Bildverarbeitungssysteme zur Prüfung: Der vollständige Leitfaden 2026

Was ist ein Bildverarbeitungssystem zur Prüfung?

Die Systeme arbeiten folgendermaßen: Ein Bildverarbeitungssystem zur Prüfung – auch als Machine Vision, automatische Sichtprüfung oder automatische optische Inspektion bezeichnet – prüft das Werkstück direkt in der Produktionslinie innerhalb von etwa 20 Millisekunden und gibt eine Gut- oder Schlecht-Entscheidung aus oder, innerhalb festgelegter Grenzen, Messwerte. Mit solchen Systemen lassen sich für das erste ebenso wie für das millionste Teil dieselben Prüfabläufe anwenden. Das ist in der modernen Fertigung eine Herausforderung, denn die Liniengeschwindigkeit kann Dutzende oder sogar Hunderte Teile pro Minute erreichen. Dieser Leitfaden hilft Ihnen dabei, den passenden Systemtyp auszuwählen. Dieser herstellerneutrale Bericht erläutert, wie Bildverarbeitungssysteme zur Prüfung funktionieren, welche vier Grundkomponenten sie umfassen, welche Haupttypen und Architekturvarianten es gibt, welche Merkmale sie an Werkstücken erkennen können und welche nicht, wie sich die Kosten ermitteln lassen und welche 7 Fragen Ihnen bei der Auswahl des passenden Systems helfen.

Was ist ein Bildverarbeitungssystem zur Prüfung? (Und wie funktioniert es tatsächlich?)

Ein Bildverarbeitungssystem zur Prüfung übernimmt die Funktion der Augen der Prüfer (also einer Industriekamera) und ihres Gehirns (der Softwarelogik) und ersetzt deren subjektive Beurteilung. Maschinen „sehen“ nicht nur besser, sondern vermeiden auch, dass Müdigkeit, Schichtwechsel und Umrüstungen die Entscheidungen beeinflussen. So kann eine Maschine eine 100%ige Prüfung durchführen, während Menschen nur stündlich Stichproben nehmen. Behörden erkennen diesen Unterschied an: Die US FDA stellt fest, dass die visuelle Erkennung von Partikeln durch Menschen ein probabilistisches Ergebnis ist, das von Fehlergröße und Kontrast abhängt – genau dieses Problem soll die automatische Prüfung lösen. Im Hintergrund arbeiten fast alle Bildverarbeitungssysteme nach derselben Abfolge aus vier Schritten, um ihre Aufgabe in Millisekunden zu erfüllen:

1. Bildaufnahme. Sobald das Werkstück in das Sichtfeld der Kamera gelangt, löst ein Trigger (Encoder-Impuls, Lichtschranke oder Zeitgeber) die Kamera aus. Belichtungszeit, Blende, Beleuchtungsgeometrie und Triggerzeitpunkt werden hier festgelegt. Sind sie falsch eingestellt, kann kein nachgelagerter Prozessschritt das ausgleichen.
2. Anschließend extrahiert die Software die für die Anwendung relevanten Kanten, Flächen, Texturen und Positionen (Merkmalsextraktion): kontrastreiche Muster beim Barcode, Kanten bei linearen Messungen und auffällige Bereiche bei der Fehlererkennung.
3. Masken für Regionen von Interesse beschränken die Berechnung auf relevante Bereiche (Erkennung und Segmentierung). Dadurch sinkt der Rechenaufwand und Fehlalarme durch Hintergrundrauschen werden vermieden.
4. D) Schließlich identifiziert die Software das Werkstück, prüft seine Konformität oder misst es anhand einer CAD-Toleranz und gibt ein digitales Gut-/Schlecht-Signal über I/O, einen Prüfbericht oder ein Positionskorrektursignal an einen Roboter oder eine SPS aus (Entscheidung+Ausgabe).

