Qualitätsprüfung in der Fertigung

Das echte Ausmaß des Problems

Ein Rückruf in der Automobilindustrie kostet im Durchschnitt zwischen 150 und 500 Millionen Euro — direkte Kosten, ohne die Reputationsschäden einzurechnen. Die Ursache ist fast immer dieselbe: Ein Fehler, der in der Produktion nicht erkannt wurde, multipliziert sich auf Tausende oder Hunderttausende Fahrzeuge. Was in der Fertigungskontrolle 50 Euro kosten würde, kostet nach dem Rückruf das Hundertfache.

Für Tier-1- und Tier-2-Zulieferer ist die Situation kaum besser. Ausschuss, Nacharbeit und Gewährleistungskosten machen in produzierenden Automotive-Betrieben oft 1,5 bis 4 Prozent des Jahresumsatzes aus. Bei einem Unternehmen mit 80 Millionen Euro Umsatz sind das 1,2 bis 3,2 Millionen Euro pro Jahr — direkte Kosten, die durch bessere Qualitätskontrolle deutlich reduzierbar wären.

Manuelle Prüfung hat strukturelle Grenzen: Ein geübter Prüfer erkennt Oberflächenfehler, die größer als etwa 0,3 Millimeter sind — wenn er ausgeruht ist, das Licht stimmt und er in den letzten zwei Stunden nicht mehrere hundert Teile inspiziert hat. In der Praxis sinkt die Erkennungsrate gegen Ende der Schicht messbar. Dazu kommt die Durchsatzgrenze: Bei hohem Produktionstakt kann ein Mensch schlicht nicht jedes Teil in der verfügbaren Zeit prüfen — also wird stichprobenhaft geprüft, und ein Teil der Fehler geht durch.

Computer Vision hat diese Grenzen nicht. Ein KI-Kamerasystem prüft jedes Teil, jeden Produktionsschritt, in Millisekunden, mit konstanter Erkennungsrate — unabhängig von Tageszeit, Schicht und Volumen.

So funktioniert es in der Praxis

Ein KI-Qualitätsprüfsystem für die Automotive-Fertigung besteht aus vier Komponenten: Kamera-Hardware, Beleuchtung, Inferenz-Hardware und dem KI-Modell selbst.

Die Kamera-Hardware muss zur Aufgabe passen: Für Oberflächendefekte wie Kratzer, Lunker oder Lackfehler werden hochauflösende Linescanner oder Flächenkameras eingesetzt, oft mit spezieller Streifenlichtprojektion für 3D-Tiefenmessung. Für geometrische Prüfungen (sind alle Schrauben gesetzt, stimmt die Positionierung eines Bauteils) reichen in vielen Fällen Standard-Industriekameras.

Die Beleuchtung ist oft der unterschätzte Teil — ein gutes Kamerasystem mit falscher Beleuchtung liefert schlechtere Ergebnisse als ein einfacheres System mit optimal eingestelltem Licht. Dunkelfeldbeleuchtung, koaxiales Licht und strukturiertes Licht werden je nach Prüfaufgabe eingesetzt. Dieser Teil erfordert in der Regel Expertise und Vor-Ort-Tests.

Das KI-Modell wird auf Bilddaten des eigenen Produkts trainiert: Sowohl fehlerfreie Teile (Referenzbilder) als auch Bilder mit bekannten Defekten. Mit zunehmender Datenmenge wird das Modell präziser — typischerweise braucht ein erster validierter Prototyp 500 bis 2.000 Trainingsbilder pro Fehlerklasse. Für bekannte Defekttypen gibt es auch vortrainierte Modelle, die mit deutlich weniger eigenen Daten auskommen.

Der Einstieg kann über kleinere, abgegrenzte Anwendungen erfolgen: Eine Prüfstation für ein spezifisches Bauteil, ein Fehlertyp. Das liefert erste Daten, erste Erfahrungen mit dem System und ersten ROI — ohne die Komplexität einer vollständigen Linienintegration.

Welche Tools passen hierzu

Cognex Vision Pro — Marktführer für industrielle Bildverarbeitung. Komplettes Ökosystem aus Kameras, Lichtquellen, Software und vortrainierten Modellen für typische Prüfaufgaben. Sehr robust, gut dokumentiert, breite Integrationserfahrung in der Automotive-Branche. Preise je nach Konfiguration ab ca. 5.000 Euro pro Prüfstation, deutlich mehr für vollintegrierte Systeme. Für größere Zulieferer und OEMs die erste Wahl.

Keyence Vision Systeme — starker Konkurrent zu Cognex, besonders bekannt für einfache Inbetriebnahme und schnelle Ergebnisse. Gute Unterstützung durch den Außendienst, direkte Demo-Möglichkeiten beim Kunden. Preise vergleichbar mit Cognex. Beliebt bei mittelgroßen Zulieferern, die schnell starten wollen ohne langwierigen Integrationsprojekt.

Landing AI (Landing Lens) — cloudbasierte Computer-Vision-Plattform speziell für industrielle Qualitätskontrolle. Ermöglicht Training von Defekt-Erkennungsmodellen mit vergleichsweise wenig Daten, gute Browser-basierte Oberfläche für das Modell-Training ohne tiefes ML-Expertenwissen. Interessant für Betriebe, die intern mehr Kontrolle über das Modell wollen und einen datenzentrierten Ansatz bevorzugen. Preise auf Anfrage.

