KI-Bildverarbeitung: Warum kontrollierte Laborbedingungen nicht reichen und warum echte Produktionsumgebungen den Unterschied machen.
INSIGHTS
Verfasst von Edwin Schweiger, MSc · COO Danube Dynamics · ca. 10 Minuten Lesezeit
Viele KI-Projekte scheitern nicht am Algorithmus, sondern am Entwicklungsansatz.
Ein Proof of Concept liefert beeindruckende Werte, die Testdaten sind sauber, das Modell wirkt stabil. Beim Übergang in die Produktion bleibt die Leistung dann hinter den Erwartungen zurück – mit konkreten Folgen: Nacharbeit, wiederholtes Training und im schlimmsten Fall Anlagenstillstand.
Mit dem richtigen Entwicklungsansatz lassen sich in der industriellen Bildverarbeitung stabile Erkennungsraten von über 95 Prozent im 24/7-Betrieb erreichen und eine Inbetriebnahme, die planbar ist, statt zum eigentlichen Risiko zu werden.
Systeme, die im Labor überzeugen, kennen die Realität ihrer späteren Umgebung nicht und genau daran scheitern sie in der Produktion.
Gerade bei KI-gestützter Qualitätsprüfung und Machine Vision entscheidet nicht das Labor, sondern die Produktionsumgebung.
In diesem Beitrag:
Warum Proof-of-Concept-Ergebnisse oft trügen.
Im Labor herrschen ideale Bedingungen. Beleuchtung, Kameraposition und Abstände sind konstant. Vorselektierte Bauteile mit typischem Fehlerbild liegen vor und dienen als Basis für die Algorithmusentwicklung bzw. das KI-Training.
Unter diesen Voraussetzungen lassen sich Modelle schnell trainieren und hohe Kennzahlen erreichen. Diese Ergebnisse sind jedoch nur begrenzt aussagekräftig – denn sie basieren auf Daten, die die Realität der späteren Anwendung nicht abbilden.
Gerade in der KI-Bildverarbeitung führt diese Diskrepanz häufig dazu, dass Modelle im Test überzeugen, aber in der Produktion versagen.
Gründe dafür sind unter anderem veränderte Lichtverhältnisse, Variationen in der Positionierung oder Einflüsse wie Verschmutzung von Bauteilen und Optik, die im Labor meist keine Rolle spielen und deshalb unberücksichtigt bleiben.
Labor vs. Produktion
Dieses Muster ist nicht auf Bildverarbeitung beschränkt.
Ähnliche Effekte zeigen sich in vielen datengetriebenen Systemen, bei denen Modelle unter idealisierten Bedingungen entwickelt und später in komplexen realen Umgebungen eingesetzt werden.
Die Realität in der Produktion.
Produktionsumgebungen sind dynamisch.
Lichtverhältnisse verändern sich je nach Schicht und Tageszeit. Maschinen erzeugen Vibrationen. Bauteile und Objekte weisen natürliche Variationen auf. Selbst kleine Abweichungen in Position oder Oberfläche können die Bilddaten deutlich verändern.
Auch das Kamerasystem selbst ist diesen Bedingungen ausgesetzt: Staub, Öldunst oder Metallspäne setzen sich auf der Linse ab und verschlechtern die Bildqualität schleichend – bis zur nächsten Reinigung, die das Setup erneut verändert.
Ein Modell, das diese Variabilität nicht kennt, kann sie nicht zuverlässig verarbeiten. Es trifft falsche Entscheidungen, obwohl sich aus technischer Sicht nichts verändert hat.
Die Folge sind Nacharbeiten, erneutes Training und im schlimmsten Fall Stillstandzeiten.
Praxisbeispiel:
In einem Projekt mit stark reflektierenden Oberflächen war es entscheidend, die relevanten Einflussfaktoren gezielt nachzubilden.
Dafür wurde eine speziell angepasste Prüfbox entwickelt, in der Beleuchtung, Kameraposition und Umgebung exakt auf die Anwendung abgestimmt wurden.
Praxisbeispiel:
In einem Projekt mit stark reflektierenden Oberflächen war es entscheidend, die relevanten Einflussfaktoren gezielt nachzubilden.
Dafür wurde eine speziell angepasste Prüfbox entwickelt, in der Beleuchtung, Kameraposition und Umgebung exakt auf die Anwendung abgestimmt wurden.
Für Machine-Vision-Systeme bedeutet das konkret:
Die visuelle Qualitätskontrolle wird unzuverlässig, obwohl die Technologie grundsätzlich funktioniert.
Ein anderer Ansatz:
Entwicklung in der realen Umgebung.