Dieser letzte Schritt macht das Bildverarbeitungssystem zur Prüfung erst wirklich „automatisiert“: Es wandelt ein Bild in ein Gut-/Schlecht-Signal um, auf das die Maschine oder Linie reagieren kann. Normen und Schnittstellenstandards verbinden die Bildverarbeitungskomponenten mit der Kommunikationstechnik – etwa GigE Vision und USB3 Vision sowie Anlagenprotokollen wie PROFINET, EtherNet/IP usw. – und übertragen Befehle und Informationen an MES-, SCADA- und SPS-Systeme auf Anlagenebene.

Wie erkennen Bildverarbeitungssysteme Fehler?

Sie suchen nach Abweichungen von einer Definition fehlerfreier Teile. Ein regelbasiertes System prüft Bildeigenschaften wie Kantenkontrast, Blob-Flächen, Abstände und Farben. Liegen diese Merkmale außerhalb eines vorgegebenen Bereichs, wird das Teil als fehlerhaft eingestuft. Ein Deep-Learning-System lernt anhand von Bildern aus einem Trainingsdatensatz, wie Gutteile aussehen (und möglicherweise auch, wie Fehlerteile aussehen, wenn die Beispiele gekennzeichnet sind). Es bewertet dann, wie ähnlich ein neues Bild einem der Gutteil-Muster ist. In beiden Fällen muss die Beleuchtung den Fehler zunächst sichtbar machen. Selbst ein nur einen halben Pixel großer Kratzer kann durch Dunkelfeldbeleuchtung vor dunklem Hintergrund hervorgehoben werden, denn das Verfahren nutzt den Kontrast und muss nicht die gesamte Form der Fehlstelle auflösen. Beide Ansätze liefern konsistentere Ergebnisse als Menschen. Fortschrittliche KI-Systeme können die Fehlererkennung außerdem auf Merkmale ausweiten, die sich mit menschlichen Prüfvorschriften nicht beschreiben lassen, sowie auf Teile, deren Fehler früher unentdeckt blieben. Ein zuverlässiges automatisiertes Bildverarbeitungssystem hängt deshalb vom richtigen Zusammenspiel aus Licht, Optik, Sensor und Software ab – das schwächste Glied der Kette setzt die Grenze.

Die vier Grundkomponenten: Kamera, Beleuchtung, Objektiv und Software

Viele konzentrieren sich auf die Kamera. Ein Bildverarbeitungssystem zur Prüfung besteht jedoch aus vier Komponenten, wobei die Kamera in der Regel nicht der begrenzende Faktor ist. „Der Sensor ist das Herz des Systems“, sagt A3, die Association for Advancing Automation. Die meisten Fehler gehen jedoch auf Beleuchtungs- oder Optikprobleme zurück und nicht auf die Megapixelzahl. Jede Komponente beeinflusst die Bildqualität. Die Leistungsfähigkeit der Bildverarbeitungshardware (Kamera, Objektiv und Beleuchtung) ist durch das schwächste Glied begrenzt. Deshalb kann eine einfache Smart-Kamera mit passender Beleuchtung bessere Ergebnisse liefern als eine teure Kamera allein. Sehen wir uns die Komponenten und die häufigsten Fehler genauer an.

Aus welchen Komponenten besteht ein Bildverarbeitungssystem zur Prüfung?

Die vier Hauptelemente – Beleuchtung, Optik, Sensor/Kamera und Software – erfassen und analysieren Bilder und werten sie als Einheit aus. Für die Kameraqualität haben sich herstellerunabhängige Spezifikationen etabliert. Dazu gehört die internationale Norm (ISO 12232-1:2024, ISO 24942) mit einem standardisierten Verfahren zur Messung von Kameraeigenschaften wie Quanteneffizienz, Ausleserauschen und Dynamikbereich auf Grundlage der von EMVA 1288 festgelegten Methoden.

