Die industrielle Bildverarbeitung hat sich in den vergangenen Jahren von einem spezialisierten Prüfwerkzeug zu einer zentralen Technologie der automatisierten Produktion entwickelt. Künstliche Intelligenz nimmt auch in diesem Feld eine immer wichtigere Rolle ein.
In der automatisierten Produktion sind industrielle Bildverarbeitungssysteme heute allgegenwärtig. Sorgfältig aufeinander abgestimmte Vision-Lösungen, bestehend aus einer oder mehreren Kameras, Beleuchtung, Optiken und Bildverarbeitungs-Software, übernehmen heute Aufgaben, die früher manuell durchgeführt wurden oder nur mit erheblichem Aufwand automatisierbar waren.
Mit dem Aufkommen leistungsfähiger Verfahren der Künstlichen Intelligenz (KI) verändert sich die industrielle Bildverarbeitung nun erneut grundlegend. Insbesondere Deep-Learning-Verfahren eröffnen Möglichkeiten, die mit klassischen regelbasierten Algorithmen nur schwer oder gar nicht realisierbar sind. Dabei ersetzt KI die klassische Bildverarbeitung keineswegs. Vielmehr erweitert sie deren Einsatzmöglichkeiten und schafft neue Ansätze für die Lösung komplexer Prüf- und Inspektionsaufgaben.
KI macht anspruchsvolle Prüfungen automatisierbar
Ein wesentlicher Vorteil von KI-Systemen liegt in ihrer Fähigkeit, komplexe und variantenreiche Merkmale zu verarbeiten. Ändern sich beim Einsatz klassischer Inspektionssysteme Merkmale wie Form, Größe, Position und Farbe eines Bauteils oder treten neue Varianten auf, müssen die Regeln für diese Anwendung entsprechend angepasst werden.
Ein trainiertes KI-Modell kann hingegen lernen, welche visuellen Eigenschaften für die jeweilige Prüfentscheidung relevant sind. Das ist insbesondere bei Anwendungen interessant, bei denen Defekte nicht immer gleich aussehen. Kratzer, Verschmutzungen, Materialfehler oder Beschädigungen variieren hinsichtlich ihrer Form, Größe und Kontrast in der Regel erheblich. Damit wird die Technologie auch für Aufgaben interessant, die bislang als zu komplex für eine zuverlässige automatisierte Inspektion galten.
Daten als entscheidender Faktor
Mit den Vorteilen von KI-basierten Systemen steigen allerdings auch die Anforderungen an die Datenbasis. Ein neuronales Netz ist nur so gut wie die Daten, mit denen es trainiert wurde. Für industrielle Anwendungen bedeutet dies, dass repräsentative Bilddaten unter möglichst realistischen Produktionsbedingungen erfasst werden müssen.
Dabei genügt es nicht, lediglich eine große Zahl von Bildern zu sammeln und anzulernen: Die Trainingsdaten müssen die tatsächlich auftretenden Varianten und Fehlerbilder abdecken. Gleichzeitig ist eine sorgfältige Kennzeichnung der Trainingsdaten erforderlich, die meist noch manuell durchgeführt werden muss. Je nach Anwendung kann dies bedeuten, Bilder als „Gut“ oder „Schlecht“ zu klassifizieren oder Fehlerbereiche pixelgenau zu markieren.
Eine Herausforderung besteht zudem darin, dass seltene Fehler naturgemäß nur in geringer Zahl vorliegen. Gerade diese Fehler können für die Qualitätssicherung jedoch besonders relevant sein. Verfahren wie synthetische Datengenerierung, Datenaugmentation oder spezielle Anomalieerkennung können hier helfen, seltene Fehler in den Trainingsdaten besser abzubilden.
KI und klassische Bildverarbeitung ergänzen sich
Aufgrund ihrer unterschiedlichen Stärken werden klassische Bildverarbeitungsverfahren und KI-Ansätze häufig nicht isoliert, sondern in Kombination eingesetzt. Ein sinnvoller Ansatz kann beispielsweise darin bestehen, relevante Prüfobjekte zunächst mit konventionellen Algorithmen zu lokalisieren und anschließend nur einen definierten Bildbereich zur weiteren Analyse an ein KI-Modell übergeben.
