Was ist AOI jenseits der Leiterplatten? Ein 2026-Guide
AOI jenseits der Leiterplatten bezeichnet automatisierte optische Inspektion auf Linien außerhalb der SMT-Elektronik, also bei Pharma-Blistern, Lebensmittel- und Getränkeabfüllung, Automobil-Schweißnähten und lackierten Oberflächen. Sie nutzt KI-Modelle, die aus Bildern guter und schlechter Teile lernen, statt der hart kodierten Rezepte aus der SMT-Welt. Branchendaten von IPC und anderen Trackern für automatisierte optische Inspektion verorten den SMT-Anteil der installierten AOI bei über 90%. Das schnellste Wachstum passiert trotzdem überall sonst, dort, wo regelbasierte Bildverarbeitung und SMT-AOI beide an ihre Grenzen kommen.
AOI jenseits der Leiterplatten ist kein Relaunch des SMT-Werkzeugkastens. Optik, Trainingsansatz und kommerzielles Modell sind anders. Wer AOI für eine Nicht-Elektronik-Linie evaluiert, wird mit den SMT-Annahmen ein überdimensioniertes und gleichzeitig unterlieferndes Projekt bekommen.
Wo gewinnt AOI still außerhalb der Elektronik?
Drei Branchen treiben den Großteil des Wachstums. Lebensmittel- und Getränkeabfüller nutzen AOI für Label-Registrierung, Füllstand und Verschluss-Sitz. Pharma setzt sie für Blister-Vollständigkeit, Lesbarkeit und Originalitätssicherung ein. Der Automobilbau prüft Schweißpunkte nach dem Roboterzyklus und Oberflächen nach der Lackierkabine.
Das Muster ist bei allen dreien gleich. Jeder dieser Sektoren ist von manueller Sichtprüfung zu AOI gewechselt, weil die klassische regelbasierte Bildverarbeitung mit der Varianz nicht klarkam oder der Umrüstaufwand pro Produktwechsel zu teuer wurde.
Was hat SMT-AOI bei Nicht-PCB-Linien falsch gemacht?
Erstens: starre Beleuchtung. SMT-AOI setzt einen grünen Lötstopplack, eine bekannte Platinen-Orientierung und konsistente Bauteilgeometrien voraus. Lebensmittel-Labels laufen in 40 SKUs pro Linie. Automobil-Rohbauteile liegen unter Hallenlicht, das sich im Tagesverlauf ändert. Fest verschraubte Beleuchtungsrigs, die für Platinen funktionieren, scheitern jenseits der Elektronik sofort.
Zweitens: regelbasierte Defekt-Rezepte. SMT-AOI prüft, ob ein Bauteil in einer Toleranzbox sitzt. Das funktioniert bei geschlossenen Defektkategorien wie Tombstoning oder Lötbrücken. Es scheitert bei offenen Defekten wie faltigen Etiketten oder Lackläufen, wo die Form des Defekts die Variable ist.
Drittens: teure Rezept-Umstellung. Jede neue Produkt-Variante auf einer SMT-Linie kostet Engineering-Zeit für ein neues Rezept. Die meisten Nicht-PCB-Linien sehen mehr SKUs pro Schicht als eine SMT-Linie in einem Monat.
Was kann moderne AOI heute?
Moderne AOI jenseits der Leiterplatten nutzt KI-Modelle, die aus Bildern guter und schlechter Teile lernen, nicht aus hart kodierten Geometrie-Regeln. Die Optik ist näher an Consumer-Kameras als an Industriekameras. Das Deployment-Modell ist Hardware für unter 1.000 Euro von der Stange statt eines zwei-Jahres-Retrofits. Für mehr zur Basistechnologie siehe was KI-Sichtprüfung wirklich ist.
Bei Enao Vision bauen wir AOI-Stationen auf iPhone-Hardware in lebensmittelgeeigneten Edelstahlgehäusen. Das iPhone rechnet Core-ML-Inferenz on-device, damit die Linie nicht auf einen Server wartet. Standorte ohne verdrahtetes Ethernet laufen per 5G-Hotspot. Ein Linienleiter stellt die Station in vier Stunden auf und trainiert die erste Defektklasse in fünf Tagen. Ohne ML-Team.
Wann schlägt AOI klassische Bildverarbeitung?
AOI gewinnt bei offenen Defektsets oder bei hoher Produkt-Variantenvielfalt. Beispiele sind Abfülllinien mit 20 Label-SKUs, Snack-Verpackungen mit saisonaler Grafik oder Pharmalinien mit stündlichem Chargenwechsel.
Klassische Bildverarbeitung bleibt im Vorteil, wenn das Defektset geschlossen ist, die Geometrie eng toleriert ist und die Taktzahl über 2.000 Teile pro Minute liegt. Kappen-Drehmomentmessung, SMT-Bestückungsprüfung und Mikro-Dimensionsmessungen unter 50 Mikrometer bleiben Heimterritorium der Traditionssysteme.
