KI in der Qualitätskontrolle: Bilderkennung und Fehlererkennung in der Produktion

Ein Automobilzulieferer in Mittelfranken produziert Dichtungsringe für Bremsanlagen. 200.000 Stück pro Woche. Jeder einzelne muss fehlerfrei sein, denn ein defekter Dichtungsring kann zu einem Bremsversagen führen. Bisher prüft ein Team aus vier Mitarbeitern im Dreischichtbetrieb visuell Stichproben. Sie erwischen etwa 92 % der Fehler. 8 % rutschen durch. Das sind 16.000 potenziell fehlerhafte Teile pro Woche.

Seit Januar 2026 läuft parallel ein KI-System mit drei Industriekameras. Es prüft jedes einzelne Teil in Echtzeit. Die Erkennungsrate liegt bei 99,7 %. Statt 16.000 potenziell fehlerhafter Teile gelangen jetzt weniger als 600 in den Versand. Die Reklamationskosten sind um 84 % gesunken.

Das ist keine Ausnahme. In der produzierenden Industrie gehört KI-gestützte Qualitätskontrolle zu den Anwendungsfällen mit dem schnellsten Return on Investment. Dieser Artikel zeigt dir, welche Technologien dahinterstecken, welche Hardware und Software du brauchst, und wie du den wirtschaftlichen Nutzen für dein Unternehmen berechnest.

Das Wichtigste in Kürze

• Computer Vision erkennt Produktionsfehler schneller und zuverlässiger als das menschliche Auge. Typische Erkennungsraten liegen bei 99 bis 99,8 %, verglichen mit 85 bis 95 % bei manueller Sichtkontrolle.
• Drei Hauptanwendungen dominieren: Oberflächeninspektion (Kratzer, Risse, Verfärbungen), Maßhaltigkeitsprüfung (Abmessungen, Toleranzen) und Anomalieerkennung (unbekannte Fehlertypen).
• Predictive Quality geht einen Schritt weiter. Statt Fehler nur zu erkennen, sagt die KI voraus, wann ein Prozess aus dem Ruder läuft, bevor Ausschuss entsteht.
• Die Ausschussrate sinkt typischerweise um 50 bis 80 %, die Reklamationskosten um 40 bis 70 %.
• Hardware kostet zwischen 5.000 und 50.000 EUR pro Prüfstation, Software zwischen 500 und 5.000 EUR pro Monat.
• Open-Source-Alternativen existieren. Wer internes Know-how aufbaut, kann mit OpenCV, YOLO und Python eigene Systeme entwickeln.
• Fachkräfte für die Implementierung sind gefragt. Die Weiterbildung zum Digitalisierungsmanager vermittelt die nötigen Kompetenzen für KI-Projekte in der Produktion.

Computer Vision für die Qualitätsprüfung

Computer Vision ist der Oberbegriff für KI-Systeme, die Bilder und Videos analysieren. In der Qualitätskontrolle nimmt eine Kamera ein Bild des Werkstücks auf, und ein trainiertes neuronales Netz bewertet innerhalb von Millisekunden, ob das Teil fehlerfrei ist oder nicht.

Wie funktioniert die Bilderkennung?

Der Prozess läuft in vier Schritten ab:

Schritt 1: Bildaufnahme. Eine oder mehrere Industriekameras fotografieren das Werkstück unter kontrollierten Lichtbedingungen. Je nach Anwendung kommen Flächenkameras (für Einzelbilder), Zeilenkameras (für kontinuierliche Oberflächen) oder 3D-Kameras (für Maßhaltigkeitsprüfungen) zum Einsatz.

Schritt 2: Vorverarbeitung. Das Bild wird normalisiert: Kontrast, Helligkeit und Ausschnitt werden angepasst. Störungen wie Reflexionen oder Schatten werden herausgefiltert. Dieser Schritt ist entscheidend für die Genauigkeit der Erkennung.

Schritt 3: Analyse. Ein trainiertes Convolutional Neural Network (CNN) untersucht das Bild auf Anomalien. Das Modell wurde vorab mit Tausenden Bildern von guten und fehlerhaften Teilen trainiert und hat gelernt, welche Muster auf einen Fehler hindeuten.

Schritt 4: Entscheidung. Das System klassifiziert das Teil als "gut" (I.O.) oder "nicht gut" (N.I.O.) und gibt den Fehlertyp, die Position und die Konfidenz aus. Bei N.I.O. wird das Teil automatisch ausgeschleust.

Warum ist KI besser als herkömmliche Bildverarbeitung?