Viele Projekte entwickeln noch immer zuerst im Labor und transferieren das Ergebnis anschließend in die Produktion.
Genau an dieser Schnittstelle entstehen die größten Probleme. Nicht weil die Modelle schlecht sind, sondern weil die Trainingsdaten nicht zur realen Umgebung passen.
Bei Danube Dynamics orientiert sich die Entwicklung an den Anforderungen der späteren Anwendung.
Auswahl und Konfiguration
Der erste Schritt ist in jedem Fall die Auswahl und Konfiguration der passenden Hardware. Kamera, Optik und Beleuchtung werden auf Basis der konkreten Anforderungen und typischer Fehlerbilder ausgelegt.
Dabei wird zunächst geprüft, ob die relevanten Merkmale grundsätzlich erfassbar sind.
Datenerfassung
Darauf folgt eine initiale Datenerfassungsphase. Das System wird in der vorgesehenen Umgebung aufgebaut und erfasst Bilddaten unter realen Bedingungen, wie sie im laufenden Betrieb anfallen. Diese werden zum Training der KI Modelle verwendet, um eine hohe Erkennungsrate und Prozesstabilität zu erreichen
Bewertung im Anwendungskontext
Statt das Modell nur auf Testdaten zu prüfen, läuft das System im Stand-alone-Betrieb direkt an der Maschine. Es arbeitet parallel zum laufenden Prozess, greift aber nicht aktiv ein, sondern liefert dem Bedienpersonal zusätzliche Informationen.
So lässt sich das tatsächliche Verhalten unter realen Bedingungen bewerten, bevor das System prozessrelevant wird. Erst nach bestandener Testphase wird das System live geschaltet und in den laufenden Prozess produktiv ein gebunden.
Wenn es die Produktionsumgebung erfordert, erfolgt die Entwicklung direkt an der Anlage. In anderen Fällen werden die relevanten Bedingungen gezielt nachgebildet. Etwa durch ein angepasstes Setup mit definierter Beleuchtung und Kameraposition.
Praxisbeispiel:
In der End-of-Line-Prüfung bei einem Automobilzulieferer spielte vor allem die hohe Variantenvielfalt eine Rolle. Entscheidend war nicht, mit perfekten Musterdaten zu arbeiten, sondern die vorhandene Varianz systematisch abzubilden und in das Training zu integrieren.
In solchen Szenarien ist es zudem wichtig, dass Systeme flexibel anpassbar bleiben, etwa durch gezieltes Nachtrainieren mit neuen Varianten durch den Kunden selbst.
Edge AI in der Produktion:
Daten dort erfassen wo sie entstehen.
Bei Danube Dynamics kommt das eigens entwickelte auros-System zum Einsatz, das für den jeweiligen Anwendungsfall adaptiert und direkt an der Anlage betrieben wird.
Mit diesem System ist es möglich, KI-Modelle direkt in der Produktionsumgebung zu entwickeln und zu betreiben.
Der wesentliche Teil in der Entwicklung ist der Fernzugriff. Genau dieser schließt die Lücke zwischen Labor und Produktion:
Modelle werden nicht einmalig trainiert und deployed, sondern können laufend mit echten Produktionsdaten verbessert werden.
Der eigentliche Hebel liegt dabei nicht in der Hardware,
sondern in der Datenarbeit:
Wir analysieren die real erfassten Bilddaten, bereiten sie auf, konvertieren sie und optimieren die KI-Modelle so lange,
bis sie unter Produktionsbedingungen stabil laufen. Genau diese Daten- und Modellkompetenz ist der Kern unserer Arbeit.
Warum ein Edge-System,
wenn das Training doch mehr Rechenleistung braucht?
Der Grund liegt in den unterschiedlichen Anforderungen von Training und Betrieb.
Während das initiale Training hohe Rechenleistung benötigt, ist die spätere Inferenz deutlich weniger ressourcenintensiv. Edge-Systeme sind genau für diesen Dauerbetrieb ausgelegt. Sie arbeiten energieeffizient und können direkt an der Maschine eingesetzt werden, ohne die Infrastruktur unnötig zu belasten.
Umgang mit Daten
Durch die lokale Erfassung und Verarbeitung behalten Kunden jederzeit die Kontrolle über ihre Daten. Die Übertragung erfolgt nur in dem Umfang, der für Entwicklung und Optimierung notwendig ist, und kann an bestehende Sicherheitsanforderungen angepasst werden.
Der Unterschied in der Praxis
Der größte Vorteil zeigt sich bei der Inbetriebnahme.
Stabile Modelle
Da Trainings- und Einsatzumgebung identisch sind, verhalten sich die Modelle stabil. Der Bedarf an nachträglichen Anpassungen sinkt deutlich.
