Deep Learning in der industriellen Bildverarbeitung
Wenn regelbasierte Bildverarbeitung an ihre Grenzen kommt.
Deep Learning ist längst Teil des Alltags: Gesichts- und Spracherkennung, autonomes Fahren, medizinische Diagnostik. In der Produktion löst die Technologie Prüfaufgaben, die sich mit festen Regeln nicht zuverlässig beschreiben lassen - etwa die Unterscheidung zwischen einem tolerierbaren Schönheitsfehler und einem echten Defekt.
Diese Seite erklärt, was Deep Learning in der Bildverarbeitung tatsächlich leistet, wo klassische Verfahren weiterhin die bessere Wahl sind und welche Komponenten Sie für einen Einstieg brauchen.
Was Deep Learning ist
Deep Learning ist ein Teilgebiet der Künstlichen Intelligenz. Grundlage sind künstliche neuronale Netze, die anhand vieler Beispielbilder lernen, Muster zu erkennen und zu klassifizieren. Statt Prüfregeln von Hand zu programmieren, zeigt man dem System Gutteile und Schlechtteile - es leitet die Unterscheidungsmerkmale selbst ab.
Wie beim menschlichen Lernen zählt der Erfahrungsschatz: Je mehr repräsentative Beispiele das Netz gesehen hat, desto sicherer erkennt es auch Varianten, die in keiner Regel vorgesehen waren.
Regelbasiert oder gelernt: wo der Unterschied liegt
Klassische Bildverarbeitung arbeitet mit programmierten Regeln: Kanten finden, Abstände messen, Grauwerte vergleichen. Das ist schnell, nachvollziehbar und für alle Aufgaben ideal, die sich exakt beschreiben lassen - Maße, Positionen, Anwesenheit, Codes.
An ihre Grenzen kommt sie, wenn Fehlerbilder stark variieren, Oberflächen und Beleuchtung schwanken oder natürliche Streuung von echten Abweichungen getrennt werden muss. Genau hier ist Deep Learning stark: Es bewertet das Gesamtbild, verkraftet Varianz und verbessert sich mit jedem neuen Beispiel, ohne dass der Kernalgorithmus umprogrammiert wird.
Vorteile von Deep Learning auf einen Blick
- Automatische Merkmalsextraktion: relevante Merkmale kommen aus den Bildern, nicht aus handgeschriebenen Regeln.
- Robust gegen Varianz: Farbschwankungen, Oberflächenstruktur, leichte Verformungen und Lageabweichungen stören weniger.
- Klassifikation von Fehlerbildern: Kratzer, Einschlüsse, Verunreinigungen und Formfehler lassen sich unterscheiden und zählen.
- OCR bei schwieriger Beschriftung: geprägte, verzerrte oder schlecht kontrastierte Schriftzeichen werden zuverlässiger gelesen.
- Kürzere Einrichtzeit bei komplexen Prüfungen: Beispiele sammeln statt Regelwerke ausformulieren.
- Laufende Verbesserung: neue Beispiele erweitern das Modell, die Anlage lernt mit.
Typische Anwendungen
- Oberflächen- und Fehlerprüfung an Guss, Kunststoff, Holz, Textil und lackierten Teilen
- Vollständigkeits- und Montagekontrolle bei hoher Teilevarianz
- Klassifikation und Sortierung von Naturprodukten, Lebensmitteln und Schüttgut
- OCR/OCV auf Verpackungen, Etiketten, Gussteilen und Typenschildern
- Anwesenheits- und Lageprüfung bei wechselnden Produkten ohne Umprogrammierung
- Unterscheidung von tolerierbaren Erscheinungsfehlern und funktionalen Defekten
Wann klassische Bildverarbeitung die bessere Wahl bleibt
Deep Learning ist kein Ersatz für gute Optik und Beleuchtung, und nicht jede Aufgabe braucht ein neuronales Netz. Regelbasierte Verfahren sind vorzuziehen, wenn:
- die Prüfung messbar ist - Maße, Toleranzen, Positionen, Abstände;
- Codes oder Klarschrift unter kontrollierten Bedingungen gelesen werden;
- nur wenige Beispielbilder von Fehlern existieren;
- jede Entscheidung bis ins Detail nachvollziehbar sein muss;
- Taktzeit und Rechenleistung knapp sind und die Aufgabe ohne KI stabil läuft.
In der Praxis kombinieren viele Anlagen beides: klassische Werkzeuge für Lage und Maß, Deep Learning für die Bewertung von Oberfläche und Erscheinungsbild.
Welche Komponenten Sie brauchen
Am einfachsten ist der Einstieg mit Smart-Kameras, die Deep-Learning-Werkzeuge bereits an Bord haben: Kamera, Beleuchtung, Auswertung und Schnittstellen zur Steuerung in einem Gehäuse, trainiert über Beispielbilder am PC.
Passende Geräte finden Sie unter Smart-Kameras mit KI-Werkzeugen - filterbar nach KI-Stufe, Auflösung und Schnittstelle.
Für Aufgaben jenseits einer Smart-Kamera - mehrere Kameras, hohe Auflösungen, eigene Modelle - kommen Industriekameras mit PC-basierter Auswertung zum Einsatz. Die Bildqualität entscheidet auch hier: Ein gut ausgeleuchtetes, scharfes Bild braucht ein kleineres Modell und weniger Beispiele.
Wenn Standardsoftware nicht zur Aufgabe passt, entwickeln wir die Auswertung - siehe Software- & KI-Entwicklung.
Wie wir vorgehen
1. Aufgabe verstehen
Was soll erkannt werden, wie oft, mit welcher Sicherheit? Welche Fehlerbilder gibt es, und wie häufig sind sie?
2. Bildaufnahme festlegen
Kamera, Optik und Beleuchtung so wählen, dass das Merkmal stabil sichtbar ist - die halbe Miete für jedes Modell.
3. Beispiele sammeln und trainieren
Gut- und Schlechtteile aufnehmen, Modell trainieren, an zurückgehaltenen Bildern prüfen.
4. Integrieren und absichern
Anbindung an SPS oder Leitsystem, Grenzwerte, Freigabe - und ein Plan, wie neue Varianten ins Modell kommen.
Die Daten entscheiden
Ein Deep-Learning-Modell ist nur so gut wie seine Beispiele. Wer schon vor dem Projekt Bilder von Gut- und Schlechtteilen unter Produktionsbedingungen sammelt, spart später Wochen.
Wir helfen bei der Bildaufnahme, bewerten die Machbarkeit an Ihren Teilen und sagen offen, wenn ein klassisches Verfahren die Aufgabe einfacher löst.
Prüfaufgabe mit Deep Learning?
Schicken Sie uns Gutteile, Schlechtteile oder Beispielbilder - wir grenzen ein, ob und wie sich die Aufgabe lösen lässt.
Machbarkeitsanalyse anfragen