Für einen direkten Vergleich bietet unser Anbietervergleich die Tradeoffs nach Hersteller.
Wie wählst Du einen AOI-Anbieter für Deine erste Nicht-PCB-Linie?
Vier Fragen sortieren die meisten Anbieter in einem Gespräch.
Erstens: Können sie eine Live-Installation außerhalb von SMT zeigen? Wenn alle Referenzen Elektroniklinien sind, stimmen Pricing und Optik für Dich nicht.
Zweitens: Preisen sie Hardware separat von der Modell-Lizenz? Anbieter, die eine 20.000-Euro-Kamerabox in eine 30.000-Euro-Jahresgebühr bundeln, preisen wie die alte AOI-Welt.
Drittens: Lässt sich ein bezahlter Pilot in unter sechs Wochen auf einer Linie fahren? Wenn der Pilot drei Monate oder länger dauert, baut der Anbieter ein Custom-Projekt statt eine Plattform auszurollen.
Viertens: Ist das System vom Linienleiter bedienbar, oder braucht es eine Data-Scientist-Abnahme? Der Sinn moderner AOI ist, die Modellpflege auf den Shopfloor zu holen. Wenn der Anbieter für jedes Nachtrainieren seinen Engineer schickt, hast Du einen Servicevertrag gekauft, keine Plattform. Siehe auch 20 Anwendungsfälle von Computer Vision in der Fertigung für die Breite, und Defektkategorien, die KI findet und Menschen übersehen für den erwartbaren Uplift.
Die AOI-Kategorie jenseits der Leiterplatten ist nach Stückzahl rund sechsmal größer als SMT. Die Werkzeuge dafür existieren endlich. Den meisten Fertigern ist nur nicht klar, dass das alte SMT-Rezeptbuch der falsche Ausgangspunkt ist.
Nutzt Du AOI außerhalb von SMT (Schweißnähte, Blister, Abfüllung, Lackierungen) und willst Dich austauschen? In unserer Community arbeiten Teams genau an diesem Thema.
Häufig gestellte Fragen zu AOI jenseits der Leiterplatten
Was ist AOI jenseits der Leiterplatten in einem Satz?
AOI jenseits der Leiterplatten ist automatisierte optische Inspektion auf Linien außerhalb der SMT-Elektronik, etwa bei Blistern, Flaschen, Schweißnähten und lackierten Teilen, wo KI-Modelle die regelbasierten Rezepte aus der Platinen-Welt ersetzen.
Wie unterscheidet sich AOI für Lebensmittel, Pharma oder Automobil von PCB-AOI?
Beleuchtung, Defektart und SKU-Anzahl sind anders. SMT-AOI setzt einen festen Aufbau, eine geschlossene Defekt-Taxonomie und eine einzige Produktgeometrie voraus. Nicht-PCB-Linien haben wechselndes Licht, Defekte, deren Form selbst die Variable ist, und Dutzende SKUs pro Schicht. Genau deshalb ersetzt der KI-basierte Ansatz den regelbasierten.
Wie lange dauert ein AOI-Pilot außerhalb von SMT?
Vier Stunden für den Stationsaufbau, rund fünf Tage für die erste Defektklasse und unter sechs Wochen für einen bezahlten Piloten auf einer Linie. Wenn ein Anbieter drei Monate oder länger ansetzt, baut er ein Custom-Projekt, statt eine Plattform auszurollen.
Brauchst Du einen Data Scientist, um AOI jenseits der Leiterplatten zu betreiben?
Nein. Der Sinn moderner AOI ist, dass der Linienleiter das Modell auf dem Shopfloor selbst trainiert und nachjustiert. Wenn der Anbieter für jedes Nachtrainieren seinen Engineer schickt, hast Du einen Servicevertrag gekauft, keine Plattform.
Wichtigste Punkte
- AOI jenseits der Leiterplatten deckt Pharma, Lebensmittel und Getränke, Automobil und Oberflächenfinish ab. SMT hält noch über 90% der Installationen, das Wachstum hat sich aber außerhalb der Elektronik verschoben.
- SMT-AOI scheitert bei Nicht-PCB-Linien, weil sie festes Licht, ein geschlossenes Defektset und eine einzige Produktgeometrie erwartet. Nicht-PCB-Linien erfüllen keine dieser drei Annahmen.
- Moderne AOI nutzt KI-Modelle aus Bildern guter und schlechter Teile, läuft auf iPhone-Hardware in lebensmittelgeeigneten Gehäusen und wird vom Linienleiter in vier Stunden aufgestellt.
- AOI gewinnt bei offenen Defekten und hoher SKU-Vielfalt. Klassische Bildverarbeitung gewinnt bei geschlossenen Taxonomien, Mikrometer-Toleranzen und über 2.000 Teilen pro Minute.
- Vier Anbieterfragen sortieren das Feld: Referenzen außerhalb von SMT, Hardware getrennt von Software preisen, bezahlter Pilot in unter sechs Wochen und Modellpflege durch den Linienleiter.
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.