Typen von Bildverarbeitungssystemen zur Prüfung: 1D, 2D, 3D und Smart Camera oder PC-basiert

Bildverarbeitungssysteme zur Prüfung lassen sich auf zwei Arten einteilen: nach dem Bildgebungsverfahren (1D, 2D, 3D) und danach, wo die Bildverarbeitung stattfindet (Architektur). Werden diese beiden Kategorien verwechselt, kann das zur Auswahl des falschen Systems führen. Wählen Sie zuerst das Bildgebungsverfahren und dann die Architektur.

Die Entscheidung zwischen 2D und 3D

Für die Auswahl des Bildgebungsverfahrens gibt es eine Entscheidungsregel, die wichtiger ist als alle anderen. Verwenden Sie 2D, wenn das Problem in der Bildebene liegt – etwa bei Schrammen, der Erkennung fehlender Komponenten, der Druckprüfung, dem Barcode-Lesen oder ebenen Abmessungen. Das Verfahren ist schneller und kostengünstiger und nach wie vor am weitesten verbreitet. Sobald der Fehler eine Z-Komponente betrifft, sollten Sie dagegen 3D einsetzen: etwa bei Höhe, Tiefe, Volumen, Koplanarität oder Verzug. Beispiele sind ein abgehobener Bauteilanschluss, ein nicht vollständig ausgefülltes Spritzgießteil, ein verbeulter Behälter oder das Bin Picking, bei dem die Lage des Objekts in allen sechs Bewegungsrichtungen bekannt sein muss. 3D-Bildverarbeitung erfasst zusätzlich eine Tiefenkarte oder Punktwolke. Dazu kommen Varianten des 3D-Scannens wie Lasertriangulation, strukturiertes Licht, Stereo- oder Laufzeitmessung zum Einsatz – verbunden mit höheren Anschaffungs- und Systemkosten. Der Einsatz nimmt jedoch am stärksten zu: Roboter und immer engere Toleranzen verlagern Aufgaben in Bereiche, die sich zweidimensional nicht erfassen lassen. Zeilenkameras erfassen eine weitere Dimension: Sie erstellen hochauflösende Bilder von Bahnwaren wie Folien, Papier oder Elektroden, die sich mit hoher Geschwindigkeit bewegen. Eine Flächenkamera kann dabei nie die gesamte Breite gleichzeitig sehen. Mit einem Zeilenkamerasystem lässt sich ein Streifen, der sich mit Hunderten Metern pro Minute bewegt, vollständig und über 100 % seiner Breite hinweg abbilden. Die ungeschönte Wahrheit zu dieser Architekturentscheidung: PC-basierte Systeme bieten die größte Flexibilität, benötigen dafür aber mehr Platz und verursachen höhere Kosten für Systemintegration und Anschaffung. Die meisten Linien brauchen das nicht. Eine Smart-Kamera, die einen einzelnen Prozessschritt zuverlässig prüft, ist besser als ein PC-basiertes System mit zu vielen Optionen und zu wenig Aufmerksamkeit und Support.

