Machine Vision Systeme 2026: der Guide zu den wichtigsten Architekturen

Ein klassisches Machine Vision System kostet pro Prüfstation zwischen 20.000 und 80.000 Euro, und diese Zahl rechnet weder die Integrator-Stunden noch die Rüstzeiten mit ein, die es Deiner Linie zusätzlich aufbürdet. Die Architektur, für die Du Dich entscheidest, nicht der Hersteller, entscheidet darüber, ob dieses Geld ein echtes Problem löst oder ein System kauft, das beim ersten Produktwechsel in sich zusammenbricht.

Die meisten Guides zu Machine Vision Systemen starten mit einer 15-Absatz-Geschichte über CCD-Sensoren. Das sparen wir uns. Wenn Du eine Produktionslinie verantwortest und ein Qualitätsproblem hast, das kein menschlicher Prüfer mehr stemmen kann, brauchst Du vor allem drei Entscheidungsachsen und ein Gefühl dafür, was jede davon kostet. Den Rest klärt Dein Integrator.

Was zählt als Machine Vision System

Ein Machine Vision System ist der komplette Stack, der Licht, das von einem Bauteil reflektiert wird, in eine Gut- oder Ausschuss-Entscheidung übersetzt. Dieser Stack hat vier Ebenen. Eine Kamera nimmt das Bild auf. Die Beleuchtung macht den Defekt sichtbar. Software analysiert das Bild und gibt ein Urteil ab. Ein Trigger und ein Ausgang leiten dieses Urteil zurück in Deine SPS oder den Ausschussmechanismus.

Alles einfachere (etwa ein Laserabstandssensor oder eine Lichtschranke) ist ein Anwesenheitssensor, kein Vision-System. Alles Größere (eine vollständige Inline-Qualitätsstation mit Robotern und Ausschleusetoren) ist im Kern immer noch ein Vision-System, nur mit mehr Hardware drumherum.

Wenn Du tiefer in die einzelnen Komponenten eintauchen willst, also Kameras, Objektive, Beleuchtung und Software-Anbieter, schau Dir unseren Begleit-Artikel zur industriellen Bildverarbeitung an. In diesem Artikel geht es darum, wie diese Komponenten zu einem funktionierenden System zusammengebaut werden, und welcher Zusammenbau zu welchem Produktionsproblem passt.

Achse 1: regelbasiert vs. KI-basiert

Die älteste Trennlinie in der Machine Vision verläuft zwischen regelbasierten und KI-basierten Systemen. Cognex, Keyence und jede klassische Bibliothek (Halcon, OpenCV, VisionPro) sind in der regelbasierten Welt groß geworden. Das System wird darauf programmiert, konkrete Merkmale zu suchen. Ein Bohrloch soll 4,2 Millimeter Durchmesser haben. Ein Logo soll 12 Millimeter vom linken Rand entfernt sitzen. Eine Oberfläche soll gleichmäßig grau sein mit einer Standardabweichung unter einem Schwellwert.

Regelbasiert funktioniert hervorragend, solange Dein Produkt konsistent ist, Deine Defekte geometrisch klar definiert sind und Deine Beleuchtung vollständig unter Kontrolle steht. Es bricht in dem Moment, in dem die Realität unordentlich wird. Eine andere Rohmaterialcharge, eine neue Produktvariante, ein bisschen Tageslicht aus dem Oberlicht über der Linie, und plötzlich verdoppelt sich Deine Pseudoausschussrate über Nacht.

KI-basierte Systeme drehen die Logik um. Statt zu programmieren, wie ein Gutteil aussieht, zeigst Du dem System Beispiele von Gutteilen, und es lernt ein statistisches Modell der Normalität. Alles, was davon abweicht, wird markiert. Dieser Ansatz heißt Anomalieerkennung, und wir haben ihn in einem eigenen Artikel ausführlich beschrieben.

