Constantin Budin, Lead Consultant Data & AI bei Pexon Consulting | 8 Min. Lesezeit | 16.09.2026
Das hier ist keine Anleitung. Es ist der Bericht aus einem Mandat, in dem Pexon Consulting Computer Vision EoL bei Deutz mitgebaut hat. Ein Data Engineer von uns im Kernteam, Start Oktober 2024. Im Mai 2026 stand der Proof of Concept am Headquarter. Der Prüfprozess läuft lokal, der Hallen-Roll-out ist in Vorbereitung.
| In diesem Projekt | |
|---|---|
| Was | Kundenreferenz, Deutz, Motorenbau Agrar und OffRoad, Headquarter Deutschland |
| Auftrag | Bildbasierte End-of-Line-Prüfung: bekannte Defekte und unbekannte Abweichungen vor der Logistik |
| Team | Pexon als Computer-Vision- und Python-Experte bzw. Data Engineer in einem 5-köpfigen Kernteam (1 Tech Lead, 4 Developer) |
| Dauer | Oktober 2024 bis PoC Headquarter Mai 2026 |
| Stack | Python, OpenCV, Custom CNNs, Databricks, Self-Service-WebGUI, Alerting am Band |
| Stand | PoC am Headquarter abgeschlossen, lokaler Prüfprozess live, internationaler Roll-out in Vorbereitung |
Motoren bleiben intern, die Vision-Naht lag bei uns
Deutz baut Motoren für Agrar- und OffRoad-Anwendungen. Der Wettbewerbsvorteil sitzt in der Anpassung der Stammkomponenten: Kunden bekommen eine Lösung, die zur Maschine passt, nicht ein Katalogteil von der Stange. Innerhalb einer Motorklasse heißt das hohe Varianz. Fast jeder Motor ist ein Unikat.
Die interne Abteilung AI & Data arbeitet als Inhouse-IT für Fachabteilungen und Produktion. Cloud-Umgebungen waren da. Was wir gemeinsam gebaut haben, war der automatisierte Prüfprozess in der Halle: Bilder am Band, Modelle, die Varianten von Defekten trennen, Alerts an die Werksmitarbeitenden, Dokumentation an Entwicklung und perspektivisch SAP.
Der Schnitt war klar. Produkt, Takt und Fachwissen bleiben bei Deutz. Pexon bringt die Computer-Vision- und Data-Engineering-Arbeit in Python: Architektur, Pipeline, Training, Oberfläche. Ein internes IT-Dev, Domain-Experten aus den Fachabteilungen, wir als External Expert. Wöchentliche Stakeholder-Runden, Anforderungsanalyse mit Nachbarabteilungen. Kein Folienmandat.
Quality und Production IT wollten denselben Zeitpunkt sichern: Prüfung vor dem Verlassen der Halle, nicht erst bei Auslieferung oder erster Inbetriebnahme. 0h-Fehler, Zero-Hour-Failures, sind in diesem Geschäft teuer, weil ein Motor tonnenschwer in der Logistik hängt. Rücknahme und Nacharbeit binden Kapazität, die am Band besser sitzt. Deshalb Computer Vision EoL, nicht eine zusätzliche Sichtprüfung am Ende der Schicht.
Starre Schablonen und Pixelvergleiche reichen hier nicht. Sie spiegeln ein Referenzbild. Sie verstehen nicht, ob eine Abweichung gewünschte Kundenanpassung ist oder ein fehlendes Bauteil. Das System muss Geometrie und Präsenz lesen. Genau das war der Auftrag ab Oktober 2024.
Was wir in der Bildpipeline gebaut haben
Vier Entscheidungen haben das Mandat getragen. Alle vier kosten mehr Engineering als eine fertige Vision-Box. Alle vier sind der Grund, warum Unikate prüfbar wurden.
- OpenCV zuerst, Netz danach. Ausrichtung, Filterung, Segmentierung, Kontrast, Kanten. Das Custom CNN bekommt stabile Eingaben, nicht das Rohbild aus der Halle. Ohne diese Vorverarbeitung trainiert man Rauschen.