Was Bildverarbeitungssysteme prüfen: Fehlerklassen und Erkennungsverfahren

Wählen Sie eine Lösung, die Reklamationen reduziert, indem sie fehlerhafte Teile aussortiert – keine bloße Liste von Fehlern. Das Bildverarbeitungssystem deckt das gesamte Spektrum optisch erkennbarer Fehlerarten ab. Welche Mindestgröße sich zuverlässig erkennen lässt, hängt vom Verfahren ab, nicht von der Kamera. Die folgende Abbildung zeigt typische Fehlerklassen, die jeweils üblichen Prüfverfahren und die typische Mindestgröße: Farbprüfung (mit einer Farbkamera und Dombeleuchtung) und 3D-Prüfung (mit einer 3D-Kamera) erweitern das Spektrum erkennbarer Fehler um Farbtonabweichungen und Höhenfehler. Diese sind für die Qualitätssicherung des Endprodukts entlang der gesamten Lieferkette entscheidend. Die Liste hat jedoch zwei klare Grenzen. Werkstücke mit Fasen, Radien oder spiegelnden Oberflächen sind tatsächlich schwieriger zu prüfen, weil das Licht von oben an den gewölbten Flächen reflektiert wird. Das ist ein Beleuchtungsproblem, kein Auflösungsproblem. Ein weiterer häufiger Fehler: Manche verwechseln OCR (optische Zeichenerkennung, die Text liest, um eine Aktion auszulösen) mit OCV (optische Zeichenprüfung, die kontrolliert, ob ein bestimmter Text vorhanden ist). Bei der regulatorischen Rückverfolgbarkeit gelten für DataMatrix-2D-Codes genaue Vorgaben: Die FDA regelt mit der DSCSA pharmazeutische Verpackungen, während die EU-Fälschungsschutzrichtlinie für Arzneimittel (Verordnung 2016/161) sicherstellt, dass der DataMatrix-Code mindestens die Druckqualitätsstufe 1.5 gemäß ISO/IEC 15415 erreicht.

Können 3D- und Zeilenkameras Oberflächenfehler an Zylindern erkennen?

Das gilt für die Prüfung zylindrischer Teile. Um alle Fehler am Werkstück zu erkennen, müssen dabei tatsächlich mehrere Verfahren kombiniert werden. Wird die Zeilenkamera mit dem rotierenden Werkstück synchronisiert, entsteht eine abgewickelte Ansicht der gekrümmten Oberfläche. So können Kratzer bei der Umstellung des Prüfbilds nicht übersehen werden. Eine 3D-Prüfung kann zusätzlich Höhenunterschiede zwischen der Werkstückoberfläche und der aufgedruckten Prüfmarkierung erfassen, die mit einer herkömmlichen Kameraprüfung nicht erkennbar sind, weil ein flaches 2D-Bild diese Information nicht enthält. Die Kombination aus Zeilenkameraaufnahme und 3D-Oberflächenprofil des Werkstücks ermöglicht eine zuverlässige Prüfung runder Objekte auf Fehler wie Dellen, Grate auf Oberflächen oder allgemeine Geometrieabweichungen, die herkömmliche Kameras übersehen können. Wie bereits erwähnt, kommt es weiterhin auf die richtige Beleuchtung der Oberfläche an – entscheidend ist nicht, wie kleine Merkmale Sie sehen können, sondern wie Sie sie sichtbar machen.

Automatische optische Inspektion (AOI): der Sonderfall Leiterplatten und Elektronik

Die Elektronikindustrie bezeichnet die Bildverarbeitung von Leiterplatten als automatische optische Inspektion (AOI). AOI steht für Automated Optical Inspection und ist in der Leiterplattenindustrie ein weit verbreitetes Prüfverfahren. Es ist ein eigener Industriezweig zur Erkennung kleiner, dicht angeordneter und standardisierter Fehler wie Lötbrücken, Tombstone-Effekte, fehlende Komponenten oder abgehobene Bauteilanschlüsse, die den anerkannten IPC-A-610-Klassen entsprechen. Der AOI-Markt setzt jährlich Hunderte Millionen Dollar um. Schätzungen für 2024 beziffern diesen Prüfbereich meist auf rund $850 million (je nach Analyseunternehmen). AOI zählt zu den am schnellsten wachsenden Prüftechnologien. Gründe dafür sind immer kleinere Bauteilabstände von bis zu 0,3mm bei 0201-Bauteilen und die Forderung nach null Fehlern bei Elektronikgeräten für die Automobilindustrie und Medizintechnik.

