Baue ohne KI-Fachkenntnisse ein kamerabasiertes visuelles Prüfsystem auf

Jedes Produkt, das wir verwenden – ob Telefon, verpackter Artikel oder Autoteil – durchläuft eine Form der Qualitätsprüfung, bevor es uns als Endverbrauchern erreicht. Traditionell erfolgte diese Prüfung manuell oder mithilfe einfacher regelbasierter Systeme. Diese Methoden funktionieren zwar, sind bei steigender Produktion aber oft langsam, uneinheitlich und schwer skalierbar.

Um die Qualitätsprüfung zu verbessern, setzen viele Branchen auf Computer Vision, ein Teilgebiet der künstlichen Intelligenz, das Maschinen hilft, Bilder und Videos zu verstehen. So können Modelle für visuelle KI wie Ultralytics YOLO26 Mängel mit hoher Genauigkeit erkennen, klassifizieren und lokalisieren.

In realen Produktionsumgebungen lassen sich diese Modelle zur Analyse von Bildern einsetzen, die direkt an Hochgeschwindigkeits-Montagelinien aufgenommen werden. Während die Produkte verschiedene Stationen durchlaufen, erfassen Industriekameras sie, und das System prüft sie auf Probleme wie Kratzer, fehlende Teile oder Fehlausrichtungen. Dadurch werden Fehler schneller und konsistenter erkannt, während die Prüfung großer Stückzahlen unterstützt wird.

Früher erforderte der Aufbau solcher Systeme mehrere Werkzeuge und umfangreiches technisches Fachwissen. Das machte den Prozess komplex und zeitaufwendig. Unsere neue Komplettlösung für Computer Vision, die Ultralytics Platform, vereinfacht den Prozess, indem sie Datenaufbereitung, Annotation, Modelltraining und Bereitstellung an einem Ort vereint.

In diesem Artikel zeigen wir dir, wie du mit der Ultralytics Platform praxisnahe, kamerabasierte Systeme für die visuelle Inspektion aufbauen kannst, ohne tiefgehende KI-Kenntnisse zu benötigen. Los geht’s!

Die Rolle von Computer Vision bei der Qualitätskontrolle#

Bevor wir uns damit befassen, wie die Ultralytics Platform den Aufbau von Prüfsystemen erleichtert, wollen wir einen Schritt zurücktreten und die Rolle von Computer Vision bei der Qualitätsprüfung verstehen.

Die Prüfung ist ein wichtiger Teil des Fertigungsprozesses: Sie stellt sicher, dass Produkte Qualitätsstandards erfüllen und frei von Mängeln sind. Die Ergebnisse können jedoch schwanken, besonders bei langen Schichten oder hoher Produktionsmenge.

Um die Prüfung zuverlässiger zu machen, setzen viele Branchen Computer Vision, auch maschinelles Sehen genannt, ein. Diese analysiert Bilder aus der Produktionslinie und erkennt Mängel. Die Systeme nutzen Deep Learning: Modelle und Algorithmen lernen dabei Muster aus großen Mengen hochwertiger, beschrifteter Bilder.

Beim Modelltraining erhält ein Modell Beispiele sowohl fehlerfreier Produkte als auch verschiedener Mängel. Mit der Zeit lernt es, diese Muster selbstständig zu erkennen. Nach dem Training kann ein Modell große Produktmengen prüfen und dabei stets dieselben Kriterien anwenden, was die Genauigkeit erhöht.

Gängige Computer-Vision-Aufgaben bei der Qualitätsprüfung#

Anwendungen des maschinellen Sehens werden durch Computer-Vision-Modelle wie Ultralytics-YOLO-Modelle ermöglicht, die verschiedene Arten visueller Aufgaben unterstützen. Hier ein Überblick darüber, wie diese Aufgaben der visuellen KI in automatisierten Prüfabläufen eingesetzt werden:

• Bildklassifizierung: Bei dieser Aufgabe wird einem gesamten Bild ein einziges Label zugewiesen, etwa „gut“ oder „fehlerhaft“. Sie bietet eine allgemeine Einschätzung der Produktqualität, ohne die Position von Mängeln anzugeben.
• Objekterkennung: Sie hilft dabei, Mängel in einem Bild zu erkennen und mithilfe von Begrenzungsrahmen zu lokalisieren. So lassen sich Probleme wie Risse, Kratzer oder fehlende Bauteile erkennen und orten.
• Instanzsegmentierung: Diese Aufgabe geht über die Objekterkennung hinaus und sagt für jeden erkannten Mangel Masken auf Pixelebene voraus. Das ermöglicht eine präzise Analyse von Form, Größe und Umrissen der Mängel.
• Objektverfolgung: Bei der Verfolgung von Produkten über mehrere Bilder hinweg folgt das System den Objekten, während sie sich durch die Produktionslinie bewegen. So bleibt die Verfolgung konsistent und Mängel werden nicht übersehen.
• Erkennung orientierter Begrenzungsrahmen (OBB): Bei dieser Aufgabe werden Objekte mithilfe gedrehter statt achsenparalleler Begrenzungsrahmen erkannt. Das ist besonders nützlich, wenn Mängel oder Bauteile in unterschiedlichen Winkeln erscheinen, und ermöglicht eine genauere Lokalisierung.

Anwendungen der Qualitätsprüfung in verschiedenen Branchen#

Computer Vision wird branchenübergreifend eingesetzt, um die Produktqualität zu sichern, Standards einzuhalten und den Bedarf an manueller Prüfung zu verringern. Zu den wichtigen Aufgaben zählen die Erkennung und Klassifizierung von Mängeln, die Objekterkennung, Messungen und die Erkennung von Anomalien.

Abb. 1: Beispiel für die Erkennung und Verfolgung von Produkten mit Systemen für maschinelles Sehen (Quelle)

Hier sind einige Beispiele für reale Anwendungsfälle:

• Fertigung: Die Erkennung von Oberflächenmängeln identifiziert Probleme wie Kratzer, Dellen, Risse und Verfärbungen, indem Bilder von Produkten auf der Produktionslinie für die laufende Fehlerprüfung analysiert werden. Das System kann außerdem fehlende Teile oder Montagefehler in Echtzeit erkennen und so die kontinuierliche Prüfung unterstützen.
• Automobilindustrie: Computer-Vision-Systeme analysieren Motorteile und Karosserieteile, um die Ausrichtung zu überprüfen und Schäden zu erkennen. Sie sind besonders wirkungsvoll bei der Prüfung komplexer Formen und schwer zugänglicher Bereiche und arbeiten häufig mit Robotersystemen zusammen, um eine präzise Positionierung und automatisierte Prüfung zu ermöglichen.
• Elektronik und Halbleiter: Diese Systeme erkennen kleine Mängel an Bauteilen wie Leiterplatten (PCBs), darunter Lötfehler, Mikrorisse und beschädigte Schaltkreise. Durch die Analyse hochauflösender Bilder lassen sich selbst sehr feine Mängel erkennen, die bei manuellen Prüfungen oft übersehen werden.
• Verpackung und Logistik: Visuelle Systeme scannen Barcodes, lesen Produktetiketten und prüfen die Verpackungsqualität. Sie stellen sicher, dass Produkte ordnungsgemäß verpackt und versiegelt sowie versandbereit sind, und reduzieren so Fehler.
• Lebensmittel und Getränke: Prüfsysteme mit Bildverarbeitungskameras oder Bildverarbeitungssensoren analysieren das Erscheinungsbild von Produkten und erkennen Probleme wie mangelhafte Versiegelungen, Kontaminationsrisiken, falsche Etikettierung oder optische Abweichungen. So tragen sie zur Qualität und Sicherheit bei.
• Pharmaindustrie: Computer Vision wird eingesetzt, um Tabletten, Fläschchen und Verpackungen auf Mängel wie Risse, Kontaminationen, falsche Etikettierung oder uneinheitliche Füllstände zu prüfen. So werden die Einhaltung strenger regulatorischer Standards und die Produktsicherheit sichergestellt.