- Eigene Netze auf Deutz-Geometrie, keine Off-the-shelf-Detektoren. Die Modelle lernen Merkmale und Bauteilpräsenzen der Stammkomponenten. Standard-Schablonen brechen an der Variantenvielfalt. Custom CNNs brauchen mehr Training. Sie trennen erlaubte Anpassung von echtem Defekt.
- Databricks für Training und Bildpipelines, nicht Notebooks am Band. Hochauflösende Produktionsbilder, versionierte Datensätze, reproduzierbares Retraining, wenn sich eine Komponente ändert. Das skaliert in weitere Hallen. Es verlangt Data Engineering und ein gemeinsames Experiment-Setup für AI & Data und uns.
- Zwei Wege in einer Pipeline. Klassifikation benennt bekannte Defektklassen. Ein unsupervised Modell lernt den Gut-Zustand und schlägt bei statistisch signifikanten Abweichungen an. Nur Klassifikation lässt neue Fehlerbilder durch. Nur Anomalie erschwert die Abstellmaßnahme. Beides zusammen ist die Absicherung, die das Mandat verlangt hat.
# Zwei Wege, ein Takt. Klassifikation benennt, Anomalie faengt das Unbekannte.
frame = opencv.vorverarbeiten(rohbild) # Lage, Kanten, Segment
bekannt = cnn.klassifizieren(frame) # gelernte Defektklassen
abweichung = anomalie.score(frame, gut_zustand) # unsupervised gegen Stamm
if bekannt.defekt or abweichung.ueber_schwelle:
alert.an_band(frame, bekannt, abweichung)
doku.an_entwicklung(frame, bekannt, abweichung)Die Self-Service-WebGUI zeigt das markierte Bild, den Hinweis und die dokumentierte Abstellmaßnahme, bevor der Motor verpackt wird. Werksmitarbeitende arbeiten nicht in Logfiles. Parallel laufen Bild und Bericht an Entwicklung, Betrieb, Support. SAP ist vorbereitet, noch nicht der laufende Kern.
Den Rahmen, den wir sonst unter optischer Oberflächeninspektion schneiden, haben wir hier an Motoren mit hoher Produktvarianz umgesetzt. Das hier ist das Mandat, nicht das Produktblatt.
Als der PoC am Headquarter stand
Im Mai 2026 war der Proof of Concept am Hauptsitz abgeschlossen. Architektur, OpenCV-Pipeline, Custom-CNN-Training, Anomalie-Erkennung, WebGUI und Alerting: geliefert. Der automatisierte Prüfprozess läuft lokal. Der internationale Roll-out in die Produktionshallen ist in Vorbereitung.
Das ist der normale nächste Maßstab nach einem Headquarter-PoC, kein Sonderfall. Die Pipeline war von Anfang an so geschnitten, dass eine zweite Halle dieselben Datasets, dieselbe Experiment-Disziplin und dieselbe Werker-Oberfläche nutzen kann. Wer den PoC als Einzellösung auf der Workstation stehen lässt, zahlt die Plattform später noch einmal.
Was sich am Band geändert hat, lässt sich in vier Zeilen sagen.
| Dimension | Vorher | Nachher | Effekt |
|---|---|---|---|
| Fehlerfolgekosten | Rücknahme und Nacharbeit nach Auslieferung | Mängel vor der Logistik abgefangen | bis zu 80 % weniger Folgekosten |
| Fehler-Reaktionszeit | oft erst beim Kunden (0h) | Alert und Abstellung am Band | Reaktionszeit gegen Null |
| Prüfung bei Varianz | Schablonen, manuelle Sichtprüfung | Custom CNN plus Anomalie-Erkennung | Unikate prüfbar trotz Mass Customization |
| Dokumentation | manuelle, lückenhafte Nachweise | bildbasiert, automatisiert, an Entwicklung gekoppelt | geschlossener Qualitätskreislauf |
Die Zahl 80 Prozent bezieht sich auf Fehlerfolgekosten: Rücknahmen, Transport, späte Nacharbeit. Nicht auf die Ausschussquote der Fertigung. Reaktionszeit gegen Null heißt: Erkennung und Abstellmaßnahme noch in der Halle, nicht erst in der ersten Betriebsstunde beim Abnehmer.
