Oberflächenfehler-Erkennung automatisieren

Das echte Ausmaß des Problems

Oberflächenfehler gehören zu den häufigsten Reklamationsgründen in der Metallverarbeitung. Kratzer, Riefen, Poren, Eindrücke, Oxidationsflecken — die Fehlertypen sind bekannt, die Ursachen oft auch. Was fehlt, ist die konsistente und belegbare Kontrolle.

Die manuelle Sichtprüfung hat drei strukturelle Probleme:

Ermüdung und Inkonsistenz. Ein geübter Prüfer erkennt nach Studien in der industriellen Qualitätssicherung in einer Vier-Stunden-Schicht schätzungsweise nur rund 80 Prozent aller relevanten Oberflächenfehler sicher — der Rest wird abhängig von Müdigkeit, Lichtverhältnissen und Tageszeit bewertet. Zwischen zwei Prüfern, die denselben Fehlerkatalog kennen, schwankt die Bewertung gleicher Bauteile oft um 15–25 Prozent. Die DGQ (Deutsche Gesellschaft für Qualität) dokumentiert diesen “Prüfer-Bias” in ihren Schulungsunterlagen als eines der hartnäckigsten Qualitätsprobleme in der manuellen Sichtkontrolle.

Fehlende Rückverfolgbarkeit. Automotive-Kunden (VDA-Band 6, IATF 16949) und Aerospace-Lieferanten verlangen lückenlose Prüfprotokolle: Wer hat geprüft, welches Bauteil, wann, mit welchem Ergebnis. Ein “hat Miriam um 15:20 Uhr OK gestempelt” erfüllt diese Anforderung formal, aber bei einem Rückruf ist das kein haltbarer Nachweis. Was zählt, sind Bilder, Messwerte und automatisch erzeugte Protokolle — dokumentiert, reproduzierbar, revisionssicher.

Skalierungsproblem bei steigendem Volumen. Eine manuelle Prüfung kostet pro Bauteil — wenn das Volumen verdoppelt wird, verdoppeln sich die Prüfkosten. Automatisierte Systeme skalieren anders: Die Investition ist einmalig, der Grenzaufwand pro Bauteil fällt mit jedem weiteren Teil.

Das Fraunhofer KI-Fortschrittszentrum hat im Rahmen eines Projekts mit dem Automobilzulieferer Erdrich Umformtechnik (Ulm, ~500 Mitarbeitende) dokumentiert, dass die Identifikation robuster Kamerakonfigurationen für gestanzte und umgeformte Bauteile der erste und kritischste Schritt vor dem Modelleinsatz ist — nicht das KI-Modell selbst. Das Beleuchtungsproblem ist das eigentliche Einstiegsproblem.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Erkennungsraten von über 99 % sind kein Herstellerversprechen, sondern dokumentierter Stand bei industriellen Implementierungen — allerdings nur nach ausreichendem Modelltraining und unter stabilen Beleuchtungsbedingungen. Wer unter schlechten Lichtverhältnissen mit 50 Trainingsbildern loslegt, bekommt keine 99 % und wird das System nach drei Monaten abschalten.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Inline-Prüfsysteme reduzieren die Prüfzeit von 1–3 Minuten manuell auf 0,5–5 Sekunden je Bauteil — bei 24/7-Betrieb ohne Ermüdungsverluste. Der Hebel ist groß, sobald das System im Produktionstakt läuft. Nicht auf Höchstniveau, weil die Zeitersparnis an den laufenden Produktionstakt gebunden ist — bei Volumenrückgang sinkt der absolute Effekt proportional.

Kosteneinsparung — hoch (4/5) Die Einsparung entsteht aus zwei Quellen: reduzierter Ausschuss (weniger Material- und Energieverschwendung) und vermiedene Reklamationskosten (Rückläufer, Nacharbeit, Kundenstrafe). Bei Ausschussquoten von 2–5 % und Teilepreisen ab ca. 3–15 Euro summiert sich das schnell. Die initialen Investitionskosten von 30.000–90.000 Euro sind real — der Vorteil gegenüber vielen anderen Ansätzen ist, dass sich der Business Case vor dem Kauf schließen lässt.

