch, Rückverfolgbarkeit). Machine Vision ist eines von mehreren Werkzeugen, mit denen optische Qualitätskontrolle umgesetzt wird. Handmesslupen, Profilprojektoren und Koordinatenmessmaschinen gehören ebenfalls in diese Kategorie.
Die saubere Abgrenzung: Machine Vision ist die Technologie, Sichtprüfung ist die Anwendung, optische Qualitätskontrolle ist der Prozessrahmen. Wer in einem Projektmeeting die drei Begriffe sortiert, spart typisch 30 Minuten Diskussion über scheinbar konkurrierende Konzepte, die eigentlich verschiedene Ebenen beschreiben.
Welche Verfahren unter Machine Vision fallen
Vier Verfahrensklassen sind in der Fertigung heute relevant. Regelbasierte Bildverarbeitung nutzt klassische Algorithmen für Kantenerkennung, Musterabgleich und Vermessung. Sie ist schnell, deterministisch und gut für geometrische Prüfungen. Deep Learning Klassifikation entscheidet, in welche Kategorie ein Bild fällt (gut, schlecht, Defektklasse A, B, C). Sie ist stark bei visuell komplexen Defekten. Anomalieerkennung lernt aus guten Beispielen und meldet Abweichungen, ohne dass Schlecht-Beispiele vorliegen müssen. Sie ist die richtige Wahl, wenn die Defektarten selten oder unbekannt sind. Objekterkennung und -segmentierung lokalisieren Objekte im Bild und sind die Grundlage für Roboterführung und präzise Teileprüfung.
Die meisten realen Anwendungen kombinieren zwei oder drei dieser Verfahren. Eine Sichtprüfstation kann zum Beispiel regelbasiert die Teilelokalisierung machen und mit einem Deep-Learning-Klassifikator den Oberflächenfehler bewerten.
Was bei einem ersten Projekt zählt
Vier Dinge entscheiden, ob ein erstes Machine-Vision-Projekt trägt oder nicht. Erstens: die Beleuchtung. Ohne kontrollierte, wiederholbare Beleuchtung ist jedes nachgelagerte Modell auf Sand gebaut. Unser Beleuchtungs-Guide für KI-Sichtprüfung geht in die Details. Zweitens: die Datenlage. Hast Du genug Bilder von guten und schlechten Teilen, und sind sie repräsentativ für die Linienrealität? Drittens: die Integration. Wie landet das Ergebnis in der SPS, im MES und in der Chargendokumentation. Viertens: die Pflege. Wer trainiert das Modell nach, wenn sich die Linie ändert, und wer überwacht die Qualitätsmetriken im Betrieb.
Wo Machine Vision heute am schnellsten liefert
In einem deutschen KMU-Umfeld liefern heute drei Anwendungen am schnellsten. Erstens: End-of-Line-Sichtprüfung für Verpackung und Etiketten, sowohl in der Lebensmittel- und Getränkeindustrie als auch in der Pharma-Verpackung. Zweitens: Präsenz- und Vollständigkeitsprüfung in der Montage. Drittens: Oberflächenprüfung auf bearbeiteten Teilen und Gussteilen. Diese drei Anwendungsklassen haben die reifste Toolchain und die höchste Erfolgsquote bei Piloten.
Was heute weniger gut funktioniert: sehr dynamische Umgebungen mit starken Lichtwechseln, Prüfaufgaben, die eine Multimodal-Fusion mit anderen Sensoren brauchen, und Anwendungen, bei denen die Defektdefinition noch nicht klar ist. Für diese Fälle ist ein Vor-Studium mit manuellen Prüfdaten sinnvoller als ein direktes Machine-Vision-Projekt.
Wo Du anfangen solltest
Der schnellste Pfad von null auf eine laufende Sichtprüfstation: Such Dir eine Engpassstation in Deiner Linie, an der heute manuell geprüft wird. Fotografiere 200 bis 500 Beispiele (gut und schlecht) mit einem iPhone. Nutze diese Daten, um ein erstes Modell zu trainieren. Starte einen Shadow-Run parallel zur manuellen Prüfung. Nach zwei Wochen hast Du harte Zahlen zur Trefferquote und weißt, ob Du das Projekt skalieren solltest.
Mehr Kontext zu Technologie, Anbieterlandschaft und typischen Piloten findest Du im Machine-Vision-Prüfungs-Guide und im Vergleich der Machine-Vision-Systeme. Wenn Du bei Deinem ersten Projekt sparringsmäßig unterwegs sein willst, tritt der Enao Community bei und stelle Deine konkrete Anwendungsfrage dort.