Planbare Inbetriebnahme
Die Inbetriebnahme ist nicht mehr der erste echte Test, sondern ein Schritt in einem bereits validierten Prozess.
Fazit: Hohe Genauigkeit im Labor ist kein verlässlicher Indikator für den späteren Erfolg.
Entscheidend ist, ob ein System unter realen Bedingungen funktioniert.
Wer datengetriebene Systeme erfolgreich einsetzen will, sollte nicht im Labor beginnen, sondern dort, wo die Anwendung tatsächlich stattfindet.
Besonders in Anwendungen mit hoher Variantenvielfalt und kleinen Losgrößen zeigt sich der Vorteil eines produktionsnahen Ansatzes.
Was bedeutet das für Ihr Projekt?
Wenn Sie prüfen möchten, ob Ihre Anwendung für KI-gestützte Bildverarbeitung geeignet ist oder warum bestehende Ansätze nicht stabil laufen, unterstützen wir Sie gerne.
Gemeinsam analysieren wir Ihre reale Produktionsumgebung, bewerten die Datenlage und zeigen Ihnen, wie ein belastbarer Lösungsansatz aussehen kann.
Häufige Fragen (FAQ)
Nein - vorausgesetzt, die Rahmenbedingungen werden richtig berücksichtigt. Entscheidend ist ein stabiles Grundsetup aus Kamera, Optik und Beleuchtung sowie eine Datengrundlage, die die tatsächlich auftretenden Variationen in der Anwendung abbildet. Unter diesen Voraussetzungen lassen sich in der Praxis zuverlässig Erkennungsraten von über 95% erreichen und stabil im 24/7-Betrieb fahren. Höhere Erkennungsraten sind mit zusätzlichem Engineering-Aufwand möglich.
Im Labor werden Modelle unter idealen Bedingungen trainiert: Beleuchtung, Kameraposition und Bauteile sind konstant. In der Produktion treten Variationen auf, die im Training oft nicht berücksichtigt wurden. Dadurch sinkt die Zuverlässigkeit im realen Betrieb. Ein Training im realen Umfeld ist für hohe Prozessstabilität daher unumgänglich.
Die Variabilität der Produktionsumgebung. Änderungen in Licht, Position, Oberfläche oder Bewegung beeinflussen die Bilddaten stark. Systeme müssen genau diese Variabilität beherrschen, um stabil zu funktionieren.
Edge AI beschreibt die Verarbeitung von Bilddaten direkt an der Maschine oder in der Anlage. Dadurch können Daten unter realen Bedingungen erfasst und Modelle direkt in der Produktionsumgebung entwickelt und betrieben werden.
Ein KI-Modell kann nur das lernen, was in den Trainingsdaten enthalten ist. Wenn reale Produktionsbedingungen nicht abgebildet sind, kann das Modell sie auch nicht zuverlässig verarbeiten. Eine realitätsnahe Datengrundlage ist daher entscheidend für stabile Ergebnisse.
Besonders sinnvoll ist der Einsatz bei hoher Variantenvielfalt, kleinen Losgrößen oder komplexen Prüfmerkmalen, die mit klassischen regelbasierten Systemen schwer abbildbar sind.
Eine fundierte Bewertung erfordert die Analyse realer Bilddaten aus der Produktionsumgebung. Dabei werden Machbarkeit, Datenqualität und potenzielle Herausforderungen systematisch bewertet.
Nein. Varianten innerhalb des definierten Produktionsprozesses trainieren Sie mit auros:teach selbstständig direkt am Gerät. Da dabei nur das bestehende Modell erweitert wird, ist kein zusätzlicher Server nötig. auros:teach ist eine Eigenentwicklung von Danube Dynamics und ermöglicht es Ihrem Team, neue Varianten eigenständig zu ergänzen, auch ohne KI-Spezialwissen.
Über den Autor
Edwin Schweiger, MSc
COO
Edwin Schweiger verfügt über langjährige Erfahrung in der Entwicklung von Hardware- und Elektronikprodukten für den Einsatz in der Regelungstechnik. Er hat die Bachelor- und Master-Studiengänge „Hardware-Software-Design“ und „Embedded-Systems-Design“ an der Fachhochschule Oberösterreich am Campus Hagenberg absolviert.
Aufgrund seiner Praxiserfahrung im Produktmanagement sowie in der Zertifizierung und Serieneinführung von Elektronikprodukten verantwortet er als Chief Operating Officer sämtliche operativen Prozesse. In seiner Funktion stellt er außerdem die reibungslose Umsetzung der Projekte sicher und betreut die Großkunden von Danube Dynamics.