Schnelle Umsetzung — sehr niedrig (1/5) 16 bis 24 Wochen bis zum stabilen Pilotbetrieb — das ist kein Pessimismus, das ist Hardware. Kameras bestellen, Beleuchtung installieren, Fördertechnik anpassen, Kalibrierung durchführen, Trainingsbilder sammeln, Modell trainieren, validieren. Vergleichbar mit anderen physischen Sensorprojekten in der Metallverarbeitung: die physische Sensorinstallation ist der Engpass, nicht die Software.

ROI-Sicherheit — hoch (4/5) Die Ausschussrate ist messbar, die Kosteneinsparung berechenbar. Wer seine aktuelle Ausschussquote kennt und die Teilekosten kennt, kann den Business Case vor dem Kauf schließen. Der ROI ist direkt auf Fehleranzahl × Bauteilkosten zurückführbar — keine indirekten Nutzenversprechen. Eine variable Hürde bleibt: der Systemfähigkeitsnachweis nach VDA 5.3 kann den Go-Live verzögern.

Skalierbarkeit — mittel (3/5) Jede zusätzliche Prüfstation braucht eigene Hardware, eigene Kalibrierung und — wenn es sich um andere Bauteilgeometrien handelt — eigenes Modelltraining. Das ist kein Selbstläufer wie Cloud-Software. Wer mehrere Linien ausstatten will, multipliziert den Aufwand — skalierbar, aber mit proportionalem Kapitaleinsatz.

Richtwerte — stark abhängig von Teilegeometrie, Produktionsvolumen und vorhandener Infrastruktur.

Was das System konkret macht

Der technische Kern ist Computer Vision: Kameras nehmen Bilder der Bauteile auf, ein trainiertes Deep-Learning-Modell analysiert diese Bilder in Millisekunden und klassifiziert Fehler nach vordefinierten Kategorien — Kratzer, Riefe, Delle, Pore, Oxidation, Fremdkörper. Das Ergebnis fließt direkt in das Prüfprotokoll, steuert optional einen Auswerfer und wird mit Bild, Zeitstempel und Bauteil-ID gespeichert.

Was das System erkennt — und was nicht

Ein gut trainiertes Modell erkennt zuverlässig definierte, wiederkehrende Fehlertypen — also Fehler, die ihr vorher im Fehlerkatalog beschrieben und mit Bildbeispielen belegt habt. Es erkennt keine Fehler, die bei der Erstellung des Trainingssets nicht vorkamen. Das klingt banal, ist aber entscheidend: Ein Modell, das auf Kratzer trainiert ist, die in der Fräsbearbeitung entstehen, wird Kratzer aus einem neuen Schleifprozess erst nach Retraining zuverlässig erkennen.

Vier Aufgabentypen sind in der Praxis üblich:

1. Klassifikation: Bauteil als “OK / nicht OK” einordnen — der einfachste Fall, wenn keine Fehlerunterscheidung nötig ist
2. Objekterkennung: Position des Fehlers auf dem Bauteil bestimmen und einrahmen — für Protokolle und Rückverfolgbarkeit
3. Segmentierung: Fehlerfläche exakt einzeichnen — für Größenbestimmung und Klassifizierung nach Norm
4. Anomalieerkennung: Abweichungen von einem “Normal-Zustand” ohne vollständigen Fehlerkatalog — besonders nützlich, wenn neue Fehlertypen unbekannt sind

Die meisten Produktionsanlagen starten mit Klassifikation und ergänzen schrittweise Objekterkennung für die Protokollierung.

Was nach dem Modell-Training wirklich passiert

Ein KI-Modell ist keine fertige Software, die man kauft und in die Anlage schraubt. Es ist ein statistisches Werkzeug, das auf eurem Datensatz trainiert wurde — und das bei Veränderungen der Produktionsbedingungen nachjustiert werden muss. Das Fraunhofer-Projekt mit Erdrich Umformtechnik zeigte: Der erste Schritt war nicht das KI-Modell, sondern die Suche nach der richtigen Kamerakonfiguration — Linse, Beleuchtungswinkel, Beleuchtungsfarbe — um Oberflächenmerkmale überhaupt konsistent abbilden zu können. Ohne stabiles Bild kein stabiles Modell.

Was ihr hardware-seitig braucht — Kamera, Licht, Montage

Das ist die Seite der Oberflächeninspektion, über die Software-Anbieter gerne hinweggehen. Die Wahrheit: 60 Prozent der Projektprobleme entstehen durch falsche oder unstabile Beleuchtung — nicht durch schlechte KI-Modelle.

