Inline-Qualitätskontrolle mit Kamera und KI - auch für Teile, die alle anders aussehen
Wir liefern keine Prüfkameras. Wir bauen die Erkennung dahinter - für Teile, an denen Standard-Prüfsysteme scheitern, weil bei Ihnen fast jedes Stück anders aussieht. Custom-CNN, Anomalie-Erkennung für unbekannte Fehler, Anbindung an Takt, MES und Entwicklung.
Im produktiven Pexon-Stack für optische Prüfung
OpenCV
Databricks
Python
Edge / On-Prem
SAP-Schnittstelle
Inline-Qualitätskontrolle bedeutet: Eine Kamera prüft jedes Teil direkt im Produktionstakt, statt stichprobenartig am Ende. Ein KI-Modell entscheidet in Millisekunden Gut oder Schlecht und meldet den Fehler ans Band. Anders als starre, regelbasierte Prüfsysteme bewältigen lernende Modelle auch hohe Variantenvielfalt - dort, wo fast jedes Teil anders aussieht.
Der teuerste Fehler ist der, den keiner am Band sieht
Dazu kommt die Zehnerregel der Fehlerkosten, die in der Qualitätssicherung seit Jahrzehnten gilt: Mit jeder Prozessstufe, die ein Fehler unentdeckt weiterwandert, verzehnfachen sich die Kosten seiner Beseitigung. Was am Band ein Handgriff wäre, ist beim Kunden ein Serviceeinsatz. Qualitätskosten liegen in der Industrie typischerweise bei vier bis sechs Prozent vom Umsatz, Fehler- und Nacharbeitskosten können in ungünstigen Fällen deutlich darüber liegen.
Der eigentliche Grund, warum viele Werke trotzdem nicht automatisiert prüfen, ist ein anderer. Klassische, regelbasierte Bildverarbeitung braucht ein Referenzbild und eine feste Geometrie. Sobald Ihre Kunden individuelle Varianten bestellen, kippt dieses Prinzip: Das System kann nicht mehr unterscheiden, ob eine Abweichung ein Montagefehler oder eine gewollte kundenspezifische Ausführung ist. Genau an dieser Stelle scheitern Standard-Prüfsysteme - und genau dort setzen lernende Modelle an.
Wann Sie uns nicht brauchen: Wenn bei Ihnen jedes Teil gleich aussieht und die Fehlerbilder bekannt und stabil sind, reicht ein klassisches Prüfsystem vom Spezialanbieter - und es ist günstiger als alles, was wir bauen würden. Wir sagen Ihnen das im Machbarkeits-Check ehrlich, bevor Budget fliesst.
Was eine Prüfung produktionsreif macht
Erkennung, Varianz-Beherrschung, Integration und Betrieb. Fehlt einer davon, bleibt es beim Piloten.
Duale Erkennung
Custom-CNN klassifiziert bekannte Fehlerbilder. Parallel lernt ein unüberwachtes Modell den Gut-Zustand und schlägt an, sobald etwas statistisch abweicht - die Absicherung gegen Fehler, die vorher niemand kannte.
Varianz-Beherrschung
Das Modell unterscheidet echten Defekt von gewollter kundenspezifischer Ausführung. Das ist der Punkt, an dem regelbasierte Systeme aussteigen - und der Grund, warum unser Referenzprojekt überhaupt gestartet wurde.
Integration statt Insel
Erkennung im Takt, Alert an den Werker, Dokumentation im System, Rückspielung an die Entwicklung, Anbindung an MES und SAP. Ohne diesen Anschluss ist die beste Erkennung ein Laborergebnis.
Betrieb und Übergabe
Neue Produktvarianten brauchen Nachtraining, Kameras verschmutzen, Beleuchtung altert. Wir bauen die Nachtrainings-Strecke mit und übergeben sie dokumentiert an Ihr Team.
Was die Kamera bei Ihnen konkret prüft
Acht Aufgaben, die in unseren Gesprächen mit Werk- und QS-Leitern am häufigsten auf dem Tisch liegen. Jede ist ein abgegrenzter erster Anwendungsfall.
Inline-Prüfung im Takt
Jedes Teil wird während der Produktion geprüft, nicht stichprobenartig danach. Entscheidung in Millisekunden, Rückmeldung direkt an die Linie.
Oberflächeninspektion
Kratzer, Lunker, Einschlüsse, Farbabweichungen, Beschichtungsfehler. Die Fehlerbilder, bei denen menschliche Prüfer nach zwei Stunden nachlassen.
