Computer Vision hat sich enorm verbessert, doch die Fehlerquote industrieller Bildverarbeitungsprojekte ist bei Weitem nicht im gleichen Maß gesunken – ein deutlicher Hinweis darauf, wo die eigentliche Schwierigkeit liegt.
Das Problem liegt vor dem Modell
Wenn ein Bildverarbeitungssystem unterdurchschnittlich abschneidet, liegt der Reflex nahe, den Algorithmus zu verbessern. In industriellen Umgebungen ist das meist der falsche Hebel.
Die Beleuchtung ist die wichtigste Variable. Was sich erkennen lässt, hängt davon ab, wie das Objekt beleuchtet wird. Gegenlicht, diffuses Licht, gerichtetes Licht, Streifenprojektion und bestimmte Wellenlängen machen jeweils andere Merkmale sichtbar. Ein Defekt, der unter einer Anordnung unsichtbar bleibt, ist unter einer anderen offensichtlich – und der Unterschied ist weit größer als jede algorithmische Verbesserung.
Optik und Geometrie zählen genauso viel. Auflösung am Bauteil, Schärfentiefe, Arbeitsabstand, Perspektive. Ist der Defekt kleiner als ein Pixel, findet ihn kein Modell.
Die Teilepräsentation. Kommt das Objekt immer in derselben Position und Ausrichtung an, wird die Aufgabe deutlich einfacher. Eine Vorrichtung ist oft günstiger als ein Modell.
Vieles, was mit einem neuronalen Netz gelöst wird, hätte sich mit anderem Licht und einer Vorrichtung lösen lassen – schneller, günstiger und zuverlässiger.
Das kehrt den üblichen Einstellungsreflex um. Die knappe Fähigkeit ist nicht ein weiterer Machine-Learning-Ingenieur. Es ist jemand, der eine Szene so aufbauen kann, dass die benötigte Information überhaupt im Bild steckt.
Was die Fachrichtung abdeckt
Der Umfang: Kameras und Bildverarbeitung, Objekterkennung, räumliches Verständnis und Sensorfusion.
Vier Bereiche.
Bildgebungsgrundlagen. Kameras, Sensoren, Objektive, Beleuchtung und die Physik, die ein brauchbares Bild überhaupt erst liefert. Der Teil, der alles Folgende entscheidet.
Klassische Bildverarbeitung. Filterung, Schwellwertbildung, Kanten- und Blob-Analyse, Template Matching, Kalibrierung. Deterministisch, erklärbar, schnell – und für einen großen Teil industrieller Aufgaben ausreichend.
Gelernte Verfahren. Erkennung, Segmentierung und Klassifikation, für Probleme, die sich einer expliziten Beschreibung entziehen.
3D und Sensorfusion. Stereo, Streifenprojektion, Laufzeitmessung und Lidar, dazu die Kombination von Bildverarbeitung mit anderer Sensorik – die Grundlage für die späteren Autonomie-Richtungen.
Wichtig für den Zuschnitt: Klassische Verfahren bleiben für viele industrielle Anwendungen die richtige Antwort, weil sie deterministisch sind und ihre Fehlerbilder vorhersehbar. Ein Team, das bei jedem Problem zu gelernten Verfahren greift, baut etwas, das schwerer zu validieren ist, als nötig wäre.
Warum aus einer guten Demo ein schlechter Einsatz wird
Fünf konkrete Mechanismen, allesamt vorhersehbar.
Die Beleuchtung driftet. Lampen altern und werden dunkler. Das Tageslicht ändert sich über Tag und Jahreszeit. Ein im Winter in Betrieb genommenes System verhält sich im Juli anders. Geschlossene, kontrollierte Beleuchtung ist die Standardmaßnahme dagegen – und wird aus Kostengründen häufig weggelassen.
Die Szene wird schmutzig. Objektive sammeln Staub, Öl und Kühlmittelnebel. Die Leistung sinkt allmählich, sodass es niemand bemerkt, bis es schlimm ist.
Das Produkt ändert sich. Ein neuer Lieferant, eine leicht andere Oberfläche, eine andere Chargenfarbe. Das System war auf das abgestimmt, was damals existierte.
Vibration und Positionsdrift. Eine Kamerahalterung, die sich minimal verschiebt, verändert die Geometrie, von der die Kalibrierung ausging.
Die Trainingsdaten waren nicht repräsentativ. Über einen kurzen Zeitraum unter guten Bedingungen erfasst, ohne die Streuung, die die Linie tatsächlich produziert.