Kameratypen und Auflösung

Für die meisten Metallbauteil-Prüfungen sind folgende Varianten relevant:

Die Auflösung der Kamera bestimmt, wie kleine Fehler erkannt werden können. Faustregel: Für Fehler ab 0,1 mm Größe auf einem 50 × 50 mm Bauteil braucht ihr mindestens 5 Megapixel — und das bei einer Ausleuchtung, die Reflexionen auf der Metalloberfläche kontrolliert.

Beleuchtung — der entscheidende Faktor

Metallische Oberflächen reflektieren Licht stark und ungleichmäßig. Das richtige Beleuchtungskonzept macht Fehler sichtbar — das falsche versteckt sie oder erzeugt Geisterfehler:

• Dunkelfeldbeleuchtung (flacher Lichteinfallswinkel): Hebt Kratzer und Riefen durch Schattenwurf hervor — ideal für lineare Oberflächenfehler
• Hellfeldbeleuchtung (direktes Auflicht): Für gleichmäßige Flächenprüfung, zeigt Farbunterschiede und Oxidation
• Ringlichtbeleuchtung: Universell, aber bei reflektierenden Metalloberflächen oft zu Reflexionen führend
• Koaxiale Beleuchtung: Für hochglänzende Oberflächen — eliminiert schräge Reflexionen

Die Beleuchtung muss thermisch stabil sein. Wenn die Leuchte nach 30 Minuten Betrieb eine andere Farbtemperatur hat als beim Kaltstart, driftet das Modell in der Bewertung. Das ist einer der häufigsten Gründe für unerklärliche Erkennungseinbrüche, die Praxisteams stundenlang debuggen.

Montage und Gehäuse

• IP-Schutzklasse min. 65 für staubige, ölige Produktionsumgebungen
• Erschütterungsfeste Montage, wenn Pressen oder Fräsmaschinen in der Nähe sind
• Separate Belüftung für die Kamerakammer verhindert Kondensation bei Temperaturwechseln
• Fokus-Drift durch Temperaturwechsel: bei günstigen Kameras nach 4–6 Wochen messbar, kostet Erkennungsqualität

Normkonformität und Prüfprotokoll-Anforderungen

Wer Metallbauteile an Automotive- oder Aerospace-Kunden liefert, braucht mehr als ein funktionierendes Prüfsystem — er braucht ein nachweisbar fähiges Prüfsystem.

Was VDA 5.3 (Dezember 2024) bedeutet

Der neue VDA-Band 5.3 “Eignung von optischen Sensoren und Bildverarbeitungssystemen” (Erstauflage Dezember 2024) schließt eine Lücke, die seit Jahren in der Branche bestand: Er gibt klare Anforderungen vor, wie optische Prüfsysteme — inklusive KI-basierter Bildverarbeitung — auf Eignung nachgewiesen werden müssen. Was das für euch bedeutet:

• Das System muss einen messbaren Systemfähigkeitsindex nachweisen — die statistische Sicherheit, mit der es Fehler erkennt und einordnet
• Kalibrierung ist nicht optional, sondern Pflicht — inkl. Nachweis, dass Umgebungsvariablen (Temperatur, Beleuchtungsalterung) die Erkennungsleistung nicht unkontrolliert verschieben
• Series Release für Zulieferer: Automotive-Kunden (OEM, Tier 1) verlangen vor dem Einsatz des Systems den VDA-5.3-Eignungsnachweis als Bestandteil der Erstmusterprüfung (PPAP/EMPB)

Wer das System einführt, ohne den Eignungsnachweis einzuplanen, riskiert Ablehnung bei der Erstmusterfreigabe — dann steht das System still, bis der Nachweis erbracht ist.

DIN EN ISO 21920 und die Fehlerklassifikation

Seit Dezember 2022 gilt DIN EN ISO 21920 als Nachfolger der alten ISO 1302 für die Beschreibung von Oberflächenbeschaffenheit in technischen Zeichnungen. Das ist für die KI-Implementierung wichtig: Der Fehlerkatalog, den ihr für das Modelltraining erstellt, sollte sich an den in der Zeichnung ausgewiesenen Toleranzklassen orientieren — sonst prüft das System nach einer internen Definition, die nicht mit der Kundenzeichnung übereinstimmt.