Vollständigkeits- und Montageprüfung
Ist das Teil verbaut, sitzt es richtig, fehlt eine Schraube. Der häufigste Einstieg, weil die Fehlerklassen klar definierbar sind.
Spritzguss-Sichtprüfung
Einfallstellen, Grate, Bindenähte, Verzug. Hohe Stückzahlen, kurze Taktzeiten und Fehlerbilder, die stark von Werkzeug und Charge abhängen.
Unbekannte Fehler finden
Unüberwachte Anomalie-Erkennung lernt den Gut-Zustand und meldet alles, was statistisch nicht dazu passt. Für Fehlerbilder ohne Trainingsdaten.
Manuelle Sichtprüfung ablösen
Wo heute Menschen unter Zeitdruck subjektiv bewerten, liefert die Kamera einen reproduzierbaren Befund - und dokumentiert ihn automatisch.
Maß- und Formprüfung
Geometrische Merkmale und Bauteilpräsenz prüfen, auch wenn die Baureihe variiert. Abgleich gegen Soll-Geometrie statt gegen ein starres Referenzbild.
Ware gegen Papier abgleichen
Stimmt das physische Produkt mit Lieferschein, Zeugnis und Auftrag überein. Die Brücke zwischen optischer Prüfung und Dokumentenverarbeitung.
Hardware: Ihr Partner, nicht unser Verkauf
In jedem ernsthaften Gespräch kommt zuerst die Kamerafrage. Dahinter steckt selten Technik, sondern die Frage nach Verantwortung. Deshalb hier die klare Antwort, bevor Sie fragen müssen.
Das liefern wir
- Auswahl und Spezifikation der Kamera- und Beleuchtungstechnik nach Prüfaufgabe
- Bildvorverarbeitung, Modelltraining und Anomalie-Erkennung
- Anbindung an Takt, MES, SAP und Alerting
- Oberfläche für den Werker, inklusive Nachvollziehbarkeit der Entscheidung
- Nachtrainings-Strecke für neue Varianten
- Übergabe an Ihr Team oder laufender Betrieb durch uns
Das liefern wir nicht
- Kameras, Optik und Beleuchtung als Handelsware
- Mechanische Integration und Anlagenbau
- SPS-Programmierung und Steuerungstechnik
- Zertifizierte Prüfmittel nach Norm
- Ein Standardprodukt von der Stange
Der Datenweg: von der Prüfaufgabe zum laufenden Modell
Die meistunterschätzte Hürde ist nicht das Modell, sondern die Frage, woher die Bilder kommen. Deshalb steht dieser Schritt hier an zweiter Stelle, nicht am Rand.
Aufgabe und Fehlerklassen
Welcher Fehler soll erkannt werden, wie sieht er aus, wie oft tritt er auf und was kostet er, wenn er durchrutscht. Ohne diese Schärfe wird jedes Modell beliebig.
Bilddaten erzeugen
Gut-Teile sind reichlich vorhanden, Fehlerbilder fast nie. Deshalb werden Fehler bewusst produziert und aufgenommen, teils per Kamera am Prüfplatz, teils durch mitlaufende Aufzeichnung im laufenden Betrieb.
Modell trainieren und validieren
Custom-CNN plus Anomalie-Erkennung, dann Gegenprüfung gegen die manuelle Sichtprüfung an echten Teilen. Ergebnis ist eine gemessene Trefferquote und eine ausgewiesene Falsch-Positiv-Rate, kein Werbeversprechen.
In den Takt integrieren
Anbindung an Linie und Alerting, Oberfläche für den Werker, Dokumentation im System, Rückspielung an die Entwicklung. Plus die Strecke, mit der Sie neue Varianten selbst nachtrainieren.
Herkömmliche, regelbasierte Bildverarbeitung scheiterte an der Varianz der kundenspezifischen Motoren. Gefordert war ein System, das versteht, ob eine Abweichung ein echter Defekt ist oder eine gewollte Ausführung.
End-of-Line-Prüfung im Motorenbau, bei maximaler Variantenvielfalt
Der Kunde ist auf eigenen Wunsch anonymisiert. Alle Angaben stammen aus der laufenden Projektdokumentation.