Der praktische Unterschied zeigt sich, sobald sich Deine Produktion ändert. Ein regelbasiertes System braucht eine Neuprogrammierung durch einen Integrator, was in der Regel einen Change Order und drei bis sechs Wochen bedeutet. Ein KI-basiertes System braucht frische Referenzbilder, die ein Linienoperator in einer Stunde einsammeln kann. Für ein Werk, das mehr als drei Produktvarianten pro Jahr fährt, summiert sich dieser Unterschied schnell.

Achse 2: Single-Camera vs. Multi-Camera

Die zweite Achse ist die Frage, aus wie vielen Blickwinkeln Du Dein Bauteil sehen musst. Ein Single-Camera-System ist der Standard für flache oder zylindrische Produkte, die von einer Seite geprüft werden. Etiketten auf Flaschen. Oberflächendefekte an Blech. Druckqualität auf Kartons. Eine Kamera, ein Objektiv, eine Beleuchtung, eine Entscheidung.

Multi-Camera-Systeme kommen ins Spiel, wenn Defekte auf jeder Seite eines dreidimensionalen Teils auftreten können. Ein gefrästes Aluminiumgehäuse braucht vielleicht vier Kameras drumherum, um Kratzer auf allen Seiten zu erwischen. Ein Spritzgussteil mit transparenten und opaken Bereichen braucht eventuell zwei Kameras mit unterschiedlichen Beleuchtungswinkeln, die sequenziell auslösen.

Multi-Camera verdoppelt bis vervierfacht in etwa Deine Hardware- und Softwarekosten. Außerdem vervielfacht sich die Synchronisierungs-Komplexität. Wenn Kamera 1 das Teil zum Zeitpunkt T sieht und Kamera 3 bei T + 80 Millisekunden, muss Deine Software beide Frames derselben Teile-ID zuordnen. Klassische Systeme lösen das mit SPS-getriggerten Encodern. KI-Systeme lösen es mit Inferenz pro Kamera und einer gemeinsamen Ausschusslogik-Ebene.

Faustregel: fang mit Single-Camera an. Wechsle erst dann auf Multi-Camera, wenn ein Defekt-Audit zeigt, dass mehr als 15 Prozent Deiner entwichenen Fehler auf Seiten passieren, die Deine einzelne Kamera nicht sehen kann.

Achse 3: stationär vs. mobil (Fleet-Based)

Die dritte Achse ist die jüngste und die, die von den meisten Guides immer noch ignoriert wird. Traditionell war jede Prüfstation stationär. Eine Kamera auf einem starren Ständer, ein Ringlicht, ein abgedichtetes Gehäuse, verkabelt zu einem Controller im Schaltschrank. Die Installation dauert zwei bis vier Wochen. Die Inbetriebnahme nochmal zwei. Die Station lässt sich ohne erneute Inbetriebnahme nicht verschieben.

Fleet-Based Inspection ist die mobile Alternative, die erst in den letzten zwei Jahren praktikabel geworden ist, getrieben durch kleine Sensor-Formfaktoren (moderne Smartphones sind inzwischen die hochauflösendsten Industriekameras, die sich die meisten Fabriken leisten können) und KI direkt auf dem Gerät. Ein Fleet-Based-System ist eine Flotte mobiler Prüfgeräte, die jeder Operator einfach aufnehmen, vor die Linie stellen und für eine Stichproben- oder 100-Prozent-Prüfung einsetzen kann.

Das ist aus drei Gründen wichtig. Erstens bezahlst Du pro Prüfaufgabe, nicht pro fest verschraubter Kamera, sodass ein neuer Prüfpunkt eine Schicht-Entscheidung wird statt eines Capex-Projekts. Zweitens kann dieselbe Hardware montags, mittwochs und freitags drei unterschiedliche Produktlinien prüfen, wenn es die Taktzeit zulässt. Drittens kann die Prüfung mit dem Produkt wandern: in eine Vorverpackungsstation, auf einen Wagen am Ende eines Engpasses, ins Qualitätslabor für eine tiefere Stichprobe.