Was ein belastbares Prüfprotokoll enthält

• Bauteil-ID (Seriennummer, Fertigungscharge)
• Zeitstempel (Datum, Uhrzeit, Schicht)
• Bild des geprüften Bauteils mit markierten Auffälligkeiten
• Klassifikationsergebnis (OK / NiO + Fehlertyp + Schweregrad)
• Modellversion, mit der die Prüfung durchgeführt wurde (für Audit-Trail)
• Verknüpfung mit dem Fertigungsauftrag (für Rückverfolgbarkeit)

Integration in SAP Digital Manufacturing oder über OPC UA in Siemens-Steuerungen ist möglich und für Unternehmen mit SAP-Qualitätsmanagement der naheliegende Weg.

Konkrete Werkzeuge — was wann passt

Die Werkzeugwahl hängt davon ab, ob ihr primär Flexibilität oder Verlässlichkeit in der Serienproduktion braucht.

Cognex Vision — Der Industriestandard für stabile Serienproduktionen. Cognex-Systeme kombinieren Hardware (Kameras, Beleuchtung) und Software (VisionPro Deep Learning, In-Sight SnAPP) aus einer Hand. Die Kameralinie reicht vom KI-Sensor ab ca. 2.000 Euro bis zu vollständigen PC-basierten Systemen mit 10.000–30.000 Euro. Prüfstation inklusive Integration: 15.000–80.000 Euro. Stärke: jahrzehntelange Referenzbasis in der Automotive-Fertigung, robuste Hardware, VDA-5.3-konforme Dokumentation verfügbar. Einschränkung: hohe Integrations-Abhängigkeit, wenig flexibel bei häufig wechselnden Prüfaufgaben.

KEYENCE Vision — Direkter Wettbewerber zu Cognex mit etwas einsteigerfreundlicherer Einrichtung. Besonderheit: KEYENCE stellt für die Evaluationsphase kostenlos Leihgeräte vor Ort zur Verfügung — ihr könnt das System unter echten Produktionsbedingungen testen, bevor ihr kauft. Vision-Sensoren ab ca. 2.000 Euro, vollständige Prüfsysteme 10.000–80.000 Euro. Für Betriebe ohne eigene Machine-Vision-Experten ist der KEYENCE-Außendienst oft zugänglicher als Cognex-Integratoren.

Landing AI — No-Code-Plattform für schnelle Pilotprojekte ohne eigene Hardware-Investition. Modelle trainieren mit eigenen Bildern, direkt im Browser testen, als Edge-App oder API bereitstellen. Preise ab kostenlos bis 250 USD/Monat für Teams. Stärke: ideal für Proof-of-Concept und interne Überzeugungsarbeit, bevor das Budget für Cognex oder KEYENCE freigegeben wird. Einschränkung: Daten auf US-Servern (DSGVO prüfen), keine SPS-Integration, kein industrieller Zertifizierungs-Support.

Roboflow — Spezialisiert auf Datenvorbereitung und Modelltraining. Wenn ihr bereits Bilder habt und ein Bildverarbeitungs-Team mit etwas technischem Hintergrund, ist Roboflow für Annotation, Augmentation und den ersten Trainingsschritt sehr effizient. 20–100 USD/Monat. Einschränkung: US-Hosting, kein direktes Industrieprüfsystem — ihr braucht einen Deployment-Stack obendrauf.

Azure Machine Learning — Für Unternehmen, die volle Kontrolle über ML-Pipelines, EU-Datenhosting und Integration in Azure-Infrastruktur brauchen. Besonders relevant, wenn Produktionsbilder als vertraulich gelten oder wenn ihr Custom-Modelle in eigene OT-Systeme integrieren wollt. Erfordert eigene ML-Kompetenz oder externen Dienstleister.

Wann welcher Ansatz

• Stable Serienproduktion, Automotive-Anforderungen, volle Integration → Cognex Vision oder KEYENCE Vision
• Pilotprojekt ohne Hardware-Investition, Proof-of-Concept → Landing AI
• Modellbau mit eigenem Bildmaterial, technisches Team vorhanden → Roboflow
• EU-Hosting, Custom Pipeline, Azure-Infrastruktur → Azure Machine Learning

Datenschutz und Datenhaltung

Produktionsbilder von Metallbauteilen sind keine personenbezogenen Daten im klassischen Sinn — aber sie können Fertigungsgeheimnisse enthalten: Bauteilgeometrien, Fehlerprofile, Produktionskennzahlen. Das ist ein Geheimhaltungsthema, kein DSGVO-Problem.