Alle fünf sind Distributionsverschiebung – dasselbe Phänomen, das der Artikel zu medizinischer KI in dieser Reihe beschreibt. Ein System lernt die Bedingungen, unter denen es entstanden ist, und die Bedingungen ändern sich.
Für die Belegschaft bedeutet das: laufende Überwachung ist eine dauerhafte Personalfrage, kein Projektschritt, und jemand muss die Leistung nach der Inbetriebnahme verantworten.
Wo das in der Domäne steht
Computer Vision und maschinelle Wahrnehmung ist die fünfte von neun Fachrichtungen in Astra Trainers Domäne Robotik und autonome Systeme. Sie liegt unter autonomen Fahrzeugen und Drohnen, die auf Wahrnehmung angewiesen sind, und neben der industriellen Robotik, wo bildgestütztes Greifen und Prüfung die beiden häufigsten Anwendungen sind.
Für Partner, die das von der Softwareseite besetzen, deckt die Domäne KI, Daten und Computing künstliche Intelligenz und maschinelles Lernen sowie Data Science und Analytik ab. Die Kombination, die tatsächlich funktioniert, ist Bildgebungs- und Optikkompetenz plus Machine-Learning-Kompetenz – Letztere ist meist schon vorhanden. Hier findest du die neun Fachrichtungen.
Prüfung, und wieder das Problem der Basisrate
Die häufigste industrielle Anwendung – und die, bei der Leistungsangaben am häufigsten falsch gelesen werden.
Fehlerprüfung ist ein Problem seltener Ereignisse. In einem gut geführten Prozess sind Defekte selten, und das verändert, was eine Genauigkeitszahl überhaupt bedeutet.
Treten Defekte selten auf und markiert das System einen kleinen Prozentsatz guter Teile als defekt, besteht der aussortierte Stapel überwiegend aus guten Teilen. Das System kann eine hervorragende angegebene Genauigkeit haben und trotzdem meist Fehlalarme erzeugen – das lässt Bediener das Vertrauen verlieren und es irgendwann ignorieren.
Das ist genau das Basisratenproblem aus dem Epidemiologie-Artikel, und hier gilt es mit voller Wucht.
Drei praktische Konsequenzen.
Verlange Leistungswerte bei der realen Fehlerrate, nicht an einem ausgeglichenen Testdatensatz. Eine Anbieterdemo mit gleich vielen guten und schlechten Teilen sagt fast nichts über das Verhalten an der Linie.
Entscheide, welcher Fehler schwerer wiegt, und stimme darauf ab. Einen Defekt zu übersehen und ein gutes Teil auszusortieren, haben unterschiedliche Kosten – eine unternehmerische Entscheidung, keine technische.
Datensammlung ist die eigentliche Engstelle. Gelernte Prüfung braucht viele Beispiele jedes Defekttyps, und eine gute Fabrik produziert nicht viele Defekte. Teams unterschätzen regelmäßig, wie lange es dauert, eine brauchbare Defektbibliothek aufzubauen – der häufigste Grund, warum Prüfprojekte stocken.
Die Rollen im Überblick
Machine-Vision-Ingenieure. Industrielle Bildverarbeitung, mit Optik, Beleuchtung und Anwendung zugleich. Die knappe Kombination.
Integratoren für Bildverarbeitungssysteme. Spezifikation und Inbetriebnahme an realen Linien.
Computer-Vision-Ingenieure. Stärker softwareorientiert, in Autonomie und Produktentwicklung.
Bildgebungs- und Optikingenieure. Spezialisten für den Teil, der über das Ergebnis entscheidet.
Verantwortliche für Datenannotation. Sie steuern die Beschriftung, auf die gelernte Systeme angewiesen sind – folgenreicher, als der Status vermuten lässt.
Qualitätsingenieure mit Bildverarbeitungskompetenz. Verbinden die Prüfung mit dem Qualitätssystem.
Perzeptionsingenieure in autonomen Systemen, wo dies auf die Fahrzeug- und Drohnen-Fachrichtungen trifft.
Techniker für die Instandhaltung von Bildverarbeitungssystemen. Halten Systeme nach der Inbetriebnahme leistungsfähig – fast nie eingeplant.
Wen man dafür weiterbilden kann
Qualitätsprüfer. Der am meisten übersehene Pool. Sie wissen, wie ein Defekt aussieht, welche Defekttypen zählen, wie sie variieren und welche kosmetisch statt funktional sind. Genau dieses Wissen braucht ein Bildverarbeitungsprojekt – und ein Machine-Learning-Ingenieur kann es nicht liefern. Es ist der Teil, der Jahre braucht.