Was am Ende stand
Von unserer Seite steht der Headquarter-PoC. Python-Pipeline, Modelle, GUI, Alerting. Stand Mai 2026 lokal in Betrieb, Roll-out in Vorbereitung. Pexon hat mitentwickelt, nicht nur gesteuert. Ein Engineer im 5-Personen-Team, über den ganzen Zeitraum seit Oktober 2024.
Drei Dinge würden wir in einem vergleichbaren Mandat wieder so machen. OpenCV vor dem Netz. Klassifikation und Anomalie in einer Pipeline, nicht als zwei Projekte. Training und Bilddaten in Databricks versionieren, bevor die zweite Halle angeschlossen wird.
Eine fertige Vision-Box hätten wir schneller an ein Referenzbild gehängt. An Unikaten innerhalb einer Motorklasse arbeitet sie nicht. Wer selbst Motoren, Anlagen oder andere hochvariante Stückzahlen vor der Logistik prüfen will: Bringen Sie Gut- und Schlechtbilder mit, eine ehrliche Aussage zur Variantenanzahl in einer Klasse, und ob ein Alert den Takt halten darf. Dann können wir sagen, ob dieses Muster passt oder ob bei Ihnen ein anderer Schnitt sitzen muss.
Nächster Schritt
Das Mandat am Headquarter ist durch. Wenn Sie vor einer ähnlichen Linie stehen, gehen wir Varianz und Bildlage bei Ihnen durch, nicht an dieser Story.
Edge-Inferenz unter industriellen Hallenbedingungen
Während das Modelltraining und das Data Engineering zentral in Databricks stattfinden, muss die Auswertung am Band autark arbeiten. Ein Produktionsnetzwerk im Werk unterliegt Wartungsfenstern, Latenzschwankungen oder kurzzeitigen Unterbrechungen. Bleibt die Netzanbindung weg, darf der Montagetakt nicht stoppen. Die Bildverarbeitung und die Modellinferenz laufen deshalb vollständig lokal auf einem Industrie-PC direkt an der Prüfstation. Die Latenzzeit pro Prüfzy
Optische Kalibrierung und Beleuchtungsstabilität am Prüfstand
Die größte Fehlerquelle optischer Prüfstationen in Montagehallen ist selten die Modellarchitektur, sondern das unkontrollierte Umgebungslicht. Hallentore, die im Sommer geöffnet werden, wandernde Sonnenstände über Oberlichter sowie wechselnde Hallenbeleuchtungen verändern Farbwerte, Kontraste und Schattenwürfe drastisch. Hinzu kommen feine Aerosole aus Schneid- und Schmierölen, die sich mit der Zeit auf Optiken und Beleuchtungseinheiten absetzen können. Wenn eine Bildpipeline diese Schwankungen nicht mechanisch und softwareseitig abfängt, interpretiert das Convolutional Neural Network veränderte Schattenkanten als Bauteilabweichung oder verpasst feine Montagefehler.
Im Rahmen des Projekts wurde der Erfassungsbereich baulich durch gezielte Abschattungen gegen diffuse Fremdstrahlung isoliert. Ergänzend arbeiten die eingesetzten Kameras mit extrem kurzen Belichtungszeiten in Kombination mit gepulster Hochleistungs-LED-Beleuchtung. Das Überstrahlen des Umgebungslichts sorgt dafür, dass tageszeitliche Schwankungen im Sensorsignal praktisch eliminiert werden. Spezielle Polarisationsfilter minimieren zudem Reflexionen auf frisch bearbeiteten, öligen Metallflächen, die ansonsten Pseudo-Defekte im Algorithmus provozieren würden.
Auf der Softwareseite fängt die vorgeschaltete OpenCV-Pipeline verbleibende Abweichungen systematisch ab. Vor jeder Merkmalsextraktion erfolgt eine automatische Prüfung von Helligkeits- und Histogrammwerten anhand definierter Referenzzonen am Trägersystem. Verändert sich die Grundhelligkeit oder sinkt der Bildkontrast schleichend über mehrere Schichten hinweg ab, generiert das System eine Wartungsmeldung zur Reinigung der Kameraoptik, noch bevor das Modell in einen unsicheren Erkennungsbereich abdriftet. Dieser Kalibriermechanismus entkoppelt die visuelle Inferenz von den schwankenden Umweltbedingungen der realen Schwerindustrie.