Traditionelle Bildverarbeitung arbeitet mit fest programmierten Regeln: "Wenn der Grauwert an Position X unter Schwellwert Y liegt, dann Fehler." Das funktioniert bei einfachen, wiederkehrenden Prüfungen. Aber sobald Werkstücke natürliche Variationen aufweisen (Holzmaserung, Gussoberflächen, Schweißnähte), versagen starre Regeln.

KI-basierte Systeme lernen aus Beispielen. Sie erkennen auch subtile Muster, die sich nicht in einfache Wenn-dann-Regeln fassen lassen. Ein Kratzer auf einer gebürsteten Edelstahloberfläche sieht fast gleich aus wie die gewünschte Textur. Die KI erkennt den Unterschied trotzdem, weil sie Tausende Beispiele beider Varianten gesehen hat.

Drei Anwendungsbereiche im Detail

1. Oberflächeninspektion

Die häufigste Anwendung. Die KI prüft Oberflächen auf Kratzer, Risse, Poren, Dellen, Verfärbungen, Einschlüsse und Beschichtungsfehler. Typische Branchen: Automobil, Metallverarbeitung, Elektronik, Pharma, Lebensmittel.

Beispiel Oberflächeninspektion Metallteile:

Ein Stanzwerk prüft Blechteile auf Kratzer und Grate. Jedes Teil durchläuft eine Prüfstation mit vier Kameras (oben, unten, links, rechts). Die KI erkennt Kratzer ab 0,05 mm Breite. Bei 120 Teilen pro Minute liegt die Prüfzeit bei unter 500 Millisekunden pro Teil. Ergebnis: Die Reklamationsrate sank von 3,2 % auf 0,4 % innerhalb von drei Monaten.

2. Maßhaltigkeitsprüfung

Die KI misst Abmessungen und prüft, ob ein Werkstück innerhalb der definierten Toleranzen liegt. Im Vergleich zu taktilen Messgeräten (Messschieber, Koordinatenmessmaschine) ist die optische Messung berührungslos und deutlich schneller.

Typische Genauigkeiten:

Für die meisten industriellen Anwendungen reicht eine Genauigkeit von +/- 0,01 mm aus. Die KI-basierte Bildmessung ist hier 100- bis 300-mal schneller als eine Koordinatenmessmaschine und kostet pro Messung fast nichts.

3. Anomalieerkennung

Das interessanteste Anwendungsfeld. Herkömmliche Systeme können nur Fehlertypen erkennen, die sie während des Trainings gesehen haben. Anomalieerkennungsmodelle funktionieren anders: Sie lernen, wie ein gutes Teil aussieht. Alles, was davon abweicht, wird als potenzielle Anomalie markiert.

Das ist besonders wertvoll in drei Situationen:

• Neue Produkte: Wenn du noch keine Fehlerdatenbank hast, trainierst du das Modell nur mit Gutteilen. Fehlerbilder brauchst du nicht.
• Seltene Fehler: Manche Fehlertypen treten so selten auf, dass du nicht genug Trainingsbilder zusammenbekommst. Anomalieerkennung findet sie trotzdem.
• Unbekannte Fehler: Wenn ein neuer Fehlertyp auftritt (z. B. durch geändertes Rohmaterial), erkennt die Anomalieerkennung die Abweichung, auch ohne je einen solchen Fehler gesehen zu haben.

Predictive Quality: Fehler verhindern statt nur finden

Fehler erkennen ist gut. Fehler verhindern ist besser. Predictive Quality verbindet die Bilddaten aus der Qualitätskontrolle mit Prozessdaten aus der Produktion (Temperatur, Druck, Drehzahl, Vorschub, Materialcharge) und erkennt Muster, die einem Qualitätsproblem vorausgehen.

Beispiel: Ein Spritzgusshersteller protokolliert für jedes Teil die Schmelztemperatur, den Einspritzdruck, die Kühlzeit und 15 weitere Parameter. Die KI erkennt, dass eine bestimmte Kombination aus leicht erhöhter Temperatur und leicht reduziertem Druck in 73 % der Fälle zu Einfallstellen führt. Das System warnt den Maschinenbediener, bevor der erste fehlerhafte Schuss fällt.

Der Unterschied in Zahlen:

Predictive Quality erfordert allerdings eine gute Datenbasis. Du brauchst historische Prozessdaten, die mit Qualitätsergebnissen verknüpft sind. Je mehr Daten, desto genauer die Vorhersagen. Für den Einstieg sind 3 bis 6 Monate historischer Daten ein realistischer Richtwert.

Hardware: Kameras, Beleuchtung, Rechner

Die beste KI-Software nützt nichts, wenn die Bildqualität schlecht ist. 80 % des Erfolgs eines Computer-Vision-Projekts hängen von der Hardware ab, vor allem von der Beleuchtung.