Prüfabläufe mit der Ultralytics Platform effizienter gestalten#

Stell dir eine Fertigungslinie vor, auf der Produkte verschiedene Stationen durchlaufen und Kameras kontinuierlich Bilder für die Prüfung aufnehmen. Anhand dieser Bilder werden die Produkte auf Mängel wie Kratzer, fehlende Teile oder Fehlausrichtungen geprüft.

Bisher erforderte der Aufbau und Betrieb solcher Prüfsysteme mehrere Werkzeuge und einiges an technischem Fachwissen.

Bei Ultralytics haben wir regelmäßig Rückmeldungen aus der Community für visuelle KI dazu erhalten, wie fragmentiert und zeitaufwendig dieser Prozess sein kann. Häufige Engpässe sind verstreute Werkzeuge, eine komplexe Einrichtung der Arbeitsumgebung, ineffiziente Datenbeschriftung, Verzögerungen beim Modelltraining und Schwierigkeiten bei der Bereitstellung. Diese Rückmeldungen haben die Entwicklung der Ultralytics Platform maßgeblich geprägt.

Abb. 2: Ein Einblick in die Ultralytics Platform (Quelle)

Mit der Ultralytics Platform lassen sich der gesamte Entwicklungs- und Bereitstellungsprozess an einem Ort abwickeln. Rohdaten können hochgeladen und annotiert werden, um Trainingsdatensätze zu erstellen. Diese dienen anschließend zum Trainieren von Modellen für die Erkennung von Mängeln. Nach dem Training können die Modelle zur Analyse neuer Bilder aus der Produktionslinie bereitgestellt werden. Integrierte Werkzeuge ermöglichen es, die Leistung im Zeitverlauf zu überwachen.

Die Ultralytics Platform vereint nicht nur den gesamten Arbeitsablauf an einem Ort, sondern ist auch einfach zu bedienen. Selbst Nutzer mit wenig Erfahrung im maschinellen Lernen können schnell von der ersten Idee bis zur Produktion gelangen.

Mängel in Bildern mit der Ultralytics Platform kennzeichnen#

Nachdem wir gesehen haben, wie die Ultralytics Platform den Arbeitsablauf vereint, gehen wir nun die einzelnen Schritte der Pipeline für visuelle KI durch. Wir beginnen mit dem Hochladen der Daten und dem Kennzeichnen von Mängeln.

Prüfdatensätze auf der Ultralytics Platform verwalten#

Der erste Schritt besteht darin, Daten auf die Plattform zu laden. Du kannst Bilder, Videos oder Datensatzarchive wie ZIP-, TAR- oder GZ-Dateien hochladen. Gängige Datensatzformate wie YOLO und COCO werden unterstützt, sodass vorhandene Datensätze ohne zusätzliche Schritte importiert werden können.

Du kannst auch schneller loslegen, indem du von der Community bereitgestellte Datensätze verwendest. Diese Datensätze lassen sich erkunden und in deinen Arbeitsbereich klonen, sodass du auf vorhandenen Daten aufbauen kannst, statt von vorn anzufangen. Nach dem Klonen kannst du sie für deinen konkreten Anwendungsfall aktualisieren und erweitern.

Wenn du an verschiedenen Experimenten arbeitest, kannst du Datensätze wiederverwenden, indem du sie als NDJSON-Dateien importierst. So lassen sie sich einfacher reproduzieren oder weitergeben, ohne dass eine zusätzliche Konvertierung nötig ist.

Nach dem Hochladen bereitet die Plattform die Daten automatisch vor. Sie prüft Dateiformate, verarbeitet Annotationen, ändert bei Bedarf die Bildgröße und erstellt grundlegende Statistiken zum Datensatz. Videos werden in Einzelbilder zerlegt, damit sie für das Training verwendet werden können. Bilder werden für eine einfachere Durchsicht und Analyse optimiert.