Active Learning und Feedback-Schleifen aus der Werker-WebGUI
Ein industrietaugliches Bildverarbeitungssystem darf nach der Erstinbetriebnahme am Band nicht statisch verharren. Wenn neue Motortypen hinzukommen, Zulieferteile minimale Farbschwankungen aufweisen oder Befestigungselemente konstruktiv leicht modifiziert werden, steigt das Risiko für Fehlalarme. Die Akzeptanz bei den Werkern sinkt rapide, wenn das System wiederholt Komponenten als fehlerhaft markiert, die von der Fachabteilung bereits freigegeben wurden. Deshalb wurde die Self-Service-WebGUI als integraler Rückkanal für den Trainingskreislauf konzipiert.
Stößt die Anomalie-Erkennung oder der Klassifikator am Band auf eine Grenzwertverletzung, zeigt die Oberfläche dem Prüfpersonal das markierte Einzelbild mit Bounding Boxes und Vertrauenswerten an. Bestätigt der Werker den Fehler, wird der Befund samt Vektorposition im Datensatz für bekannte Defekte gespeichert. Handelt es sich jedoch um eine zulässige Montagevariante, kann der Werker diesen Status mit einer einfachen Bestätigung erfassen. Diese Korrekturen werden nicht lokal verworfen, sondern zusammen mit den Rohbildern verschlagwortet und automatisch in den zentralen Cloud-Speicher übertragen.
In Databricks laufen diese Datensätze in einer dedizierten Feedback-Warteschlange zusammen. Der Datensatz wird versioniert und dient als Basis für überwachte Retraining-Läufe. Bevor ein neues Modell releasefähig ist, durchläuft es automatische Regressionstests gegen historische Validierungsdaten. So wird sichergestellt, dass das Einlernen einer neuen Variante nicht die Erkennungsleistung bei älteren Aggregaten beeinträchtigt. Erst nach Freigabe durch die Data Engineers wird das optimierte Modell-Artefakt paketiert und an die Prüfstation zurückgespielt.
Schnittstellenkopplung an SPS und Fertigungsleittechnik
Die Integration einer KI-gestützten Sichtprüfung in bestehende Bandabläufe verlangt eine saubere Kopplung an die speicherprogrammierbaren Steuerungen (SPS). Die Vision-Pipeline darf den Fertigungstakt unter keinen Umständen blockieren. Das Erfassen, Verarbeiten und Auswerten der Bilddaten muss präzise mit der Fördertechnik synchronisiert sein. Sobald der Motorträger die Lichtschranke der Prüfstation passiert, übergibt die SPS die eindeutige Motornummer an den Industrie-PC, woraufhin die Kameras synchron getriggert werden.
Die Ergebnisrückmeldung erfolgt über standardisierte Feldbus-Protokolle mit fest definierten Antwortzeiten. Meldet das System innerhalb des vorgegebenen Zeitfensters ein Freigabesignal, wird der Träger für die nächste Station in Richtung Logistik freigeschaltet. Detektiert die Pipeline hingegen ein fehlendes Bauteil oder eine kritische Anomalie, setzt das System ein Sperrsignal. Die SPS leitet den Motorträger daraufhin automatisch auf einen Nacharbeitsplatz aus. Parallel dazu werden die Werker an der Linie über optische Signalgeber alarmiert, um den Fehler unmittelbar an Ort und Stelle einsehen zu können.
Zusätzlich zur Echtzeit-Steuerung puffert das System sämtliche Prüfergebnisse lokal in einer relationalen Zwischendatenbank. Fällt die Verbindung zu übergeordneten Systemen kurzzeitig aus, läuft die Produktion uneingeschränkt weiter. Sobald die Verbindung wiederhergestellt ist, erfolgt der strukturierte Abgleich mit der Fertigungsleittechnik. Diese lückenlose Zuordnung von Bilddaten, Modell-Scores und Motornummern bildet die Grundlage für die spätere Übergabe an das ERP-System und schließt die Lücke zwischen maschineller Wahrnehmung und unternehmensweiter Nachverfolgbarkeit.
