Was ist Anomalieerkennung in der Fertigung?
Die Gartner-Studie zu industrieller KI 2025 beziffert die Anomalieerkennungs-Adoption unter KMUs auf 18 Prozent. Die Defekterkennung liegt bei 41 Prozent. Der Unterschied hat wenig mit Technologie zu tun. Er liegt daran, dass beide Modelltypen auf dem Shopfloor ständig verwechselt werden.
In Anbieter-Demos werden Anomalieerkennung und Defekterkennung oft austauschbar gezeigt. Sie sind nicht dasselbe Modell und passen nicht auf dasselbe Problem. Wer am Tag 1 das falsche Modell wählt, bricht den Piloten am Tag 30 ab.
Anomalieerkennung vs Defekterkennung: der Ein-Satz-Unterschied
Defekterkennung lernt, wie schlechte Teile aussehen. Anomalieerkennung lernt, wie gute Teile aussehen und markiert alles, was davon abweicht.
Dieser eine Satz ist die ganze Kategorie. Alles Weitere folgt daraus.
Wer eine geschlossene Liste an Defektklassen und genug gelabelte Beispiele hat, gewinnt mit Defekterkennung. Wer ein offenes, seltenes oder noch unentdecktes Defektset hat, gewinnt mit Anomalieerkennung. Unser ausführlicher Guide zu Anomalieerkennung vs Defekterkennung arbeitet die Tradeoffs im Detail aus.
Warum Anomalie-Modelle zu kosmetischer und Oberflächen-QS passen
Anomalieerkennung braucht drei Bedingungen. Einen klar definierten Gut-Zustand, genug Beispielbilder dieses Gut-Zustands und Toleranz für Fehlalarme in den ersten Wochen.
Kosmetische und Oberflächen-QS erfüllen das perfekt. Ein lackiertes Karosserieteil hat einen Gut-Zustand, hunderte mögliche Defektvarianten und einen Workflow, der es erlaubt, dass ein Qualitätsingenieur Flags manuell prüft.
Wo es scheitert: Linien mit sehr hoher Normalvarianz. Eine Lebensmittellinie, die 40 verschiedene Label-Grafiken alle als normal akzeptiert, verwirrt das Modell. Die Lösung: Daten nach SKU splitten oder zur Defekterkennung wechseln, sobald genug markierte Beispiele vorliegen.
Wie ein Modell Normal ohne gelabelte Defekte lernt
Der Trainingsloop ist einfacher, als viele annehmen. Zeige dem Modell 500 bis 5.000 Bilder von Teilen, die die End-of-Line-QS bestanden haben. Das Modell baut eine interne Repräsentation von Normal. Beim Inferenz-Schritt wird jedes Bild, dessen Merkmale zu weit von der gelernten Verteilung liegen, markiert.
Zwei praktische Punkte. Erstens: Schichtwechsel mitdenken. Wenn sich das Licht zwischen Tag- und Nachtschicht ändert, nimm Trainingsbilder aus beiden auf. Zweitens: Datenmenge schlägt Datenqualität am Anfang. 5.000 iPhone-Aufnahmen schlagen in fast jedem Anomalie-Deployment 500 sorgfältig inszenierte Industriekamera-Bilder.
Echte Beispiele von der Linie
Lackläufer auf einer Pulverbeschichtungsanlage. Normal ist ein gleichmäßiger Finish. Anomalieerkennung markiert jede Stelle, deren Gradient vom trainierten Baseline abweicht. Ein Enao-Kunde fängt damit Tränen und Orangenhaut auf Teilen ab, die bei der manuellen 1,2-Sekunden-Sichtprüfung durchrutschten.
Fehldrucke auf Pharma-Blistern. Normal ist der scharfe Druck der freigegebenen Grafik. Das Anomalie-Modell markiert abgeriebene Drucke, ausgelassene Zeilen oder Folienfalten, ohne dass ihm gesagt wurde, wie Abrieb, Auslasser oder Falte aussehen.
Schweißspritzer auf Karosserieteilen im Rohbau. Normal ist die polierte Rohblech-Oberfläche. Das Anomalie-Modell erwischt isolierte Spritzer, die ein regelbasiertes System übersieht, weil niemand eine Regel für eine im Grunde zufällige Defektform schreiben kann.
Die Anomalie-zu-Defekt-Pipeline aufbauen
Behandle Anomalieerkennung als Tag-1-Modell. Geh damit in Produktion, sobald die Fehlalarmrate stabil ist. Nutze die markierten Fälle, um ein gelabeltes Set für ein Defekterkennungs-Modell aufzubauen. Das ist das Tag-30-Modell.
Dieser kombinierte Workflow funktioniert bei den meisten Deployments. Anomalieerkennung für breite Abdeckung ab Tag eins. Defekterkennung für die fünf bis zehn Top-Klassen, die tatsächlich schnelle und präzise Aussagen brauchen.
Für den breiteren Kontext siehe unseren Pillar zur maschinellen Sichtprüfung. Wer konkrete Beispiele will, was KI findet und Menschen übersehen, findet sie in diesem Beitrag zu Defektkategorien.
Bei Enao Vision ist Anomalieerkennung das typische Tag-1-Deployment. Ein Linienleiter filmt zwei bis vier Stunden Video mit einem iPhone über der Station, wir trainieren das erste Anomalie-Modell über Nacht, und die Linie läuft in der nächsten Schicht produktiv. Die Anomalie-Flags landen in einer Review-Warteschlange; bestätigte Fälle werden Trainingsdaten für das Tag-30-Defektmodell. Tipps zum Feintuning teilen wir im Community-Slack.
Die Adoptionslücke zwischen Anomalieerkennung und Defekterkennung wird sich nicht durch besseres Marketing schließen. Sie schließt sich, sobald Teams aufhören, Anomalieerkennung als vereinfachte Defekterkennung zu behandeln, und sie für die Probleme einsetzen, für die sie gebaut wurde.