Computer Vision in der Fertigung: Praxisbeispiele und Implementierung

Während Large Language Models die Schlagzeilen dominieren, revolutioniert Computer Vision still und leise die Fertigungsindustrie. Automatische Qualitätskontrolle, Prozessüberwachung und vorausschauende Wartung sind keine Zukunftsmusik mehr, sondern wirtschaftlich sinnvolle Realität.

Warum jetzt?

Drei Faktoren machen Computer Vision in der Fertigung heute praktikabel:

Hardware-Kosten: Industriekameras kosten einen Bruchteil von vor 10 Jahren. Eine hochauflösende GigE-Kamera mit ausreichender Bildrate ist für wenige tausend Euro erhältlich.

Vortrainierte Modelle: Transfer Learning reduziert den Datenanfang drastisch. Statt zehntausender Bilder reichen oft einige hundert annotierte Beispiele für ein funktionierendes System.

Edge Computing: Inferenz direkt an der Maschine ohne Cloud-Latenz. NVIDIA Jetson oder vergleichbare Plattformen ermöglichen Echtzeit-Auswertung in Millisekunden.

Anwendungsfall 1: Visuelle Qualitätskontrolle

Das Problem

Ein Automobilzulieferer prüft Metallteile auf Oberflächenfehler. Manuelle Inspektion ist langsam (30 Sekunden pro Teil), inkonsistent (Ermüdung, subjektive Bewertung) und teuer (3-Schicht-Betrieb mit geschultem Personal).

Die Lösung

Ein Kamerasystem mit KI-gestützter Bildauswertung erkennt Defekte wie Kratzer, Dellen, Korrosion, Risse und Porosität automatisch. Das System klassifiziert jeden Defekt und entscheidet, ob das Teil die Qualitätsprüfung besteht.

Die Architektur ist einfach: Eine GigE-Industriekamera nimmt das Bild auf, ein Edge-PC führt die Inferenz durch und gibt das Ergebnis an die SPS weiter, die die Sortierung steuert. Parallel werden alle Ergebnisse im MES/ERP protokolliert.

Ergebnisse

Metrik	Vorher (Manuell)	Nachher (CV)
Prüfzeit/Teil	30 Sekunden	0.5 Sekunden
Erkennungsrate	92%	99.2%
False Positives	8%	1.5%
Kosten/Jahr	€450.000	€120.000

Anwendungsfall 2: Montageüberprüfung

Das Problem

Komplexe Baugruppen mit 50+ Komponenten. Fehlende oder falsch montierte Teile werden erst beim Endtest entdeckt, was teure Nacharbeit verursacht.

Die Lösung: Multi-Point Verification

Ein Vision-System prüft nach jedem Montageschritt, ob alle Komponenten vorhanden und korrekt positioniert sind. Es erkennt fehlende Teile, falsch ausgerichtete Komponenten und nicht vollständig eingerastete Verbindungen.

Bei der praktischen Implementierung empfiehlt sich ein Zwei-Kamera-Setup: Eine Kamera von oben (5MP, mit diffuser Beleuchtung) erfasst die Gesamtansicht. Eine zweite Kamera im 45-Grad-Winkel (2MP, mit Hintergrundbeleuchtung) prüft kritische Details. Das System wird per SPS-Signal getriggert und hat maximal 200ms für die Auswertung.

Anwendungsfall 3: Prozessüberwachung

Schweißnaht-Qualität in Echtzeit

Die Kombination aus Thermalkamera und visuellem Sensor ermöglicht Echtzeit-Überwachung von Schweißprozessen. Die thermische Analyse erfasst die Temperaturverteilung und erkennt Abweichungen vom Sollprofil. Die visuelle Analyse bewertet die Nahtgeometrie.