Wichtige Eckpunkte:

• Cognex und KEYENCE verarbeiten standardmäßig lokal — Bilddaten verlassen die Anlage nicht automatisch. Cloud-Features (Modell-Collaboration, Remote-Support) können aktiviert werden, sollten aber explizit konfiguriert und im Netzwerk dokumentiert sein.
• Landing AI und Roboflow hosten Modelle und Trainingsbilder auf US-Servern. Für Trainingsdaten aus der Produktion, die Rückschlüsse auf Fertigungsverfahren ermöglichen, empfiehlt sich vor dem Produktionseinsatz eine Geheimhaltungsprüfung mit dem Rechts- oder Patentverantwortlichen — nicht der Datenschutzbeauftragte, sondern IP-Recht ist hier die relevante Perspektive.
• Azure Machine Learning bietet EU-Regionen (Frankfurt, Amsterdam) und AVV-konforme Infrastruktur — für Unternehmen, die Produktionsdaten in der Cloud halten wollen, ohne US-Jurisdiction.
• Siemens Industrial Edge ermöglicht vollständig lokale Bildverarbeitung und Modelldeployment direkt am Shopfloor ohne Cloud-Anbindung — ideal für sicherheitskritische Produktionsbereiche.
• OPC UA-Schnittstellen für Prüfergebnisse: Bei der Weitergabe von Prüfdaten an ERP oder MES sollte dokumentiert sein, welche Systeme die Daten empfangen und wie lange sie gespeichert werden — das ist relevant für Audit-Trails nach IATF 16949.

Eine AVV ist für cloudbasierte Systeme Pflicht gemäß Art. 28 DSGVO — auch wenn keine Personendaten verarbeitet werden, sobald betriebliche Daten an einen Verarbeiter übermittelt werden. Alle genannten Anbieter stellen AVV-Vorlagen bereit.

Was es kostet — realistisch gerechnet

Einmalige Investitionskosten

Eine typische Inline-Prüfstation für gestanzte oder zerspante Metallbauteile kostet:

Diese Zahlen stammen aus der deutschen Integrator-Szene (u.a. Quintina, Pexon Consulting, 2024) und decken sich mit dem, was im Fraunhofer-Projekt bei Erdrich dokumentiert wurde: Das “Finden der robusten Kamerakonfiguration” war der erste aufwändige Schritt, nicht das KI-Modell.

Laufende Kosten (monatlich)

• Software-Wartung / Lizenz-Abo: 200–800 € je nach Anbieter
• Modellpflege (Retraining bei neuen Fehlertypen, Materialgradwechseln): 1–3 Tage Aufwand pro Quartal
• Kalibrierung und Beleuchtungswartung: 1×/Jahr, ~500–2.000 € Dienstleistung

Wie du den ROI berechnest

Der Business Case entsteht aus zwei Quellen:

Ausschussreduktion: Wie viele Prozent der Teile werden heute als NiO aussortiert? Wie viele davon waren eigentlich in Ordnung (False Positive bei manueller Prüfung), wie viele wurden nicht erkannt? Wenn ihr bei 3 % Ausschussquote und 5-Euro-Teilen täglich 500 Teile produziert, macht das 75 Euro Ausschusskosten täglich — 19.500 Euro im Jahr. Eine Erkennungsratenverbesserung von 80 % auf 99 % rettet von den täglich 15 tatsächlich fehlerhaften Teilen rund 3 Teile vor dem Durchschlupf zum Kunden — und verhindert gleichzeitig, dass einwandfreie Teile durch menschlichen Prüfbias fälschlicherweise aussortiert werden.

Reklamationsvermeidung: Ein einzelner Rückläufer-Vorfall kostet in der Automotive-Lieferkette erfahrungsgemäß 1.500–15.000 Euro (Nacharbeit, Sondertransport, Auditgebühren, Kundenstrafe). Zwei vermiedene Reklamationen pro Jahr amortisieren häufig schon ein Viertel der Investition.

Laut einer Analyse von Pexon Consulting (2024) liegen Amortisationszeiten bei typischen KMU-Installationen mit 2–5 % Ausschussquote bei 8–15 Monaten — das deckt sich mit internationalen Benchmarks, die ROI-Zeiträume von 8–14 Monaten bei Stahl- und Metallverarbeitern dokumentieren (ifactoryapp.com, 2024).