Ein wichtiger Unsicherheitsfaktor für AOI-Käufer sind die Kosten: Ein „AOI-System“ kann alles umfassen, von einer günstigen Einstiegslösung bis hin zu einem Vielfachen dieses Preises. Die folgende AOI-Kostenübersicht zeigt die Preisklassen entlang der AOI-Linie und welche Fehler die jeweilige Ausbaustufe erkennt. Den Integrationsaufwand unterschätzen AOI-Käufer am häufigsten. Integration, Kalibrierung und Bedienerschulung kosten zusätzlich 10-25 % des Verkaufspreises der Kameras. Bei einer Produktionslinie mit mehreren Stationen können die Ingenieurskosten höher ausfallen als die Kosten aller Kameras. Berücksichtigen Sie daher die Investition in das Gesamtsystem und nicht nur die Kosten der Kameras.

Regelbasierte oder Deep-Learning-Bildverarbeitung (KI): Wann eignet sich welcher Ansatz?

Auch bei der industriellen Bildverarbeitung gibt es den Trugschluss „regelbasiert oder KI“. Tatsächlich gibt es unterschiedliche Aufgaben – und meist lautet die Antwort nicht entweder-oder. Die klassische regelbasierte Bildverarbeitung misst definierte Merkmale und liefert die schnelle, präzise und nachvollziehbare Lösung, die für Maßprüfungen oder klar definierte, wiederholbare Prüfungen benötigt wird. Deep Learning spielt seine Stärken bei stark variierenden oder unscharfen Oberflächen aus, mit denen ein Algorithmus Schwierigkeiten hätte. Deep Learning lässt sich jedoch weiter unterteilen. Überwachte Verfahren, die bestimmte Fehler erkennen, benötigen Hunderte bis Tausende gelabelte Bilder je Fehlerkategorie. Unüberwachte Verfahren werden nur mit Gutteilen trainiert und erkennen Abweichungen – die deutlich bessere Option, wenn Fehler selten und unvorhersehbar sind oder noch nicht beobachtet wurden. Dieser letzte Warnhinweis wird von Anbietern häufig übergangen. Ein Modell, das in einem kontrollierten Benchmark gute Ergebnisse erzielt, kann in der Produktion deutlich schlechter abschneiden, wenn Beleuchtung, Werkstückaufnahme oder Produktvielfalt von den Bedingungen während des Trainings abweichen – ein gut dokumentierter Fehlermechanismus bei der industriellen Prüfung. Größere Modelle lösen dieses Problem nicht automatisch; eine sorgfältig kontrollierte und validierte Bildaufnahme ist unerlässlich. Die Patentaktivitäten von 2024-2025 bestätigen diese Entwicklung: Neue Patente wie US10964004B2 beschreiben AOI-Verfahren mit Deep Learning, die den Anteil herausgefilterter Fehlalarme verbessern, während Systeme wie WO2021225876A1 den Einsatz von Deep Learning für die automatisierte Sichtprüfung formalisieren. Veröffentlichte Belege für Verbesserungen sind umfangreich, wenn die Bildaufnahmebedingungen streng kontrolliert werden (in einer Fallstudie stieg die Fehlererkennungsrate von 66 % auf 95 %). Diese Zugewinne werden jedoch nur unter solchen Bedingungen erzielt. ZEUEE setzt gezielt auf regelbasierte Lösungen, wenn sie effizient eingesetzt werden können, und verwendet Deep-Learning-Klassifikatoren nur dort, wo die Variabilität ihren Einsatz erfordert.

So wählen Sie ein Bildverarbeitungssystem aus: 7 Fragen zur Vorauswahl

Die meisten gescheiterten Bildverarbeitungsprojekte scheitern daran, dass das Problem nicht ausreichend definiert wurde. Damit Sie vor Gesprächen mit Anbietern die richtigen Fragen stellen, beantworten Sie diese kostenlose Bewertung mit 7 Fragen. Ihre Antworten fließen direkt in wichtige Konstruktionsentscheidungen zu Kameras, Beleuchtung, Architektur und Software ein. Die Antworten auf alle sieben Fragen bilden eine gute Grundlage für eine aussagekräftige Anfrage zur Angebotsabgabe. Auf Basis Ihrer Antwort auf Frage 2 können Sie außerdem den passenden Rechner für das Verhältnis zwischen Auflösung und Fehlergröße nutzen. Wenn sich zeigt, dass das Teil komplex ist, mehrere Prüfungen erfordert oder eine vollständig integrierte Prüfzelle statt einer einzelnen Kamera benötigt, wenden Sie sich an einen Systemintegrator statt an einen Kataloganbieter – genau so geht ZEUEE bei der Entwicklung unserer Bildverarbeitungssysteme vor.