Kameras

• Flächenkameras (Area Scan): Für Einzelbilder. Auflösung 2 bis 20 Megapixel. Hersteller: Basler, IDS, Allied Vision. Preis: 500 bis 5.000 EUR.
• Zeilenkameras (Line Scan): Für kontinuierliche Oberflächen (Bänder, Bahnen, Walzen). Auflösung 2k bis 16k Pixel. Hersteller: Teledyne DALSA, Basler. Preis: 2.000 bis 10.000 EUR.
• 3D-Kameras: Für Volumenprüfung und Höhenprofile. Technologien: Stereo, Structured Light, Time of Flight. Hersteller: Photoneo, Zivid, Ensenso. Preis: 3.000 bis 15.000 EUR.

Beleuchtung

Die Beleuchtung ist kritischer als die Kamera. Fehler, die bei schlechter Beleuchtung unsichtbar sind, kann auch die beste KI nicht erkennen.

• Diffuses Ringlicht: Gleichmäßige Ausleuchtung, reduziert Reflexionen. Standard für die meisten Anwendungen.
• Durchlicht (Backlight): Werkstück wird von hinten beleuchtet. Ideal für Konturprüfung und Maßhaltigkeit.
• Dunkelfeld (Dark Field): Licht trifft in flachem Winkel auf die Oberfläche. Hebt Kratzer und Oberflächenfehler stark hervor. Kritisch für die Oberflächeninspektion.
• Strukturiertes Licht: Projiziert Muster auf das Werkstück für 3D-Rekonstruktion.

Faustregel: Plant mindestens 30 bis 50 % des Hardware-Budgets für die Beleuchtung ein. Eine 500-EUR-Kamera mit 3.000 EUR Beleuchtung liefert bessere Ergebnisse als eine 5.000-EUR-Kamera mit billiger LED-Leiste.

Rechner

Die KI-Modelle laufen auf einem Industrierechner (Edge PC) direkt an der Maschine. GPU-beschleunigte Systeme (NVIDIA Jetson, Intel NUC mit GPU) schaffen Inferenzzeiten unter 50 Millisekunden. Für Liniengeschwindigkeiten von 100+ Teilen pro Minute ist das entscheidend.

Software: Kommerzielle Plattformen und Open Source

Kommerzielle Lösungen

Landing AI (landing.ai): Vom Stanford-Professor Andrew Ng gegründet. Besonderheit: "Data-Centric AI". Statt mehr Daten zu sammeln, hilft die Plattform, bestehende Trainingsdaten besser zu kuratieren. Besonders stark bei kleinen Datensätzen (50 bis 200 Bilder reichen oft). Preis: ab ca. 2.000 EUR pro Monat.

Cognex ViDi (cognex.com): Der Platzhirsch in der industriellen Bildverarbeitung. ViDi ist die KI-Erweiterung der klassischen Cognex-Systeme. Drei Module: Blue (Klassifizierung), Red (Segmentierung), Green (OCR). Preis: ab ca. 10.000 EUR Lizenz plus Hardware. Stark in der Automobilindustrie und Elektronikfertigung.

MVTec HALCON (mvtec.com): Deutsche Software aus München. HALCON ist seit 25 Jahren Standard in der industriellen Bildverarbeitung. Die Deep-Learning-Module wurden 2023 deutlich erweitert. Preis: ab ca. 3.000 EUR Lizenz. Vorteil: Riesige Bibliothek klassischer Bildverarbeitungsalgorithmen plus Deep Learning.

Neurala (neurala.com): Spezialisiert auf "Few-Shot Learning". Bereits mit 5 bis 10 Fehlerbildern trainierbar. Besonders geeignet für Unternehmen mit häufig wechselnden Produkten.

Open-Source-Alternativen

Wer internes Know-how aufbauen will, kann mit Open-Source-Tools eigene Systeme entwickeln:

• OpenCV: Die Standardbibliothek für Bildverarbeitung. Kostenlos, riesige Community, läuft auf jedem Rechner.
• YOLOv8/v9: State-of-the-art Objekterkennung. Trainierbar mit eigenen Daten. In der Industrie zunehmend verbreitet für Defekterkennung.
• Anomalib (GitHub): Open-Source-Bibliothek speziell für Anomalieerkennung in der industriellen Inspektion. Von Intel entwickelt.
• Label Studio: Open-Source-Tool zum Annotieren von Trainingsbildern.