AWS Panorama / Azure Percept — Cloud-Anbieter-Lösungen für Edge-KI in der Fertigung. Gut, wenn bereits eine starke Cloud-Infrastruktur bei AWS oder Azure besteht und die KI-Inferenz am Edge (direkt an der Maschine) betrieben werden soll. Mehr Eigenentwicklungsaufwand als bei Cognex oder Keyence, dafür mehr Flexibilität.

Zeiss ZEISS Quality Suite — für Prüfaufgaben mit höchsten Genauigkeitsanforderungen und Messprotokoll-Pflicht (z. B. bei sicherheitsrelevanten Bauteilen). Kombiniert KI-Erkennung mit zertifizierten Messsystemen. Für Tier-1-Zulieferer mit strikten Qualitätsanforderungen nach IATF 16949.

Was es kostet — realistisch gerechnet

Einstieg (eine Prüfstation, ein Bauteil):

• Hardware (Kamera, Beleuchtung, Edge-Rechner): 8.000–20.000 Euro
• Integration und Modell-Training: 15.000–40.000 Euro (Projektaufwand inkl. Datengenerierung)
• Laufende Kosten: Wartung, Software-Lizenzen, Modell-Updates ca. 3.000–8.000 Euro/Jahr

Skaliert (mehrere Stationen, vollständige Linienintegration):

• Investition: 80.000–300.000 Euro je nach Anzahl der Prüfpunkte und Komplexität
• Implementierungszeit: 6–18 Monate
• Betriebskosten: 15.000–50.000 Euro/Jahr

ROI-Rechnung am Beispiel: Ein Tier-2-Zulieferer mit 60 Millionen Euro Umsatz, Nacharbeit- und Ausschussquote von 2,5 Prozent = 1,5 Millionen Euro jährliche Fehlerkosten. KI-Qualitätsprüfung an zwei kritischen Stationen reduziert die Fehlerrate um 40 Prozent: 600.000 Euro Einsparung pro Jahr. Investition in zwei Stationen inkl. Integration: ca. 120.000 Euro. Amortisation: unter drei Monaten. Dazu kommen reduzierte Gewährleistungskosten und das gesunkene Rückrufrisiko — schwerer quantifizierbar, aber real.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Anforderungsanalyse & Anbieterauswahl	Monat 1	Prüfaufgaben definieren, Anbieter evaluieren, Machbarkeitsstudie	Anforderungen zu breit gefasst — besser mit einem spezifischen Bauteil und einem Fehlertyp starten
Pilotinstallation & Datengenerierung	Monat 2–3	Kamera und Beleuchtung installieren, Trainingsbilder aufnehmen, Modell trainieren	Zu wenige Trainingsbilder für seltene Fehlertypen — Datengenerierung (künstliche Defekte) einplanen
Validierung & FAT/SAT	Monat 3–5	Factory Acceptance Test, Site Acceptance Test, Vergleich mit manueller Prüfung	Validierung zu kurz — mindestens 500 echte Teile mit Ground-Truth-Labeling für valide Accuracy-Messung
Produktivbetrieb & Rollout	Ab Monat 5	Erste Station im Vollbetrieb, Ergebnisse messen, Rollout auf weitere Stationen planen	Kein Feedback-Loop für Fehlklassifikationen — Meldesystem für False Positives und False Negatives einrichten

Häufige Einwände

„Unsere Bauteile ändern sich zu oft — das Modell veraltet ständig.” Das ist ein echtes Praxisproblem. Die Lösung liegt im Prozess, nicht im Verzicht auf die Technologie: Jede Bauteiländerung, die optisch relevant ist, löst eine Modell-Aktualisierung aus — das sollte in den Change-Management-Prozess integriert sein. Bei häufigen Varianten empfiehlt sich ein modulares Modell, das für jede Variante einen separaten Erkennungshead hat. Das ist mehr Aufwand in der Einrichtung, aber deutlich stabiler im Betrieb.

„Wir haben keine ML-Expertise im Haus.” Das braucht es oft nicht. Anbieter wie Keyence und Cognex liefern vollständige Systeme inkl. Training-Support und Integration. Landing AI hat eine Plattform, die speziell dafür gebaut ist, dass Qualitätsingenieure ohne ML-Hintergrund Modelle trainieren können. Die Expertise, die du brauchst, ist Domänenwissen: Was ist ein Defekt, wie sieht er aus, wie schwerwiegend ist er? Das bringen deine Qualitätsingenieure bereits mit.

„Was passiert, wenn das System einen Fehler übersieht?” Computer Vision ergänzt die menschliche Prüfung — es ersetzt sie nicht vollständig, zumindest nicht in der Einführungsphase. Bewährtes Vorgehen: In den ersten 3–6 Monaten läuft das KI-System parallel zur manuellen Prüfung. Die Erkennungsrate wird gemessen und dokumentiert. Erst wenn die Accuracy stabil über 98 Prozent liegt und False-Negative-Raten in einem akzeptablen Bereich sind, wird die manuelle Prüfung reduziert oder für bestimmte Teilkategorien abgelöst. Für sicherheitsrelevante Bauteile nach IATF 16949 ist außerdem eine zertifizierte Validierung Pflicht — das ist kein Hindernis, sondern Teil des regulären Qualitätssicherungsprozesses.