Optische Qualitätssicherung: Wie modulare Bildverarbeitung und KI die Produktionsqualität steigern

Optimierung der Produktionsqualität und Prozessintegration mittels innovativer Bildverarbeitungslösung

Ausgangssituation

In einem stark getakteten Fertigungsumfeld war die manuelle Qualitätssicherung zunehmend zum Engpass geworden. Unser Kunde, ein mittelständisches Unternehmen mit Schwerpunkt auf elektronischen Anzeigemodulen, benötigte dringend eine skalierbare Lösung, um die Produktqualität zuverlässig zu überwachen und gleichzeitig die Weichen für eine spätere KI-Nutzung zu stellen.

Die größten Herausforderungen:

• Inkonstante Sichtprüfung mit subjektiven Einschätzungen und fehlender Dokumentation
• Hoher Schulungsaufwand bei neuen Produkten oder Varianten
• Keine durchgängige Datengrundlage zur Analyse und Optimierung von Fehlerquellen
• Fehlende Skalierbarkeit in der Prüfung bei wachsendem Produktspektrum

Ziel des Projekts

Das Projekt hatte fünf zentrale Zielsetzungen:

1. Automatisierte Aufnahme von Bauteilbildern unter kontrollierten Lichtverhältnissen
2. Einsatz klassischer Bildverarbeitung zur initialen Fehlererkennung
3. Intuitive Benutzeroberfläche mit Visualisierung und manueller Fehlerannotation
4. Strukturierte Speicherung der Bild- und Fehlerdaten für spätere KI-Trainings
5. Zukunftssichere Integration in bestehende Produktions- und IT-Prozesse

Herangehensweise und Umsetzung

Phase 1: MVP – Proof of Concept mit Fotobox

In einem ersten Schritt wurde ein funktionales Minimalprodukt entwickelt, das die technische Machbarkeit unter Beweis stellte:

• Fotobox-Hardware: Kameramodul, Halterung und Beleuchtung zur standardisierten Bildaufnahme
• Bildverarbeitung: Klassische Algorithmen (z. B. Kantendetektion, Thresholding) zur automatischen Fehlererkennung
• Benutzeroberfläche: Web-App zur Darstellung der Bilder inkl. Fehlermarkierungen, mit Option zur manuellen Korrektur
• Datenspeicherung: Strukturierte Ablage von Bilddaten, Metainformationen und Annotationen als Trainingsgrundlage für spätere KI

Ergebnis: Das System konnte typische Fehlerbilder (fehlerhafte Symbole, Pixelausfälle, Unschärfen) zuverlässig markieren und wurde vom QS-Team sofort produktiv genutzt.

Phase 2: Rollout & Integration in die Produktionslinie

Nach erfolgreichem MVP erfolgte die unternehmensweite Ausweitung:

• Skalierung auf alle relevanten Produktionslinien
• Einrichtung zusätzlicher Prüfstellen an kritischen Produktionspunkten
• Einführung von Dashboards zur Fehlerklassifikation, KPI-Überwachung und Linienvergleich
• Aufbau eines zentralen Data Warehouse, um alle Bilder und Qualitätsdaten revisionssicher zu speichern
• Initiale Fehlerquellenanalyse, um die häufigsten Ursachen strukturiert zu identifizieren

Das System wurde eng mit der Fertigungssteuerung und der Produktionsplanung verzahnt – so konnten kritische Muster frühzeitig erkannt und beseitigt werden.

Phase 3: KI-Training & intelligente Fehlerklassifikation

Im dritten Schritt wurde ein KI-Modell auf den zuvor annotierten Bildern trainiert und schrittweise produktiv gesetzt:

• KI-Training auf Basis realer Fehlerbilder mit Fokus auf Präzision und Robustheit
• Integration in alle Prüfstationen, sodass die KI automatisch Fehler markiert und klassifiziert
• Kontinuierliche Performance-Überwachung über Feedback-Loops mit dem QS-Team
• AIOps-Umgebung zur automatisierten Pflege und Versionierung des Modells
• Sicherheits- und Governance-Framework, um Datenschutz, Nachvollziehbarkeit und Revisionssicherheit zu gewährleisten

Mit dieser Integration entstand eine hybride Lösung: menschliche Intuition und maschinelle Präzision in perfektem Zusammenspiel.

Wartung & Betrieb

Bereits ab Phase 2 wurde ein nachhaltiger Betrieb aufgebaut:

• Regelmäßige Updates der KI-Modelle auf Basis neuer Daten und Fehlerklassen
• Supportstruktur zur schnellen Reaktion bei Änderungen in der Produktion
• Datenhaltung nach ISO-konformen Standards, inkl. Audit-Fähigkeit und Zugriffskontrolle
• Schulungskonzepte für neue Mitarbeitende in QS und Produktion

Outcome und Mehrwert

Die Lösung erzielte in kurzer Zeit messbare Verbesserungen:

• 47 % niedrigere Fehlerrate
• Verdopplung der Prüfgeschwindigkeit
• 100 % dokumentierte Fehlerbilder inkl. Herkunft und Klassifikation
• Nutzerakzeptanz durch intuitive Oberfläche und direkte Rückmeldung
• Datenbasierte Prozessverbesserungen dank strukturierten Qualitätsdaten

Fazit

Diese Case Study zeigt, wie klassische Bildverarbeitung und moderne KI sinnvoll kombiniert werden können, um Qualitätssicherung nicht nur effizienter, sondern auch transparenter und skalierbarer zu gestalten. Der modulare Aufbau ermöglichte einen schnellen Einstieg – und bereitete gleichzeitig den Weg für ein zukunftsfähiges, datengetriebenes Produktionsökosystem.

Ob als Proof-of-Concept oder als skalierbare Plattform:
Visuelle Intelligenz wird zum Wettbewerbsvorteil – wenn man sie strukturiert einführt.