Kosten und Anbieterübersicht: Cognex, Keyence, Integratoren und kundenspezifische OEMs

Die Preise für Bildverarbeitungssysteme sind bewusst undurchsichtig – Premiummarken veröffentlichen nur selten Listenpreise. Die Kosten hängen jedoch von einer Handvoll Faktoren ab, die Sie selbst einschätzen können: Anzahl der Fehlertypen und Prüfstationen, erforderliche Genauigkeit, Durchsatz, regelbasierter Algorithmus oder Deep Learning sowie Integrationsumfang. Je nach Anbietertyp können Angebote für äußerlich identische Bildverarbeitungsmaschinen um das 2- bis 3-Fache auseinanderliegen. Anbieter von Bildverarbeitungssystemen bündeln optische Prüfsysteme und umfassendere Prüflösungen in unterschiedlichsten Ausführungen. Daher können sich zwei als „Bildverarbeitungslösungen“ vermarktete Produkte bei Leistungsumfang und Preis deutlich unterscheiden.

Ist Cognex oder Keyence besser?

Es gibt keinen eindeutigen Sieger. Jeder Ratgeber, der einen kürt, will Ihnen etwas verkaufen. Praktiker in der r/PLC-Community bringen es auf den Punkt: Beide leisten weitgehend dasselbe, und „Sie benötigen eine angemessene Systembeleuchtung und Umgebungsbeleuchtung“ – unabhängig von der Marke; entscheidend sind Passgenauigkeit und Beleuchtung, nicht das Logo. Als Faustregel aus der Praxis gilt: Keyence punktet oft mit einfacher Bedienung und schlüsselfertiger Inbetriebnahme, während Cognex bei umfassenden Deep-Learning-Anwendungen und besonders anspruchsvollen Aufgaben bevorzugt wird. Welche Lösung die richtige ist, hängt von Ihrer Fehlerliste, der Erfahrung Ihres Teams mit Bildverarbeitung und dem Integrationsumfang ab – genau von den sieben Fragen oben.

Die Realität der Inbetriebnahme: Warum Bildverarbeitungsprojekte ins Stocken geraten und wie Sie Risiken reduzieren

Die unbequeme Wahrheit über die Sichtprüfung lautet: Die Herausforderung besteht nicht darin, das System zu kaufen, sondern darin, es in einer echten Fertigungslinie zum Laufen zu bringen und dauerhaft funktionsfähig zu halten. Projekte geraten bei der Inbetriebnahme viel häufiger ins Stocken, als dass sie bei einer Vorführung scheitern. Ursache ist fast immer eine Abweichung zwischen dem System und dem tatsächlichen Werkstück, den Beleuchtungsbedingungen oder den Produktvarianten – und nur selten eine unzureichende Kamera. A3 bringt es direkt auf den Punkt: Bildverarbeitungssysteme sind komplex und müssen korrekt implementiert werden, damit sich ihre langfristigen Vorteile einstellen. Diese Abfolge zur Risikominderung bewährt sich in der Produktion:

Wir stimmen Beleuchtung und Optik auf den kritischsten Fehler des Kunden ab, weisen die Erkennbarkeit an seinen realen Werkstücken nach und holen erst dann die Abnahme des Kunden ein. Ein Datenblatt, das nur einen Genauigkeitswert angibt und keinen Wert für Fehlrückweisungen nennt, erzählt nur die halbe Geschichte. Deshalb nennen wir beide Werte und stimmen sie auf das Qualitätsniveau der Fertigungslinie ab.“ — ZEUEE Engineering Team, Bildverarbeitung und Sondermaschinenbau