Typische Einstiegsfehler

1. Kein robustes Beleuchtungskonzept vor dem Modelltraining. Das häufigste und teuerste Problem. Wer ein Modell unter guten Laborbedingungen trainiert und es dann in der Produktionshalle einsetzt, wo Tageslicht variiert, Ölnebel die Kameralinse beeinflusst und die Ringleuchte nach 6 Wochen eine andere Farbtemperatur hat, bekommt ein Modell, das immer schlechter wird — und nicht weiß warum. Lösung: Zuerst vier Wochen lang Bilder unter realen Bedingungen sammeln, verschiedene Beleuchtungskonzepte ausprobieren und erst danach mit dem Modelltraining beginnen. Wenn die Bilder inkonsistent sind, wird das Modell inkonsistent.

2. Zu wenige und zu einseitige Trainingsbilder. 50 Bilder einwandfreier Teile und 20 Bilder mit Kratzern reichen für eine Labordemonstration, nicht für eine Produktionsanlage. In der Praxis braucht ihr pro Fehlerklasse 300–500 Bilder unter verschiedenen Lichtverhältnissen, Kamerawinkeln und Materialchargen. Besonders kritisch: Grenzfälle — Kratzer, die “noch OK” sind, versus solche, die “gerade nicht mehr OK” sind. Wer diese Grenzzone nicht abbildet, bekommt ein Modell, das die meisten eindeutigen Fehler erkennt, aber genau dort versagt, wo die Prüfer bisher auch unsicher waren.

3. Kein Konzept für Modellpflege bei Prozessänderungen. Das ist der stille Fehler. Ein funktionierendes Modell gibt nach drei Monaten nach — weil ein neuer Stahllieferant eine leicht andere Oberflächenrauheit hat, weil eine Maschine überholt wurde und jetzt anders schneidet, weil die Beleuchtung ausgetauscht wurde. Das Modell kann diese Veränderung nicht selbst kommunizieren. Es liefert weiter Ergebnisse — aber die Erkennungsrate sinkt still. Lösung: Monatliche Stichprobe aus 50 Teilen, die parallel manuell geprüft wird. Wenn die Übereinstimmungsrate unter 95 % fällt, ist Retraining fällig. Diese Kontrollroutine muss von Anfang an eingeplant sein.

4. Systemfähigkeitsnachweis nach VDA 5.3 als “man macht man das dann schon” behandeln. Automotive-Kunden verlangen den Systemfähigkeitsnachweis vor der Serienfreigabe — nicht danach. Wer das System einsetzt, ohne den Nachweis erbracht zu haben, riskiert einen Stopp bei der Erstmusterprüfung. Dieser Nachweis dauert mehrere Wochen und kostet Zeit, die nicht in der Projektplanung steht, wenn man es vergessen hat.

Was mit der Einführung wirklich passiert — und was nicht

Das Schwierigste an diesem Projekt ist nicht das KI-Modell. Es ist der Übergang.

Die erfahrenen Prüfer. In jedem Betrieb gibt es Miriams — Menschen, die die Teile kennen, die Fehler kennen, die intuitiv wissen, “da stimmt was nicht, auch wenn ich es noch nicht klar benennen kann.” Diese erfahrene Urteilsfähigkeit ist wertvoll und oft das Beste, was ihr für das Trainingsdatenset nutzen könnt. Wenn diese Menschen das Gefühl haben, das System ersetzt sie, anstatt sie zu entlasten, verweigern sie die Kooperation bei der Bildsammlung, beim Labeling, bei der Modellvalidierung — und das sind die wichtigsten Beiträge, die sie leisten können. Lösung: Sie zu Lead-Qualifizierer für das Trainingsset machen, nicht zu Beobachtern. Wer die Grenzfälle definiert, ist Experte — nicht ersetzbar.

Die IT-Abteilung und OT-Verantwortlichen. Sobald ein Prüfsystem mit Netzwerk verbunden ist, ist IT involviert. Netzwerksegmentierung, Zugriffsprotokolle, Fernwartungsregelungen, Software-Updates auf Produktions-PCs — das sind Themen, die Qualitätsleitung und IT miteinander klären müssen, bevor die erste Kamera montiert wird. Wer damit erst beim Go-Live anfängt, hat sechs Wochen Verzögerung.