Datenannotation mit der Ultralytics Platform#

Sobald die Daten bereit sind, folgt die Datenannotation. Dabei werden Mängel gekennzeichnet, damit das Modell lernt, was es erkennen soll. Die Ultralytics Platform enthält einen integrierten Annotationseditor, der Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Pose-Schätzung und die Erkennung orientierter Begrenzungsrahmen unterstützt.

Je nach Anwendungsfall kannst du Daten manuell mit Werkzeugen wie Begrenzungsrahmen, Polygonen oder Schlüsselpunktmarkierungen beschriften. Um den Vorgang zu beschleunigen, bietet die Plattform außerdem KI-gestützte Beschriftung.

Mit der SAM-basierten intelligenten Annotation kannst du Objekte beispielsweise mit einfachen Klicks kennzeichnen. Wenn du Bereiche auswählst, die ein- oder ausgeschlossen werden sollen, erstellt das System in Echtzeit eine Maske, die du bei Bedarf anpassen kannst.

Abb. 3: SAM-gestützte intelligente Annotation in der Ultralytics Platform (Quelle)

Zusätzlich kann die YOLO-basierte intelligente Annotation mithilfe von Modellvorhersagen automatisch Labels erzeugen. Diese lassen sich überprüfen und verfeinern. So kannst du große Datensätze einfacher bearbeiten, ohne alles manuell zu beschriften.

Der Annotationseditor bietet außerdem Funktionen wie Klassenverwaltung, Bearbeitung von Annotationen, Tastenkombinationen sowie Rückgängig- und Wiederholen-Optionen. So kannst du konsistent arbeiten und Annotationen leichter überprüfen, während dein Datensatz wächst.

Während du Daten beschriftest, zeigt die Plattform unter anderem die Klassenverteilung und die Anzahl der Annotationen an. So kannst du Lücken erkennen, Unstimmigkeiten beheben und die Qualität des Datensatzes verbessern, bevor du mit dem Training beginnst.

YOLO26 zur Erkennung von Mängeln auf der Ultralytics Platform trainieren#

Als Nächstes trainierst du ein Modell, das mithilfe der beschrifteten Daten Mängel automatisch erkennt. Die Ultralytics Platform unterstützt das Training mit Ultralytics-YOLO-Modellen, darunter YOLO26, das sich für Aufgaben wie Objekterkennung, Instanzsegmentierung und Bildklassifizierung einsetzen lässt.

Das Training wird über ein einheitliches Dashboard verwaltet, in dem du Trainingsaufträge konfigurieren, ausführen und überwachen kannst. Zum Einstieg wählst du einen Datensatz aus: einen, den du hochgeladen oder auf der Plattform annotiert hast, einen der dort verfügbaren öffentlichen Datensätze oder einen, den du aus der Community geklont hast.

Nach der Auswahl wird der Datensatz automatisch mit dem Trainingslauf verknüpft. Dadurch lassen sich Experimente einfacher nachverfolgen und konsistent durchführen.

Anschließend kannst du Trainingsparameter wie die Anzahl der Epochen, die Stapelgröße, die Bildgröße und die Lernrate konfigurieren. Diese Einstellungen bestimmen, wie das Modell lernt, und wirken sich direkt auf Trainingsdauer und Leistung aus.

Training ausführen und überwachen#

Anschließend kannst du festlegen, wie das Training ausgeführt werden soll. Die Plattform unterstützt Cloud-Training auf verwalteten GPUs, lokales Training mit deiner eigenen Hardware und browserbasierte Arbeitsabläufe in Umgebungen wie Google Colab.

Beim Cloud-Training kannst du aus verschiedenen GPU-Optionen wählen, etwa RTX 2000 Ada und RTX A4500 für kleinere Experimente, RTX 4090 oder RTX A6000 für anspruchsvollere Workloads sowie leistungsstarke Optionen wie A100 oder H100 für das Training in großem Maßstab.

Sobald das Training beginnt, kannst du den Fortschritt direkt auf der Plattform überwachen. Das Dashboard bietet einen Echtzeitüberblick über wichtige Kennzahlen wie Verlustkurven und Leistungsmetriken sowie über die Systemauslastung und Trainingsprotokolle. So kannst du leicht nachvollziehen, wie das Modell lernt, und potenzielle Probleme frühzeitig erkennen.

