KI-Bildanalyse

KI-Bildanalyse bezeichnet den Einsatz von Machine-Learning-Modellen zur automatisierten Auswertung von Bildern. In der Qualitätsprüfung können solche Systeme Oberflächenfehler, Abweichungen oder Defekte identifizieren, ohne dass ein Mensch jedes Bild einzeln beurteilen muss.

Im Unterschied zu klassischer, regelbasierter Bildverarbeitung lernt ein KI-Modell aus einer Vielzahl von Beispielbildern, welche Muster einen Fehler kennzeichnen. Es passt sich dadurch an neue oder wechselnde Fehlerbilder an, ohne dass jede Regel manuell neu programmiert werden muss.

Wie funktioniert KI-Bildanalyse in der Qualitätsprüfung?

Der Ablauf folgt in der Regel drei Schritten:

1. Bildaufnahme. Kameras erfassen das Prüfobjekt unter einheitlichen Bedingungen. Gleichbleibendes Licht und ein fester Aufnahmewinkel sind entscheidend, damit die Ergebnisse über verschiedene Prüfläufe hinweg vergleichbar bleiben. ‍
2. Bildverarbeitung. Kontrast und relevante Bereiche werden hervorgehoben, häufig über Schwellenwertverfahren oder Konturerkennung. Dieser Schritt bereitet das Bild so auf, dass Auffälligkeiten sichtbar werden.
3. ‍Klassifikation. Ein trainiertes Modell ordnet die erkannten Auffälligkeiten einer Kategorie zu und bewertet Größe, Verteilung oder Schweregrad des Fehlers.

Praxisbeispiel: Steinschlagerkennung auf Lackoberflächen

Steinschlag ist ein Oberflächenfehler an Fahrzeuglackierungen, der durch den Aufprall kleiner Steine bei hoher Geschwindigkeit verursacht wird. Die klassische Bewertung erfolgt visuell nach festgelegten Prüfstandards. Die Bewertung wird jedoch von der Erfahrung und der individuellen Einschätzung der prüfenden Person beeinflusst. Daher können verschiedene Prüfende dasselbe Schadensbild unterschiedlich bewerten.

Um die Bewertung zu objektivieren, hat ein Forschungsteam ein Bildverarbeitungssystem entwickelt, das Prüftafeln nach genormten Steinschlagtests automatisiert auswertet. Die Pipeline aus Kontrastverstärkung, Schwellenwertverfahren und konturbasierter Analyse identifiziert beschädigte Bereiche anhand von Größe und Verteilung.

Die veröffentlichten Ergebnisse zeigen zwei Dinge: Die automatisierte Bewertung korrelierte stark mit dem Mittelwert der Bewertung erfahrener Prüfer. Die einzelnen Prüfergebnisse wichen dagegen deutlich voneinander ab. Gleichzeitig benötigte die automatisierte Prüfung nur rund ein Siebtel einer manuellen Bewertung.

Das Beispiel zeigt gut, wofür KI-Bildanalyse in der Qualitätsprüfung besonders geeignet ist: für klar definierte, visuell erkennbare Fehlerbilder, die bislang subjektiv und zeitaufwändig manuell bewertet wurden.

Was das Verfahren leistet

• Konsistente Bewertungsmaßstäbe: Ein trainiertes Modell wendet dieselben Kriterien auf jedes Bild an. Faktoren wie nachlassende Konzentration oder Ermüdung, die eine manuelle Bewertung beeinflussen können, spielen bei der automatisierten Auswertung keine Rolle. ‍
• Geschwindigkeit: Große Prüfvolumina lassen sich in einem Bruchteil der manuellen Prüfzeit auswerten, was vor allem in der Serienfertigung relevant ist. ‍
• Nachvollziehbarkeit: Jede Bewertung lässt sich im Nachhinein auf das zugrunde liegende Bild zurückführen und dokumentieren.
• Erkennung schwer sichtbarer Defekte: Ein entsprechend trainiertes System kann auch kleine oder kontrastarme Defekte erkennen, die bei einer visuellen Prüfung leicht übersehen werden können.

Wo die Grenzen liegen

KI-Bildanalyse bewertet, was auf dem Bild sichtbar ist. Sie erklärt nicht, warum ein Fehler entstanden ist. Ob ein Steinschlagschaden auf eine zu geringe Schichtdicke, eine ungeeignete Formulierung oder einen Prozessfehler zurückgeht, muss weiterhin fachlich eingeordnet werden.

Bei überwachten KI-Modellen müssen die Fehlerarten, die das System erkennen soll, vorab festgelegt werden. Außerdem werden für jede Fehlerart ausreichend viele Beispielbilder benötigt. Seltene oder bisher unbekannte Defekte kann das Modell deshalb übersehen oder falsch einordnen.

Für Fehlerbilder, die stark von Beleuchtung, Materialoberfläche oder Aufnahmeperspektive abhängen, ist eine sorgfältige Kalibrierung nötig. Ohne diese Vorarbeit sinkt die Zuverlässigkeit spürbar.

Und: Ein einzelnes Prüfergebnis bleibt zunächst ein isolierter Datenpunkt. Erst im Zusammenhang mit Versuchsdaten, Formulierungen und früheren Prüfergebnissen wird daraus eine belastbare Entscheidungsgrundlage, etwa für die Frage, ob eine bestimmte Rezeptur systematisch anfälliger für Steinschlag ist als eine andere.

Häufige Fragen

Ersetzt KI-Bildanalyse die visuelle Prüfung durch Fachpersonal vollständig?

Bei klar definierten Fehlerbildern kann sie die Erstbewertung weitgehend übernehmen. Grenzfälle und die fachliche Einordnung der Ursache bleiben Aufgabe des Prüfpersonals.

Braucht jedes Unternehmen eigene Trainingsdaten?

In der Regel ja. Die Bildqualität, die Prüfbedingungen und die relevanten Fehlerbilder unterscheiden sich je nach Material und Anwendung.

Wie hängt KI-Bildanalyse mit Material Intelligence zusammen?

Bildanalyse liefert einen einzelnen Datenpunkt zu einem Prüfobjekt. Erst die Verbindung mit weiteren Material- und Versuchsdaten macht daraus eine Grundlage für fundierte Entscheidungen.