KI für die industrielle Bildprüfung: Von der Sensorik zur smarten Auswertung

Modul 1: Prüfaufgabe und KI-Prüfung

Lernen Sie, Prüfziele klar zu formulieren, typische Prüfarten zu unterscheiden und einzuschätzen, sowie zu entscheiden, wann feste Regeln oder KI für eine automatische Qualitätsprüfung sinnvoll sind.

• Qualitätssicherung, Qualitätskontrolle und Qualitätsprüfung im Produktionsalltag klar voneinander abgrenzen lernen
• Manuelle Prüfung, Stichprobe und automatische 100-Prozent-Prüfung nach Nutzen und Aufwand vergleichen
• Klassifizieren, lokalisieren, segmentieren und vermessen als typische Prüfaufgaben sicher unterscheiden lernen
• Qualitätsmerkmale und die Folgen einer Fehlentscheidung als Startpunkt für Lösungen festlegen

Modul 2: Sensorik und Bildentstehung

Erfahren Sie, welche Rolle Sensorik, Beleuchtung und Bildentstehung spielen und warum Fehler für eine zuverlässige KI-Prüfung zuerst stabil, sichtbar oder messbar sein müssen.

• Auflösung, Sichtfeld, Defektgröße und feste Bauteillage als wichtige Grundgrößen richtig einordnen
• Beleuchtung, Reflexionen und Oberflächen als häufige Ursachen schwankender Prüfergebnisse frühzeitig erkennen
• 2D-Kamera, Laserprofil und besondere Aufnahmearten passend zum Prüfmerkmal auswählen und vergleichen
• Shape from Shading (SFS) als Beispiel für besser sichtbare Oberflächenfehler praxisnah kennenlernen

Modul 3: Passende KI-Methode wählen

Lernen Sie, zentrale Verfahren der visuellen KI-Prüfung zu unterscheiden und ihre Ergebnisse passend zu typischen Qualitätsaufgaben in der Produktion einzuordnen.

• Klassifikation für „i.O.“ oder „n.i.O.“ und feste Fehlerklassen gezielt im Prüfprozess einsetzen
• Objektdetektion zur Erkennung und Lokalisierung sichtbarer Defekte im Bild sinnvoll nutzen
• Segmentierung für genaue Fehlerflächen, Formen und Maße im Prüfprozess passend einordnen
• Anomalieerkennung bei unbekannten oder schwer beschreibbaren Fehlerbildern verstehen und bewerten können.

Modul 4: Daten und Prüfqualität bewerten

Erfahren Sie, welche Daten robuste Modelle benötigen und wie Kennzahlen, Fehlerarten und Schwellenwerte in belastbare betriebliche Qualitätsentscheidungen übersetzt werden.

• Trainings-, Validierungs- und Testdaten mit ihren Rollen im Lernprozess sauber unterscheiden
• Klassenlabels, Bounding Boxes und Pixelmasken als typische Formen der Annotation kennenlernen
• Gutteilvarianz, seltene Fehler und wechselnde Prozessbedingungen im Datensatz realistisch abbilden
• False Positives, False Negatives, Precision, Recall und Confidence praxisnah für Entscheidungen nutzen

Modul 5: Vom Demonstrator zur Prüflösung

Lernen Sie, die gesamte Prüfkette zu betrachten und technische Machbarkeit, Integration sowie den Nutzen eines Proof of Concept für den Produktionsprozess einzuschätzen.

• Sie betrachten die gesamte Prüfkette und bewerten gemeinsam die technische Machbarkeit, Integration und den Nutzen eines Proof of Concept für den eigenen Produktionsprozess.
• Inline- und Offline-Prüfung nach Taktzeit, Latenz und nötiger Hardware sinnvoll unterscheiden.
• Sensor, Recheneinheit, KI und Prozessreaktion werden als Gesamtsystem betrachtet und geplant
• Rückverfolgbarkeit, Monitoring und Änderungen im laufenden Produktionsprozess von Beginn an berücksichtigen
• Build versus Buy sowie Ziele und Grenzen eines Proof of Concept bewerten

Vorteile / Zielsetzung

• Bessere Investitionsentscheidungen: Sie können einschätzen, ob eine Prüfaufgabe für KI geeignet ist und welche Sensorik, Daten sowie technische Schritte ein belastbarer Proof of Concept benötigt.
• Praxisnahes technisches Verständnis: Reale Demonstratoren zeigen, wie Aufnahmeverfahren, KI-Methode und Qualitätsentscheidung zusammenspielen – ohne Programmierkenntnisse, aber mit direktem Praxisbezug.
• Direkter Transfer in den Betrieb: Mit klaren Leitfragen strukturieren Sie eigene Prüfprobleme und identifizieren Ansatzpunkte für robuste, wirtschaftlich sinnvolle Automatisierung in der Produktion.

Zielgruppe / Vorkenntnisse

• Entscheider*innen, Produktions- und Qualitätsverantwortliche, Mitarbeitende im Qualitätsmanagement sowie Anlagenplaner*innen aus KMU, die automatisierte Prüfprozesse bewerten, planen oder einführen möchten.
• Technisches Interesse genügt; KI-Programmierkenntnisse sind nicht erforderlich.