Die Erkennung von Anomalien (auch als Anomaliedetektion bezeichnet) eine Methode, bei der eine automatisierte Identifikation ungewöhnlicher oder abweichender Muster in Daten, Prozessen oder Oberflächen erfolgt. Im industriellen Umfeld kommt dafür häufig ein KI-basiertes Verfahren zum Einsatz, da es eine automatisierte Oberflächeninspektion ermöglicht, bei der signifikante Abweichungen vom erwarteten Normalzustand erkannt werden.

Im Gegensatz zu anderen KI-Ansätzen, bei denen konkrete Fehlerbilder vorab definiert werden müssen, erfordert die Anomalieerkennung mit Machine Learning keine vordefinierten Fehlerklassen, was die Implementierung vereinfacht.

Ziel: Klassifizierung oder Regression basierend auf annotierten Daten

Häufige Anwendungsfälle in der industriellen Qualitätskontrolle:

• Segmentierung (z.B. Fehlerlokalisierung auf Oberflächen)

• Klassifizierung (z.B. Produkttyp A vs. Typ B)

• Objekterkennung (z.B. Überprüfung des Vorhandenseins oder der korrekten Positionierung von Komponenten)

• Optische Zeichenerkennung (OCR) zum Lesen von Etiketten, Seriennummern usw.

Ziel: Erkennen von Mustern oder Strukturen in unbeschrifteten Daten

Häufige Anwendungsfälle in der industriellen Qualitätskontrolle:

• Anomalieerkennung (z.B. Identifizierung abnormaler Bild- oder Prozessmuster)


• Clustering von Prozessdaten (z.B. Ursachenanalyse)


• Merkmalsreduktion (z.B. Dimensionsreduktion vor dem Modelltraining oder der Visualisierung)

Ein Anomalieerkennungs-KI-Modell wird ausschließlich mit fehlerfreien Datenpunkten trainiert. Der Algorithmus entwickelt dabei eine interne Repräsentation des Erscheinungsbilds des fehlerfreien Zustands. Konkret bedeutet dies, dass das Modell lernt, was als „normal“ gilt. KI-basierte Methoden sind dabei in der Lage, selbst komplexe Normalzustände präzise zu erfassen und dadurch unnötige Fehlalarme aufgrund unkritischer Abweichungen im OK-Bereich zu vermeiden. Abweichungen von diesem erlernten Normalzustand werden im laufenden Betrieb als statistische Ausreißer erkannt.

Anomalieerkennung mit Machine Learning bietet einen schnellen Einstieg in die automatisierte Qualitätsprüfung, da sie ohne aufwendige Fehlerannotation auskommt. In industriellen Anwendungen stößt das algorithmische Verfahren jedoch oft an Grenzen – insbesondere, wenn hohe Präzision oder detaillierte Fehlerinformationen erforderlich sind.

Anomalieerkennung 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 die Detektion von Anomalien 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.

Bei Maddox AI kombinieren wir beide Ansätze strategisch:

• Die primären Prüfaufgaben wie Fehlerlokalisierung und -klassifizierung werden von dedizierten Segmentierungs- oder Klassifizierungsmodellen übernommen.

• Die Anomalieerkennung läuft kontinuierlich im Hintergrund und warnt die Anwender vor neuen oder bisher ungesehenen Fehlermustern.

So wird sichergestellt, dass keine relevanten Ausreißer Abweichungen unentdeckt bleiben, auch wenn sich Produkte, Prozesse oder Fehlerarten im Laufe der Zeit verändern.