Automatisierte End-of-Line-Qualitätssicherung mit Custom CNNs, OpenCV und Databricks
Die Ausgangslage
Der Wettbewerbsvorteil des Kunden ist die extreme Individualisierung seiner Motoren. Genau das macht die Qualitätsprüfung schwer: Innerhalb einer Motorklasse ist fast jedes Stück ein Unikat. Qualitätsmängel wurden am Band teilweise übersehen und fielen erst bei Auslieferung oder Inbetriebnahme auf. Weil es um tonnenschwere Produkte geht, bedeutete jeder dieser Fälle Rücknahme, Rücktransport und Nacharbeit aus der laufenden Logistikkette zurück ins Werk.
Was gebaut wurde
- Duale Erkennung: Custom CNNs für bekannte Fehlerbilder, ergänzt um ein unüberwachtes Modell, das den Gut-Zustand lernt und bei statistisch signifikanten Abweichungen anschlägt - die Absicherung gegen unbekannte Fehler.
- OpenCV-Vorverarbeitung: Ausrichtung, Filterung und Segmentierung, damit die Modelle geometrische Merkmale trotz hoher Variantenvielfalt zuverlässig klassifizieren.
- Skalierung über Databricks: Training und Orchestrierung der Bild-Pipelines, performante Verarbeitung hochauflösender Produktionsbilder, sauberes Daten-Versioning.
- Self-Service-Oberfläche mit Alerting: Erkennt das System am Band einen Fehler, entsteht sofort ein visueller Alert, der Fehler wird automatisch dokumentiert und die Nacharbeit angestossen - bevor der Motor die Halle verlässt.
- Anschluss an die Organisation: Bereitstellung der Befunde für Entwicklung, IT-Support und SAP, sodass aus der Prüfung eine datenbasierte Abstellmassnahme wird statt nur einer Aussortierung.
Die Rolle von Pexon
Pexon ist seit Oktober 2024 als externe Computer-Vision- und Data-Engineering-Verstärkung in ein fünfköpfiges Kernteam integriert. Das Projekt startete technologisch auf der grünen Wiese. Neben der Umsetzung war der Kompetenzaufbau im internen Team ausdrücklicher Teil des Auftrags - das Wissen sollte im Haus bleiben.
Standard-Prüfsystem, Vision-Box oder eigene Erkennung?
Drei Wege, die je nach Aufgabe richtig sind. Die ersten Zeilen zeigen, wo Sie uns nicht brauchen.
| Kriterium | Regelbasiertes Prüfsystem | Vision-Box vom Spezialanbieter | Eigene Erkennung mit Pexon |
|---|---|---|---|
| Gleichteile, stabile Fehlerbilder | ideal, günstigste Lösung | sehr gut | überdimensioniert |
| Einmalkosten | am niedrigsten | niedrig bis mittel | höher, dafür ohne Lizenzbindung |
| Time-to-Value | Wochen | Wochen | Machbarkeit in 2-3 Wochen, Produktion nach Umfang |
| Hohe Variantenvielfalt | scheitert | eingeschränkt | Kernfall |
| Unbekannte Fehlerbilder | nein | meist nein | ja, unüberwachte Anomalie-Erkennung |
| Anbindung an MES, SAP, Entwicklung | begrenzt | herstellerabhängig | Teil der Lösung |
| Nachtraining bei neuen Varianten | Neuparametrierung nötig | über Anbieter | durch Ihr Team, Strecke wird mitgeliefert |
| Wo Bilddaten liegen | lokal | herstellerabhängig, teils Cloud | frei wählbar, on-premise möglich |
| Wem das Modell gehört | Systemhersteller | Anbieter | Ihnen, inklusive Code-Transfer |
| Ideal wenn ... | Serienteil, klarer Sollzustand | Standard-Aufgabe, schneller Start | Varianz, unbekannte Fehler, Integration in Ihre Datenlandschaft |
Wer die Erkennung baut
Keine Slide-Fabrik. Die Menschen, die Bildpipelines und Modelle tatsächlich umsetzen.
Verantwortet Machbarkeit, Zielarchitektur und die ehrliche Einordnung, wann eine Aufgabe besser zum Spezialanbieter gehört.
Bindet die optische Prüfung an Dokumente und Zeugnisse an - der Abgleich von physischer Ware gegen Papier.
Ansprechpartner für Zielbild und Make-or-Buy, wenn die Frage lautet, ob sich der Aufwand überhaupt rechnet.
Was optische Prüfung kostet
Vier Stufen, jede einzeln beauftragbar. Software-Aufwand und Hardware sind bewusst getrennt ausgewiesen, weil die Hardware nicht über uns läuft.
