Machine Vision Grundlagen: Sichtprüfung und optische Qualitätskontrolle
Machine Vision Grundlagen beschreiben das Schichtenmodell hinter drei häufig vermischten Begriffen: Machine Vision (die Technologie), Sichtprüfung (die angewandte Aufgabe) und optische Qualitätskontrolle (der Prozess). Machine Vision kombiniert Kameras, Beleuchtung, Rechenleistung und Software, um visuelle Entscheidungen auf einer Produktionslinie zu automatisieren. Sichtprüfung ist eine solche Entscheidung: gut oder schlecht, kratzfrei oder verkratzt, voll oder unterfüllt. Optische Qualitätskontrolle ist der prüfbare Prozess darum herum, der Rahmen, unter dem Prüfung stattfindet und für ISO 9001 oder GMP dokumentiert wird.
Er richtet sich an Produktions- und Qualitätsverantwortliche, die heute einen Machine-Vision-Workshop moderieren müssen, ohne vorher drei Wochen Fachliteratur zu lesen.
Was bedeutet Machine Vision eigentlich?
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.
Was macht Sichtprüfung tatsächlich auf einer Linie?
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.
Was bedeutet optische Qualitätskontrolle als Prozess?
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 vier Verfahrensklassen gehören zu Machine Vision?
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.
Welche vier Faktoren entscheiden über Dein erstes Projekt?
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.
Welche Anwendungen liefern heute am schnellsten?
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.
Häufig gestellte Fragen zu Machine Vision Grundlagen
Was ist der Unterschied zwischen Machine Vision und Sichtprüfung?
Machine Vision ist der Technologiebaukasten aus Kameras, Beleuchtung, Rechenleistung und Software. Sichtprüfung ist eine konkrete Aufgabe darauf, nämlich die Entscheidung, ob ein Teil eine Qualitätsprüfung optisch besteht. Andere Aufgaben wie Roboterführung und Identifikation nutzen dieselbe Hardware, lösen aber andere Probleme.
Ist optische Qualitätskontrolle dasselbe wie Machine Vision?
Nein. Optische Qualitätskontrolle ist der Qualitätsmanagement-Prozess, der definiert, was geprüft wird, wie und wie das Ergebnis dokumentiert wird. Machine Vision ist eine von mehreren Umsetzungen für diesen Prozess, neben manueller Prüfung und optoelektronischen Messmitteln. Audit-Spuren für ISO 9001 oder GMP hängen am Prozess, nicht an der Kamera.
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 gelabelte Bilder. Algorithmuswahl und Integration kommen erst, wenn Du Deine eigenen Daten gesehen hast, nicht vorher.
Wann schlägt regelbasierte Bildverarbeitung KI noch?
Wenn die Prüfung dimensionell ist, die Geometrie eng ist, die Beleuchtung stabil ist und die Defekttaxonomie geschlossen ist. Codelesen, Anwesenheits- und Vollständigkeitsprüfung sowie Mikrometer-Messungen bleiben das natürliche Feld klassischer Machine Vision. KI übernimmt, sobald die Defektmenge offen, vielfältig oder von subtilen Texturen abhängig ist.
Wichtigste Punkte
- Machine Vision, Sichtprüfung und optische Qualitätskontrolle sind nicht austauschbar. Sie benennen die Technologie, die Aufgabe und den Prozess, und eine funktionierende Linie nutzt typischerweise alle drei zusammen.
- Moderne Machine Vision verteilt sich auf vier Verfahrensklassen: regelbasierte Bildverarbeitung, Deep-Learning-Klassifikation, Anomalieerkennung sowie Objekterkennung und -segmentierung. Jede passt zu einer anderen Defektsignatur.
- Beleuchtung ist der größte Einzelfaktor für Projekterfolg. Kein Algorithmus rettet ein Bild, in dem der Defekt unsichtbar ist. Plane Beleuchtungsversuche bewusst ein, bevor Du Modelle trainierst.
- Plane Integration in SPS, MES und Auswurfpfad ab Tag eins. Eine eigenständige Prüfstation, die nicht auf eigene Ergebnisse reagieren kann, wird zu einem Dashboard, nicht zu einer Steuerung.
- Wartung gehört zum Projekt, nicht dahinter. Modelle driften, Lampen altern, Kameras sammeln Staub. Plane 10 bis 20% der Aufbaukosten pro Jahr für laufende Pflege.
Jetzt starten
Möchtest Du 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 Produktionsteams auszutauschen, die KI auf den Shopfloor bringen.