Derartige Kombinationen aus klassischer und KI-basierter Bildverarbeitung ermöglichen es, die jeweiligen Stärken auszunutzen. Klassische Algorithmen sind bei eindeutig definierbaren geometrischen Prüfungen schnell und deterministisch, während KI ihre Vorteile bei variablen und schwer formal beschreibbaren Merkmalen ausspielen kann.
Edge AI bringt KI direkt an die Maschine
Eine weitere Entwicklung ist die zunehmende Verlagerung der KI-Verarbeitung auf Edge-Geräte. Leistungsfähige Embedded-Systeme, Industrie-PCs und spezialisierte KI-Beschleuniger ermöglichen es, neuronale Netze direkt in der Produktionsanlage auszuführen.
Das hat mehrere Vorteile: Bilddaten müssen nicht zwingend an einen zentralen Server oder in eine Cloud übertragen werden. Dadurch lassen sich Latenzzeiten reduzieren und sensible Produktionsdaten lokal verarbeiten. Gleichzeitig kann eine solche Architektur die Integration in bestehende Automatisierungssysteme vereinfachen.
Für Echtzeitanwendungen ist dies besonders relevant. Wenn eine Prüfentscheidung innerhalb weniger Millisekunden getroffen und unmittelbar an eine SPS oder einen Roboter weitergegeben werden muss, ist eine lokale Verarbeitung häufig die bessere Lösung.
KI verändert die Entwicklung von Vision-Systemen
Neben der eigentlichen Bildanalyse verändert KI zunehmend die Entwicklung und Bedienung von Bildverarbeitungssystemen. Moderne Software unterstützt Anwender beispielsweise bei der Auswahl geeigneter Modelle, bei der Erstellung von Trainingsdatensätzen oder bei der Optimierung von Parametern.
Damit sinkt die Einstiegshürde für Anwendungen, die bislang umfangreiche Kenntnisse in der klassischen Bildverarbeitung oder im Machine Learning erforderten. Technisches Verständnis und Prozesswissen bleiben dennoch unverzichtbar, denn die Frage, welche Bilder aufgenommen werden müssen, welche Fehler relevant sind und welche Toleranzen gelten, lässt sich nicht allein durch einen KI-Algorithmus beantworten.
Die grundlegende Konzeption eines Vision-Systems bleibt dabei auch bei zunehmendem KI-Einsatz ein wichtiger Faktor. Eine geeignete Kombination aus Kamera, Beleuchtung und präziser Optik sowie eine stabile mechanische Anordnung sind weiterhin entscheidend für die Aufnahmequalität der Bildinformationen. KI kann schlechte Bildqualität nicht grundsätzlich kompensieren, im Gegenteil: Je besser und konsistenter die Eingangsdaten sind, desto zuverlässiger kann das Modell arbeiten.
Fazit: KI ist ein Werkzeug, kein Selbstzweck
Fraglos hat Künstliche Intelligenz die Entwicklung und den Einsatz industrieller Bildverarbeitungssysteme bereits heute stark verändert und wird dieses Feld weiterhin nachhaltig prägen. Diese Technologie ermöglicht die Automatisierung komplexer Prüfaufgaben, verbessert die Erkennung variabler Fehlerbilder und erschließt Anwendungen, bei denen klassische Verfahren an ihre Grenzen stoßen.
Der entscheidende Faktor ist jedoch nicht allein das KI-Modell. Erfolgreiche industrielle Lösungen benötigen ein abgestimmtes Gesamtsystem aus Kamera, Optik, Beleuchtung, Datenverarbeitung, Software, Trainingsdaten und Prozesswissen.
Entwickler zukünftiger Bildverarbeitungssysteme werden sich deshalb vermutlich nicht zwischen „klassisch oder KI“ entscheiden müssen. Eine gezielte Kombination beider Ansätze kann robuste, leistungsfähige und flexible Inspektionssysteme schaffen – und damit einen wichtigen Beitrag zu einer zunehmend automatisierten, wirtschaftlichen Produktion leisten.
Peter Stiefenhöfer
Peter Stiefenhöfer ist auf PR- und Marketingunterstützung für Unternehmen aus Bildverarbeitung und Automatisierung spezialisiert. Er bringt langjährige Erfahrung als Redakteur und Marketingleiter, einen technischen Hintergrund in Fertigungstechnik sowie exzellente Kontakte zu relevanten Fachredaktionen im In- und Ausland ein und verbindet so Technikverständnis mit wirkungsvoller Kommunikation.