Steuerungs- und Automatisierungsingenieure. Integrieren schon Sensoren in Produktionssysteme und brauchen nur die Bildgebungsebene.
Fotografen und Fototechniker. Eine ungewöhnliche und tatsächlich gute Umschulung, weil sie Beleuchtung und Optik intuitiv verstehen – genau die Hälfte, die den meisten Softwareteams fehlt.
Softwareingenieure. In die algorithmische Seite, mit Bedarf an der physikalischen Ebene: dass ein Bild eine Messung ist, in der Rauschen, Geometrie und Beleuchtung schon eingebacken sind.
Instandhaltungstechniker. Damit eingesetzte Systeme weiterlaufen – dort verliert sich der Nutzen sonst am meisten.
Messtechnik- und Metrologiepersonal. Denkt bereits in Kalibrierung, Wiederholbarkeit und Messunsicherheit – das überträgt sich direkt.
Wo Bildverarbeitung sicherheits- oder regulatorisch relevant ist. Bildverarbeitung als Sicherheitsfunktion, etwa zur Anwesenheitserkennung bei der Maschinenabsicherung, muss die Anforderungen der funktionalen Sicherheit erfüllen und darf nicht ohne Einhaltung dieser Normen aus Allzweckkomponenten zusammengesetzt werden. Bildgestützte Prüfung in regulierter Produktion, einschließlich Pharma- und Medizinprodukteherstellung, erfordert eine Validierung nach dem jeweils geltenden Qualitätssystem. Schulung vermittelt technisches Verständnis. Sie verleiht weder eine Zertifizierung der funktionalen Sicherheit noch eine Validierungsbefugnis.
Was du mitnehmen solltest
Die meisten industriellen Bildverarbeitungsprobleme werden am Licht, am Objektiv und an der Vorrichtung gelöst, nicht im Modell – das kehrt den üblichen Einstellungsreflex um.
Klassische Verfahren sind deterministisch und für viele industrielle Aufgaben ausreichend, weshalb der Griff zu gelernten Verfahren bei jedem Problem unnötige Validierungsschwierigkeiten schafft.
Eingesetzte Systeme verschlechtern sich durch Lichtdrift, Schmutz, Produktänderungen, Halterungsbewegung und nicht repräsentative Trainingsdaten. Alle fünf sind vorhersehbar, und Überwachung ist eine dauerhafte Rolle.
Fehlerprüfung ist ein Problem seltener Ereignisse – verlange also Leistungswerte bei der realen Fehlerrate und rechne mit Datensammlung als Engstelle.
Und deine Qualitätsprüfer besitzen das Defektwissen, von dem das ganze Projekt abhängt. Fotografen besitzen, seltsamerweise, die andere Hälfte.
Warum scheitern industrielle Bildverarbeitungsprojekte?
Meist schon vor dem Algorithmus. Beleuchtung, Optik und Teilepräsentation entscheiden, ob die benötigte Information überhaupt im Bild steckt, und kein Modell gewinnt Informationen zurück, die nie erfasst wurden.
Sollten wir immer maschinelles Lernen einsetzen?
Nein. Klassische Bildverarbeitung ist deterministisch, schnell und erklärbar und reicht für einen Großteil industrieller Aufgaben aus. Gelernte Verfahren eignen sich für Probleme, die sich nicht explizit beschreiben lassen, und sind schwerer zu validieren.
Warum scheitert eine gute Demo an der Linie?
Die Beleuchtung driftet, Objektive verschmutzen, Produkte ändern sich, Halterungen bewegen sich, und Trainingsdaten erfassen selten die echte Streuung. Es ist dieselbe Distributionsverschiebung, die jedes eingesetzte Modell betrifft.
Warum ist die Genauigkeit der Fehlerprüfung irreführend?
Weil Defekte in einem guten Prozess selten sind. Ein System mit hoher angegebener Genauigkeit kann trotzdem überwiegend gute Teile markieren, was das Vertrauen der Bediener zerstört. Verlange Leistungswerte bei der realen Fehlerrate.
Wer wechselt am besten in Bildverarbeitungsrollen?
Qualitätsprüfer, die wissen, wie Defekte tatsächlich aussehen und welche zählen, sowie Fotografen oder Fototechniker, die Beleuchtung und Optik verstehen. Messtechnikpersonal überträgt sich direkt bei Kalibrierung und Unsicherheit.