Was konkret hilft:

• Erfahrene Prüfer früh einbinden: Sie definieren den Fehlerkatalog und labeln die Grenzfälle
• Beleuchtungstest über zwei Produktionswochen vor dem Kamera-Kauf: Lichtverhältnisse unter echten Bedingungen dokumentieren
• IT-Security-Gespräch in Woche 1, nicht in Woche 12
• Parallelbetrieb (KI + manuell) für 4–8 Wochen nach dem Launch: So habt ihr eine Datenbasis für den Systemfähigkeitsnachweis und könnt Modell-Schwächen früh erkennen
• Ersten Retraining-Termin schon im Projektplan vermerken: 3 Monate nach Go-Live

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Unsere Teile sind zu komplex für eine Kamera.” Ja und nein. Komplexe 3D-Geometrien sind herausfordernder als flache Stanzteile — aber kein grundsätzliches Ausschlusskriterium. Die Frage ist, welche Oberflächen prüfungsrelevant sind und ob ihr die Teile reproduzierbar positionieren könnt. Wenn ihr heute manuell prüft, habt ihr zumindest eine Sichtlinie auf die relevante Oberfläche — die Kamera kann dieselbe einnehmen. 3D-Profilsensoren prüfen inzwischen auch Konturen und Tiefenmerkmale mit hoher Zuverlässigkeit. Der sinnvolle erste Schritt: KEYENCE-Leihgerät für zwei Wochen bestellen und tatsächliche Teile testen.

“Wir haben nicht genug Fehlerbilder.” Das ist bei Neueinführung meistens wahr — und kein Ausschlusskriterium, sondern ein Planungspunkt. Lösungen: Erstens, absichtliche Defektproben erstellen (kontrolliert verkratzen, eindrücken) — nicht ideal, aber ein Startpunkt. Zweitens, mit einem Pilotlauf über 4–8 Wochen Bilder aus der Produktion sammeln, bevor mit dem Modelltraining begonnen wird. Drittens, Anomalieerkennung statt klassischer Fehlerkatalog-Erkennung einsetzen — dann braucht ihr nur viele OK-Teile, keine Fehlerbilder.

“Das lohnt sich nur für große Volumen.” Stimmt — mit einer Einschränkung. Wenn ihr Teile mit hohem Stückpreis (über 15–30 Euro) produziert, ist die Amortisationsrechnung schon bei mittlerem Volumen positiv. Entscheidend ist nicht die absolute Stückzahl, sondern das Produkt aus Stückzahl, Fehlerrate und Bauteilwert. Für Kleinserien mit Losgröße 50–200 und variablen Geometrien ist Einzelprüfung durch erfahrene Prüfer heute noch schwerer zu schlagen — aber das Fenster schließt sich mit steigenden Personalkosten.

Woran du merkst, dass das zu dir passt

• Ihr prüft dasselbe Bauteil (oder dieselbe Familie ähnlicher Bauteile) im Volumen von über 200 Stück je Schicht — erst dann trägt die Systemamortisation
• Eure Fehlerquote ist messbar: Ihr wisst, wie viel Ausschuss ihr habt — auch wenn die Zahl höher ist, als ihr zugeben wollt
• Automotive-, Aerospace- oder Medizintechnik-Kunden verlangen Prüfprotokolle oder bereiten euch gerade schon Kopfschmerzen damit
• Ihr habt Schicht-zu-Schicht-Inkonsistenz: Montagsprüfung und Freitagsprüfung liefern bei gleichen Teilen unterschiedliche Ergebnisse
• Ein guter Prüfer droht in Rente zu gehen — und sein Wissen sitzt in seinen Augen, nicht in einem Fehlerkatalog

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter ca. 200 gleichartigen Bauteilen pro Schicht und Prüfpunkt. Das System amortisiert sich bei zu kleinem Volumen nicht. Für Kleinserienfertigungen mit hoher Teilevielfalt und Losgröße 50–200 ist ein erfahrener Prüfer heute noch wirtschaftlicher — das Modell kann nicht wissen, was “Normal” ist, wenn es das Bauteil selten sieht.

2. Kein dokumentierter Fehlerkatalog und keine archivierten Fehlerbilder. Ein KI-Modell lernt von Beispielen. Wenn ihr nicht wissen könnt, was ihr als Fehler definiert — weil die Grenzwerte bislang im Kopf des leitenden Prüfers stecken und nicht aufgeschrieben sind — dann muss dieser Schritt vor der KI-Einführung kommen. Die Systematisierung des Fehlerkatalogs ist der eigentliche Wert; die KI danach ist fast der einfachere Teil.

