Wie KI bisher unbekannte Fehler erkennt
Im industriellen Umfeld ermöglicht die Anomalieerkennung (auch Anomaliedetektion) eine automatisierte Oberflächeninspektion, bei der signifikante Abweichungen vom erwarteten Normalzustand erkannt werden. Im Gegensatz zu anderen KI-Ansätzen, bei denen konkrete Fehlerbilder vorab definiert werden müssen, arbeitet die Anomaliedetektion ohne vordefinierte Fehlerklassen, was die Implementierung vereinfacht.
Machine Learning
Supervised Learning
(überwachtes Lernen)
Ziel: Klassifikation oder Regression auf Basis gelabelter Daten
Typische Anwendungen in der Qualitätskontrolle:
• Segmentierung (z. B. Defekterkennung)
• Klassifikation (z. B. Typ A / Typ B Produkt)
• Objekterkennung (z. B. Prüfung, ob ein Teil vorhanden oder korrekt montiert ist)
• Optical Character Recognition (OCR) für Etiketten, Seriennummern etc.
Unsupervised Learning
(unüberwachtes Lernen)
Ziel: Klassifikation oder Regression auf Basis gelabelter Daten
Typische Anwendungen in der Qualitätskontrolle:
• Anomalieerkennung (abweichende Muster im Bild oder Prozess)
• Clustering von Prozessdaten (z. B. zur Fehlerursachenanalyse)
• Feature-Reduktion zur Vorbereitung von Modellen oder Visualisierungen
Das Modell wird ausschließlich mit fehlerfreien Beispielen trainiert und entwickelt dabei eine interne Repräsentation des Erscheinungsbilds des Standardprodukts. Konkret bedeutet dies, dass das Modell lernt, was als „normal“ gilt. Abweichungen von diesem erlernten Normalzustand werden im laufenden Betrieb als potenzielle Anomalien erkannt.
Anomaliedetektion bietet einen schnellen Einstieg in die automatisierte Qualitätsprüfung, da sie ohne aufwendige Fehlerannotation auskommt. In industriellen Anwendungen stößt sie jedoch oft an Grenzen – insbesondere, wenn hohe Präzision oder detaillierte Fehlerinformationen erforderlich sind.
Einfache Implementierung
Da keine Defektannotationen benötigt werden, ist der manuelle Aufwand deutlich geringer. Zudem treten fehlerfreie Teile in der Regel wesentlich häufiger auf als defekte.
Erkennt neue Defekte
Ein Anomaliedetektionsmodell erkennt auch unbekannte Defekte zuverlässig, da es ungewöhnliche Muster unabhängig von zuvor definierten Fehlerklassen identifiziert.
Weniger präzise
Bei komplexen Bilddaten ist Segmentierung oft effizienter als Anomalieerkennung. Diese neigt dazu, selbst unkritische Abweichungen als Fehler zu werten, was in der Praxis zu unnötigem Pseudoausschuss führen kann.
Weniger Information
Im Vergleich zur Anomalieerkennung bietet Segmentierung tiefere Einblicke in die Produktion, da Segmentierung auch eine Analyse der verschiedenen Fehlertypen ermöglicht.
Anomaliedetektion und Segmentierungsmodelle haben jeweils spezifische Stärken – und ergänzen sich optimal, wenn es darum geht, eine zuverlässige und effiziente Qualitätskontrolle in der Produktion zu gewährleisten.
Während Anomaliedetektion ohne aufwendige Fehlerannotation auskommt und frühzeitig auf neue oder unbekannte Abweichungen hinweist, liefern Segmentierungs-, Klassifizierungs- oder Objekterkennungsmodelle präzisere Informationen zu Art und Ort konkreter Defekte.
So wird sichergestellt, dass keine relevanten Abweichungen unentdeckt bleiben, auch wenn sich Produkte, Prozesse oder Fehlerarten im Laufe der Zeit verändern.
„Anomalieerkennung kann eigenständig oder ergänzend zu bestehenden Prüfprozessen eingesetzt werden. Sie unterstützt unsere Kunden dabei unbekannte Fehlerbilder frühzeitig zu identifizieren. So können die Datensätze kontinuierlich erweitert, und die Qualität der Systeme nachhaltig verbessert werden.”
ML Engineer
Anomalieerkennung identifiziert Abweichungen vom „Normalzustand“, ohne dass der Fehler explizit bekannt sein muss. Sie eignet sich besonders für die Entdeckung bisher unbekannter Fehlerbilder.
Zum Training genügen in der Regel fehlerfreie Produktdaten (unüberwachtes Lernen), was den Annotierungsaufwand gering hält. Einige gelabelte Fehlerbilder sind jedoch hilfreich, um die Sensitivität zu kalibrieren und die Modellleistung zu validieren.
In den meisten industriellen Anwendungen ist Anomaliedetektion eine ergänzende Technologie innerhalb eines umfassenden Prüfsystems. Sie liefert wertvolle Hinweise auf unbekannte Abweichungen, ersetzt jedoch in der Regel nicht die Modelle, die auf manuell gelabelten Fehlerbildern basieren und für die präzise Klassifikation spezifischer Fehler optimiert sind.
We are ISO 27001 certified.