Auch hier zeigt die Erfahrung von ZEUEE ihre Stärke in der Fertigung, nicht in der Broschüre: Unsere mehr als 150 Patente in neun Industriesektoren für Bildverarbeitungszellen belegen, dass wir die Beleuchtung vor der Kamera einrichten und die Erkennung an Ihrem Produkt bestätigen. So kann eines unserer CCD-Systeme zur Messung des Kontaktstiftdurchmessers in der Produktion einen Fehler von .1mm bei nur 25 Teilen pro Minute erkennen. Diese Sorgfalt erstreckt sich auch auf vor- und nachgelagerte Montage- und Prüfprozesse, wenn Ihr Projekt außerdem die automatisierte Steckverbinderprüfung und automatisierte Prüfsysteme umfasst.

Die Zukunft der Sichtprüfung: KI, 3D und Edge-Technologie (2026)

Bei der industriellen Bildverarbeitung ist für heutige Kaufentscheidungen der wichtigste Treiber die Verlagerung des Schwerpunkts von fest programmierten, manuell geschriebenen Regelsystemen hin zu maschinellen Lernverfahren – nicht nur die Schlagzeilen zu Marktvolumina. Drei Trends erklären diese Entwicklung. Der erste ist die zunehmende Nutzung von Deep Learning. Es ermöglicht Anwendungen, bei denen die regelbasierte Bildverarbeitung bisher schlecht abschnitt: kosmetische Fehler, organische und natürlich variierende Oberflächen (wie die zunehmenden Patentanmeldungen zeigen). Der zweite Trend ist das rasante Wachstum der 3D-Bildverarbeitung, das den Gesamtmarkt übertrifft. Angetrieben wird es durch den Einsatz von Robotern, Anwendungen zur Teileentnahme aus Behältern sowie den Bedarf, Höhe, Ebenheit oder Verzug von Werkstücken zu prüfen. Der dritte Trend ist die Verlagerung hin zu Edge-KI, insbesondere in Smart-Kameras und eingebetteten Steuerungen. Dadurch werden KI-Entscheidungen dezentralisiert: Die Inferenz erfolgt direkt in der Kamera statt auf einem zentralen Server. Für Kunden ergibt sich daraus eine konkrete Empfehlung: „Bestellen Sie Systeme, in die sich zu einem späteren Zeitpunkt Deep-Learning-Klassifikatoren integrieren lassen. Achten Sie außerdem darauf, dass Kameras oder Steuerungen genügend Reserven für Edge-KI haben, damit sie nicht veralten, wenn mein Fehlerspektrum bis zum Kauf im Jahr 2026 wächst und sich verändert.“ Immer strengere Vorgaben für null Fehler und Rückverfolgbarkeit – etwa durch die FDA (DSCSA), die EU (FMD) und strengere Qualitätsnormen der Automobilindustrie – treiben das gesamte Marktsegment zur 100-prozentigen Inline-Prüfung, unabhängig davon, welcher KI-Algorithmus zum Standard wird. Tatsächlich bilden Inline-Prüfungen mit intelligenter Bildverarbeitung, hoher Sicherheit und hohem Durchsatz inzwischen das Fundament nahezu jeder Qualitätsorganisation, während sich die Bildverarbeitung zunehmend an den Rand des Netzwerks verlagert. (Für Unternehmen: Der Markt für Bildverarbeitungslösungen bewegt sich im unteren zweistelligen Milliardenbereich und dürfte bei einem jährlichen Wachstum von 8 % bis 10 % in den mittleren zweistelligen Milliardenbereich wachsen. Das zeigt die Bedeutung des Themas, ist aber kein Leitfaden für eine Bestellung!)

Häufig gestellte Fragen