Bei Enao fokussieren wir uns genau auf diese Kategorie. Ein Fleet-Based-Setup aus einem iPhone und einem 80-Euro-Ringlicht ersetzt für einen sinnvollen Teil der Prüfaufgaben eine 80.000-Euro-Festinstallation, gerade dort, wo Stückzahlen oder Variantenvielfalt eine stationäre Station unwirtschaftlich machen.

Wann welche Architektur passt

Die drei Achsen ergeben acht Kombinationen. In der Praxis decken fünf davon nahezu jedes Prüfproblem in der diskreten Fertigung ab. Die folgende Tabelle ordnet typische Linienmuster der passenden Architektur zu.

Die letzte Zeile ist die, bei der die meisten Käufer daneben liegen. Sie spezifizieren ein stationäres Multi-Camera-Regelsystem für eine Linie, bei der noch niemand weiß, wie der Defektkatalog aussehen wird. Sechs Monate später steht dort ein 90.000-Euro-System, das drei der sieben Fehler erwischt, auf die es wirklich ankommt. Im ersten Jahr mobil zu starten und erst dann auf eine stationäre Station zu migrieren, wenn sich der Defektkatalog stabilisiert hat, spart normalerweise zwei Drittel der Lebenszykluskosten.

Die finanzielle Seite dieses Trade-Offs haben wir in einem separaten Beitrag durchgerechnet.

Wie Du eine Shortlist ohne Reue erstellst

Drei Fragen halbieren die meisten Shortlists.

Erstens: wie viele Varianten muss das System in seinem ersten Betriebsjahr verkraften? Wenn die Antwort über drei liegt, ist regelbasiert fast garantiert die falsche Wahl, egal wie günstig der Stückpreis ist.

Zweitens: was passiert, wenn sich der Defektkatalog ändert? Lass Dir vom Anbieter den genauen Prozess und die Timeline für eine neue Defektklasse nach Go-Live aufschreiben. Eine gute Antwort wird in Stunden gemessen und lässt sich von einem Linienoperator umsetzen. Eine schlechte Antwort wird in Wochen gemessen und braucht einen Vor-Ort-Termin.

Drittens: wie sieht die Total Cost of Ownership über drei Jahre aus, nicht der Listenpreis? Ein stationäres regelbasiertes System mit 40.000 Euro Listenpreis kostet über drei Jahre häufig 120.000 Euro, sobald Du Integration, Reprogrammierung bei Produktwechseln und Wartungsvertrag mitrechnest. Ein KI-System im Fleet-Modell zu 500 Euro pro Gerät und Monat liegt über drei Jahre bei 18.000 Euro und deckt Updates mit ab.

Zwei externe Quellen lohnen sich, wenn Du tiefer in die Komponentenwahl einsteigen willst. Cognex hat eine solide Übersicht der Systemtypen geordnet nach Sensor- und Kamera-Kategorie. Teledynes Machine Vision 101 deckt die optischen Grundlagen ab. Beide sind dann nützlich, wenn Du Deine Architektur entlang der drei Achsen oben bereits entschieden hast.

Wie Du loslegst

Wenn Du gerade Machine Vision Systeme evaluierst, ist der schnellste Weg zu einer belastbaren Entscheidung ein Zwei-Wochen-Pilot auf einer einzigen Prüfaufgabe. Such Dir den Defekt aus, der die meisten Reklamationen verursacht, sammle 200 Referenzbilder von Gutteilen und schau, ob ein KI-System die schlechten Teile erkennt, ohne dass Du ihm sagen musst, wonach es suchen soll.

Ein Fleet-Based Starter-Kit kostet unter 2.000 Euro für den Versuch. Ein stationäres klassisches System kostet 60.000 Euro, nur um überhaupt ein Angebot zu bekommen. Das Experiment ist billiger als das RFP.

Eine kuratierte Shortlist KI-basierter Anbieter findest Du in unserem Ranking 2026 der KI-Machine-Vision-Systeme für die Qualitätskontrolle. Und wenn Du Dich mit anderen Werkleitern und Qualitätsverantwortlichen austauschen willst, die diese Systeme bereits einsetzen, komm in unsere Community und sieh Dir an, wie Teams Inspektion in Tagen statt Quartalen live bringen.