Was ist Anomalieerkennung in der Fertigung?
Anomalieerkennung in der Fertigung ist ein Machine-Learning-Ansatz, der lernt, wie gute Teile aussehen, und alles markiert, was außerhalb dieser Verteilung liegt. Sie ist die Umkehrung der Defekterkennung, die anhand gelabelter Beispiele lernt, wie schlechte Teile aussehen. Anomalieerkennung gewinnt, wenn das Defektset offen, selten oder noch unentdeckt ist. Branchenumfragen, unter anderem von Gartner, beziffern die Anomalieerkennungs-Adoption auf 18% gegenüber 41% bei Defekterkennung. Der Unterschied liegt nicht in der Technologie. 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.
Wie unterscheidet sich Anomalieerkennung von Defekterkennung?
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 passen Anomalie-Modelle zu kosmetischer und Oberflächen-QS?
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 lernt ein Modell Normal ohne gelabelte Defekte?
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 stechen heraus. 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.
Wie sieht Anomalieerkennung auf der echten Linie aus?
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.
Wie baust Du eine Anomalie-zu-Defekt-Pipeline auf?
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.
Baust Du gerade einen Anomalieerkennungs- oder Defekterkennungs-Piloten auf? Tausch Dich mit anderen Teams in unserer Community aus.
Häufig gestellte Fragen zu Anomalieerkennung in der Fertigung
Was ist der Unterschied zwischen Anomalieerkennung und Defekterkennung in einem Satz?
Anomalieerkennung lernt nur, wie ein gutes Teil aussieht, und meldet alles, was davon abweicht. Defekterkennung lernt jeden konkreten Fehler beim Namen und meldet nur das, was sie kennt.
Wie viele Bilder brauchst du, um Anomalieerkennung in der Fertigung zu starten?
30 bis 100 Bilder von guten Teilen reichen meistens, um eine Anomalieerkennung sinnvoll zu starten. Defekterkennung braucht in der Regel 50 bis 200 Bilder pro Fehlerklasse, weil das Modell jede Klasse einzeln lernen muss.
Wann scheitert Anomalieerkennung und was hilft dann?
Sie scheitert, wenn deine guten Teile selbst stark variieren, also bei vielen SKUs auf einer Linie, wechselnden Etiketten oder unruhigen Hintergründen. In solchen Fällen liefert Defekterkennung mit benannten Fehlerklassen sauberere Ergebnisse, weil sie nicht jede Variation für eine Anomalie hält.
Solltest du mit Anomalieerkennung oder Defekterkennung anfangen?
Fang mit Anomalieerkennung an, wenn deine Fehler selten und schwer zu beschreiben sind oder du nur wenige Fehlerbilder hast. Wechsle zu Defekterkennung, sobald du klare, wiederkehrende Fehlerklassen siehst und Reports nach Fehlertyp brauchst.
Wichtigste Punkte
- Anomalieerkennung lernt das gute Teil, Defekterkennung lernt jeden Fehler einzeln. Diese Unterscheidung legt fest, was du sammeln und beschriften musst.
- Mit 30 bis 100 guten Bildern kommst du bei Anomalieerkennung schon weit. Defekterkennung braucht oft das Doppelte, und zwar pro Fehlerklasse.
- Anomalieerkennung gewinnt bei seltenen, unbekannten Defekten. Defekterkennung gewinnt, wenn du klare Fehlerklassen, gleichbleibende Teile und Reports nach Fehlertyp brauchst.
- Bei 40 verschiedenen Etiketten auf einer Linie wird jedes neue Layout zur Anomalie. Dann zahlt sich der Wechsel auf Defekterkennung mit benannten Klassen aus.
- Starte mit Anomalieerkennung an Tag eins, sammle echte Fehlerbilder im laufenden Betrieb und ziehe auf Defekterkennung um, sobald die Klassen stabil sind.
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.