- Aufgabe und Fehlerklassen schärfen
- Bewertung Ihrer vorhandenen Bilder
- Aussage zur nötigen Kamera- und Beleuchtungstechnik
- Ehrliche Einordnung, ob ein Standardsystem reicht
- Aufwandsschätzung für PoC und Produktion
- Modelltraining auf Ihren echten Teilen
- Aufbau der Bilddaten-Strecke
- Gegenprüfung gegen die manuelle Sichtprüfung
- Ausgewiesene Trefferquote und Falsch-Positiv-Rate
- Belastbare Grundlage für die Investitionsentscheidung
- Integration in Takt und Linie
- Oberfläche und Alerting für den Werker
- Anbindung an MES, SAP und Entwicklung
- Nachtrainings-Strecke für neue Varianten
- Dokumentation und Übergabe an Ihr Team
- Kamera, Optik, Beleuchtung, Rechner
- Spezifikation liefern wir, Beschaffung machen Sie
- Einfache Plätze ausserhalb des Takts: sehr günstig
- Inline im Takt, Mehrkamera, schwieriges Licht: deutlich teurer
- Keine Marge, kein Aufschlag über uns
Alle Preise netto zuzüglich Umsatzsteuer, kalkuliert über Personentage mal Tagessatz. Wir arbeiten mit Festpreisen statt nach Aufwand, damit das Aufwandsrisiko bei uns liegt und nicht bei Ihnen. Was nicht im Festpreis steckt, benennen wir vorab: Hardware, Cloud- beziehungsweise Rechenkosten sowie der laufende Betrieb. Eine Erfolgsgarantie geben wir bewusst nicht - was wir zusagen, ist eine gemessene Trefferquote im Proof of Concept, bevor Sie über die Produktion entscheiden.
11 Fragen von Werk- und QS-Leitern
Liefern Sie auch die Kameras und die Beleuchtung?
Was kostet die Kameratechnik ungefähr?
Wie genau erkennt das System Fehler wirklich?
Wie viele Bilder brauchen wir zum Anlernen?
Schafft das unsere Taktzeit?
Unsere Teile sind alle unterschiedlich. Geht das überhaupt?
Wir haben schon einen Proof of Concept, der nicht in Produktion kommt.
Was passiert, wenn eine neue Produktvariante dazukommt?
Müssen die Bilddaten in die Cloud?
Wem gehört das Modell am Ende?
Ab wann rechnet sich das?
Was Sie neben der Erkennung einkaufen
Zertifizierung und Partner
- ISO 27001 zertifiziert
- Microsoft Solutions Partner
- Google Cloud und AWS Partner
- 400+ abgeschlossene Cloud- und KI-Projekte
Datenhoheit im Werk
- Betrieb vollständig on-premise möglich
- Auswertung direkt an der Linie, ohne Cloud-Anbindung
- Produktions- und Konstruktionsdaten verlassen das Werk nicht
- Kein Training des Anbieters auf Ihren Bildern
Ownership und Ausstieg
- Modell auf Ihren Daten, gehört Ihnen
- Vollständiger Code- und Infrastruktur-Transfer
- Nachtrainings-Strecke dokumentiert übergeben
- Kompetenzaufbau im internen Team als Projektziel
- Kein Lizenzmodell, keine Anbieterbindung
30 Minuten Machbarkeits-Check.
Bringen Sie einen konkreten Fall mit: das Teil, den Fehler, der durchrutscht, und was er kostet, wenn er beim Kunden auffällt. Wir sagen Ihnen ehrlich, ob eine lernende Erkennung der richtige Weg ist - oder ob ein Standard-Prüfsystem Ihr Problem günstiger löst.
Vertiefung und verwandte Leistungen
Anwendungsfall
Kamerabasierte Inline-Qualitätskontrolle im Takt
Anwendungsfall
Optische Oberflächeninspektion
Branche
Sichtprüfung im Spritzguss
Verfahren
Deep-Learning-Fehlererkennung
Anwendungsfall
Montagefehler verhindern statt nachbessern
Überblick
KI-gestützte visuelle Inspektion
Branchen-Hub
KI in der Fertigung: alle Anwendungsfälle
Leistung
Document Intelligence: Ware gegen Papier abgleichen
Parent-Hub
KI-Beratung im Überblick
Angebot
6-Wochen-Pilotprojekt als Festpreis-Einstieg