Bei erkannten Problemen schlägt das System konkrete Korrekturen vor: Bei zu niedriger Temperatur eine Erhöhung der Stromstärke, bei zu hoher Temperaturvarianz eine Prüfung der Drahtvorschub-Geschwindigkeit, bei Abweichungen in der Nahtbreite eine Korrektur der Brennerposition.

Technische Implementierungsdetails

Beleuchtung: Der unterschätzte Erfolgsfaktor

Die richtige Beleuchtung ist oft wichtiger als das Kameramodell. Für verschiedene Defekttypen eignen sich unterschiedliche Beleuchtungsarten:

• Oberflächenkratzer: Streiflicht im flachen Winkel (15°) macht Kratzer durch Schattenwurf sichtbar
• Dellen: Strukturiertes Licht mit Streifenmuster ermöglicht 3D-Rekonstruktion
• Farbfehler: Diffuse Kuppelbeleuchtung mit hohem Farbwiedergabe-Index
• Interne Defekte: Durchlicht im Nahinfrarot-Bereich (850nm) für teilweise transparente Materialien

Datenpipeline für kontinuierliches Training

Ein produktives System braucht eine kontinuierliche Verbesserungsschleife. Bilder mit niedriger Konfidenz werden zur manuellen Annotation markiert. Nach Ansammlung von etwa 100 neuen gelabelten Bildern startet automatisches Retraining. Das neue Modell wird validiert und bei besserer Performance produktiv geschaltet. Die dafür nötige Infrastruktur beschreiben wir detailliert in unserem MLOps-Leitfaden.

ROI-Berechnung

Investition

Hardware: Vier Industriekameras (€8.000), zwei Beleuchtungssysteme (€4.000), Edge Computing wie Jetson Orin (€2.000), Integration und Montage (€6.000).

Software: Entwicklung und Customizing (€40.000), Training und Labeling (€10.000).

Gesamt: €70.000

Einsparungen (Jahr 1)

• Personalkosten QC: -€180.000 (von 6 auf 1 Prüfer)
• Reduzierte Ausschussrate: €50.000
• Schnellere Zykluszeit: €30.000
• Weniger Kundenreklamationen: €20.000

Einsparung Jahr 1: €280.000 ROI: 300% im ersten Jahr

Best Practices für die Implementierung

1. Iterativ starten

Phase 1: Pilotstation mit einfachstem Use Case. Phase 2: Validierung und Feintuning über 2-3 Monate. Phase 3: Rollout auf weitere Stationen. Phase 4: Kontinuierliche Verbesserung.

2. Datenqualität priorisieren

Saubere, konsistente Bilddaten sind entscheidend. Stellen Sie repräsentative Trainingsbeispiele sicher und dokumentieren Sie Edge Cases sorgfältig. Warum Datenqualität der wichtigste Erfolgsfaktor für jedes KI-Projekt ist, erfahren Sie in unserem Artikel zur Datenqualität als Fundament für KI-Erfolg.

3. Integration nicht unterschätzen

Arbeiten Sie eng mit der Automatisierungstechnik zusammen. Definieren Sie klare Schnittstellen zu MES/ERP. Implementieren Sie robuste Fehlerbehandlung für den Fall, dass das Vision-System ausfällt.

Fazit

Computer Vision in der Fertigung ist keine Raketenwissenschaft mehr. Mit vortrainierten Modellen, erschwinglicher Hardware und bewährten Architekturen können auch mittelständische Unternehmen von automatischer Qualitätskontrolle profitieren.

Der Schlüssel zum Erfolg liegt in der sorgfältigen Planung: richtige Beleuchtung, robuste Datenpipeline und enge Integration mit bestehenden Systemen. Starten Sie klein, validieren Sie gründlich, und skalieren Sie dann. Wie Computer Vision in die größeren KI-Trends für 2026 passt, lesen Sie in unserem Strategie-Ausblick.

---

Planen Sie Computer Vision für Ihre Fertigung? Intellineers begleitet Sie von der Machbarkeitsstudie bis zum produktiven Rollout.