Der Aufwand ist nicht zu unterschätzen. Ein funktionierendes Open-Source-System braucht 3 bis 6 Monate Entwicklungszeit, einen erfahrenen Computer-Vision-Ingenieur und eine solide Infrastruktur für Training und Deployment. Für Unternehmen ohne eigenes KI-Team ist eine kommerzielle Plattform fast immer der schnellere Weg.

ROI: Was bringt KI-Qualitätskontrolle wirtschaftlich?

Die Wirtschaftlichkeitsrechnung ist bei Computer Vision in der Qualitätskontrolle oft eindeutiger als bei anderen KI-Anwendungen. Die Einsparungen sind direkt messbar.

Kostenblöcke einer KI-Prüfstation

Für einen typischen Mittelständler liegt die Investition pro Prüfstation bei 25.000 bis 50.000 EUR einmalig plus 1.000 bis 3.000 EUR monatlich für Software und Wartung.

Einsparungen gegenrechnen

Direkte Einsparungen: - Reduzierte Ausschusskosten (50 bis 80 % weniger Ausschuss) - Weniger Nacharbeit (Sortieren, Reparieren, Nachprüfen) - Weniger Reklamationen und Rückrufaktionen - Reduzierte Prüfpersonalkosten (besonders bei Dreischichtbetrieb)

Indirekte Einsparungen: - Kürzere Reaktionszeiten bei Prozessabweichungen - Bessere Datengrundlage für Prozessoptimierung - Höhere Kundenzufriedenheit und weniger Kundenverlust - Erfüllung von Qualitätsanforderungen (IATF 16949, ISO 9001) ohne Personalaufwand

Rechenbeispiel

Ein Hersteller von Kunststoffgehäusen produziert 500.000 Teile pro Monat. Die aktuelle Ausschussrate liegt bei 2,5 %. Stückkosten: 1,20 EUR. Reklamationskosten pro Reklamationsfall: 850 EUR (inkl. Sortieraktion, Ersatzlieferung, interne Aufwände). 12 Reklamationen pro Jahr.

Vor KI: 12.500 Ausschussteile/Monat x 1,20 EUR = 15.000 EUR/Monat Ausschusskosten. Plus 12 x 850 EUR = 10.200 EUR/Jahr Reklamationskosten.

Nach KI (Ausschuss sinkt auf 0,6 %): 3.000 Ausschussteile/Monat x 1,20 EUR = 3.600 EUR/Monat. 2 Reklamationen/Jahr x 850 EUR = 1.700 EUR. Einsparung: 11.400 EUR/Monat + 710 EUR/Monat = 12.110 EUR/Monat.

Investition: 40.000 EUR einmalig + 2.000 EUR/Monat laufend.

Amortisation: 40.000 EUR / (12.110 EUR - 2.000 EUR) = 3,9 Monate.

Nach weniger als 4 Monaten hat sich die Investition bezahlt. Danach spart das System über 10.000 EUR pro Monat. Das ist der Grund, warum KI-Qualitätskontrolle zu den wirtschaftlichsten KI-Anwendungen in der Industrie zählt.

Wenn du eine fundierte KI-Kosten-Nutzen-Analyse für dein Unternehmen erstellen willst, hilft dir ein strukturierter ROI-Rechner.

Branchenspezifische Anwendungen

Computer Vision in der Qualitätskontrolle ist nicht auf die Metallverarbeitung beschränkt. Hier einige Branchen mit besonders hohem Potenzial:

Automobilindustrie: Lackinspektion, Schweißnahtprüfung, Montagekontrolle (alle Schrauben gesetzt?), Spaltmaßprüfung. Die KI-Transformation in der Automobilindustrie geht weit über die Qualitätskontrolle hinaus, aber hier liegt der schnellste ROI.

Elektronikfertigung: Lötstelleninspektion (AOI), Bestückungskontrolle, Wire-Bond-Prüfung, Chipinspektion. Besonders hohe Anforderungen an Auflösung und Geschwindigkeit.

Lebensmittel: Fremdkörpererkennung, Farbkontrolle (Reifegrad), Verpackungsprüfung (Siegel, Etiketten, Füllstand). Hier gelten zusätzlich strenge Hygienevorschriften für die Hardware.

Pharma: Tablettenkontrolle (Bruch, Verfärbung), Blister-Inspektion, Etikettenkontrolle. Regulatorische Anforderungen (GMP, FDA 21 CFR Part 11) machen die Validierung aufwendig, aber der wirtschaftliche Schaden durch fehlerhafte Produkte ist enorm.

Implementierung: Fünf Schritte zum Pilotprojekt

Schritt 1: Anwendungsfall definieren. Wähle den Prüfprozess mit den höchsten Fehlerkosten oder der höchsten Prüfpersonalbelastung. Starte mit einem einzelnen Produkt oder einer einzelnen Prüfstation.