3. Kein Budget oder keine Kapazität für Modellpflege nach Go-Live. Ein Modell, das eingeführt und nicht gepflegt wird, degradiert still. Nach 6–12 Monaten ohne Retraining bei Materialwechseln, Maschinenänderungen oder neuen Fehlertypen liefert das System weiter Ergebnisse — aber die Erkennungsrate ist längst nicht mehr das, was sie bei der Freigabe war. Ohne eine Person, die monatlich 1–2 Stunden für Qualitätskontrolle des Modells investiert, ist das System nach zwei Jahren ein Risiko, kein Asset.

Das kannst du heute noch tun

Der schnellste erste Schritt kostet nichts und dauert einen Nachmittag: Dokumentiert euren Fehlerkatalog. Öffnet eine leere Tabelle, schreibt alle Fehlertypen auf, die ihr heute manuell bewertet, und definiert für jeden Fehlertyp die Grenzwerte — welcher Kratzer ist noch OK, welcher nicht. Macht dabei zwei Spalten: “eindeutig fehlerhaft” und “Grenzfall”. Die Grenzfall-Liste wird euer wertvollstes Asset, wenn ihr später Trainingsbilder sammelt.

Wenn ihr danach einen schnellen technischen Test wollt: Landing AI bietet einen kostenlosen Einstieg — ihr könnt erste Bilder hochladen, labeln und ein erstes Modell trainieren, ohne Hardware-Investition. Das zeigt euch in einem Tag, ob das Konzept für eure Teile grundsätzlich funktioniert.

Für die systematische Automatisierung der visuellen Prüfdokumentation aus eurem vorhandenen System — heute noch, ohne Investition:

Quellen & Methodik

• C. Jentner GmbH — Green-AI Hub Praxisbeispiel 2023: green-ai-hub.de/aktuelles/ki-praxisbeispiele/2023/praxisbeispiel-jentner — 40-Mitarbeiter-Betrieb für galvanische Beschichtungen, KI-gestützte Sichtkontrolle zur Erkennung kleinster Materialfehler auf Werkstückoberflächen für Medizintechnik und Luft- und Raumfahrt. Ergebnis: weniger Ausschuss, weniger Materialverbrauch.
• Erdrich Umformtechnik / Fraunhofer KI-Fortschrittszentrum: ki-fortschrittszentrum.de — Oberflächeninspektion von umformtechnisch hergestellten Bauteilen für die Automobilindustrie. Dokumentierter Befund: robuste Kamerakonfiguration als erster kritischer Schritt vor dem Modelleinsatz.
• Kosten KI-Kamerasysteme KMU (2024): quintina.eu/ki-kamerapruefsysteme — Einstiegslösungen 30.000–90.000 € inklusive Integration; Amortisation 6–12 Monate bei typischen Ausschussquoten.
• ROI-Benchmarks Stahlfertigung: ifactoryapp.com — AI Vision in Steel Surface Defect Detection (2024): ROI nach durchschnittlich 14 Monaten, manche Anlagen nach 8–10 Monaten, typische Ausschussreduktion 37 %.
• VDA-Band 5.3 (Dezember 2024): vda-qmc.de — “Eignung von optischen Sensoren und Bildverarbeitungssystemen” — Erstauflage, setzt Anforderungen an Systemfähigkeitsnachweis für optische Prüfsysteme in der Automobillieferkette.
• DIN EN ISO 21920 (Dezember 2022): Nachfolger der ISO 1302 für Oberflächenbeschaffenheit in technischen Zeichnungen — relevant für Fehlerklassifikation nach Zeichnungstoleranz.
• Prüfer-Bias / Erkennungsraten: DGQ (Deutsche Gesellschaft für Qualität), Schulungsunterlagen zur Sichtkontrolle — dokumentierter Bias bei manueller Prüfung; internationale Literatur (PMC10909228): AI-Systeme erreichen unter stabilen Bedingungen über 99 % Erkennungsrate gegenüber 75–85 % manuell.
• Cognex, KEYENCE, Landing AI, Roboflow, Azure ML: Preise und Features aus Anbieterdokumentation (Stand April 2026), verifiziert in ki-syndikat.de-Tooldatenbank.

Du willst wissen, ob euer Teile-Volumen und eure Fehlerquote einen Business Case tragen — und welches System zur eurer Fertigungsumgebung passt? Meld dich — das rechnen wir gemeinsam durch.