Schritt 2: Daten sammeln. Fotografiere 200 bis 500 Gutteile und 50 bis 200 Schlechtteile (pro Fehlertyp). Dokumentiere die Fehlertypen und ihre Häufigkeit. Wenn du zu wenige Fehlerbilder hast, setze auf Anomalieerkennung statt Klassifikation.

Schritt 3: Hardware auswählen. Bestimme Kameratyp, Auflösung, Objektiv und Beleuchtung zusammen mit einem Systemintegrator oder dem Softwareanbieter. Lass dir Machbarkeitsstudien mit deinen Teilen zeigen.

Schritt 4: Pilotbetrieb. Lass das System parallel zur bestehenden Prüfung laufen. Vergleiche die Ergebnisse über 4 bis 8 Wochen. Miss Erkennungsrate, Pseudoausschuss (fälschlich als fehlerhaft markierte Gutteile) und Durchsatz.

Schritt 5: Rollout. Nach erfolgreichem Pilotbetrieb: System in den Produktionsprozess integrieren, Prüfpersonal schulen, Prozesse anpassen, weitere Prüfstationen planen.

FAQ

Wie viele Trainingsbilder brauche ich? Für eine robuste Klassifikation: 200 bis 500 Bilder pro Fehlertyp. Für Anomalieerkennung: 200 bis 500 Gutteile, keine Fehlerbilder nötig. Plattformen wie Landing AI und Neurala kommen mit deutlich weniger aus (ab 10 bis 50 Bilder).

Kann die KI auch neue, unbekannte Fehler erkennen? Ja, wenn du Anomalieerkennung einsetzt. Das Modell lernt, wie ein Gutteil aussieht. Jede Abweichung wird als Anomalie markiert. Das funktioniert auch für Fehlertypen, die beim Training nicht vorhanden waren.

Was passiert bei einem Produktwechsel? Bei komplett neuen Produkten muss das Modell neu trainiert oder fein-getunt werden. Je nach Plattform dauert das wenige Stunden bis wenige Tage. Bei Varianten eines bestehenden Produkts (andere Größe, andere Farbe) reicht oft ein Transfer Learning mit 20 bis 50 neuen Bildern.

Wie gehe ich mit Pseudoausschuss um? Pseudoausschuss (Gutteile, die als fehlerhaft markiert werden) ist unvermeidlich. Ein gutes System hat eine Pseudoausschussrate unter 1 %. Zu hoher Pseudoausschuss senkt die Akzeptanz beim Bedienpersonal und verursacht unnötige Nacharbeit. Lösung: Konfidenz-Schwelle anpassen und Grenzfälle regelmäßig nachtrainieren.

Brauche ich eine Internetverbindung? Nein. Die KI läuft auf einem lokalen Edge PC direkt an der Maschine. Die Daten bleiben im Werk. Eine Internetverbindung wird nur für Software-Updates und das Hochladen von Trainingsdaten auf die Cloud-Trainingsplattform benötigt. Viele Unternehmen trainieren on-premise.

Wie lange dauert die Implementierung? Vom Projektstart bis zum produktiven Einsatz: 2 bis 4 Monate für eine einzelne Prüfstation. Davon entfallen ca. 2 bis 4 Wochen auf die Hardware-Installation, 2 bis 4 Wochen auf Datensammlung und Training und 4 bis 8 Wochen auf Pilotbetrieb und Optimierung.

So baust du KI-Kompetenz für die Produktion auf

KI-Qualitätskontrolle einzuführen erfordert Mitarbeiter, die sowohl die Produktionsprozesse als auch die KI-Technologie verstehen. Die seltenste Kompetenz ist nicht das Programmieren, sondern die Fähigkeit, den richtigen Anwendungsfall zu identifizieren, die Wirtschaftlichkeit zu bewerten und das Projekt von der Idee bis zum produktiven Betrieb zu führen.

Genau das vermittelt die Weiterbildung zum Digitalisierungsmanager für Prozessautomatisierung und KI. In 4 Monaten, komplett online, DEKRA-zertifiziert. Du lernst, KI-Projekte zu planen, Tools zu evaluieren und Automatisierungslösungen umzusetzen. Mit Bildungsgutschein ist die Weiterbildung zu 100 % gefördert.

SkillSprinters ist ein DEKRA-zertifizierter Bildungsträger aus Bayreuth. Wenn du wissen willst, ob die Weiterbildung für dich oder dein Team passt, buch dir einen kostenlosen Beratungstermin unter skill-sprinters.de/termin.