Abb. 4. Mit der Ultralytics Platform kannst du den Trainingsfortschritt ganz einfach überwachen (Quelle)

Während du mehrere Experimente durchführst, erfasst die Plattform Konfigurationen, Datensätze und Ergebnisse an einem Ort. So kannst du verschiedene Trainingsläufe unkompliziert vergleichen, die Leistung anhand von Kennzahlen wie Präzision, Trefferquote und mAP bewerten und das leistungsstärkste Modell für die Bereitstellung auswählen.

Ein Vision-Modell über die Ultralytics Platform bereitstellen#

Nach dem Training solltest du zunächst prüfen, wie gut das trainierte Modell mit neuen, unbekannten Daten zurechtkommt, bevor du es bereitstellst. Die Ultralytics Platform verfügt über einen integrierten Tab „Predict“, mit dem du Modelle direkt im Browser und ohne Einrichtung testen kannst.

Du kannst Bilder hochladen, Beispieldaten verwenden oder Eingaben über eine Webcam aufnehmen. Die Ergebnisse werden sofort mit visuellen Einblendungen und Konfidenzwerten angezeigt. So kannst du die Modellleistung schnell überprüfen und Probleme erkennen, bevor du das Modell in reale Systeme integrierst.

Sobald das Modell validiert wurde, kannst du es je nach Anwendungsfall auf unterschiedliche Weise bereitstellen. Hier findest du einen genaueren Überblick über die von der Ultralytics Platform unterstützten Optionen zur Modellbereitstellung:

• Gemeinsam genutzte Inferenz: Mit dieser Option kannst du über eine REST API auf das Modell zugreifen und es so einfach in Anwendungen oder Workflows integrieren. Sie läuft auf einem System mit mehreren Mandanten in einigen zentralen Regionen, wobei Anfragen automatisch an den nächstgelegenen verfügbaren Dienst weitergeleitet werden. Das eignet sich gut für Entwicklung, Tests und eine geringere Nutzung, bevor du zum Produktivbetrieb wechselst.
• Dedizierte Endpunkte: Für den Produktivbetrieb können Modelle als dedizierte Endpunkte mit eigenen Rechenressourcen bereitgestellt werden. Diese laufen als Dienste mit jeweils einem Mandanten in 43 Regionen weltweit und tragen dazu bei, die Latenz zu verringern, indem sie näher an den Endnutzern bereitgestellt werden. Außerdem unterstützen sie automatische Skalierung und die Skalierung auf null, sodass sich die Ressourcen automatisch an den Datenverkehr anpassen können.
• Modellexport: Modelle lassen sich exportieren und außerhalb der Plattform auf lokalen Systemen oder Edge-Geräten ausführen. Die Plattform unterstützt 17 Formate, darunter ONNX, TensorRT, OpenVINO, CoreML und TensorFlow Lite. Die Exportoptionen unterstützen außerdem Optimierungen wie FP16- und INT8-Quantisierung, um die Modellgröße zu verringern und die Inferenzgeschwindigkeit auf unterschiedlicher Hardware zu verbessern.

Mit der Ultralytics Platform bereitgestellte Modelle überwachen#

Der Lebenszyklus einer Bildverarbeitungs- oder Computer-Vision-Lösung endet nicht mit der Bereitstellung des Modells. Das gilt auch für visuelle Inspektionssysteme. Sobald ein Modell im Produktivbetrieb läuft, muss es kontinuierlich überwacht werden, damit es auch bei veränderten Bedingungen zuverlässig funktioniert.

Die Ultralytics Platform bietet ein integriertes Überwachungs-Dashboard, das einen klaren Überblick über die Leistung der bereitgestellten Modelle gibt. Über eine einzige Benutzeroberfläche kannst du Anfragenaktivitäten verfolgen, Protokolle einsehen und den Betriebszustand jeder Bereitstellung prüfen. So kannst du nachvollziehen, wie die Modelle verwendet werden und wie sie sich im Lauf der Zeit verhalten.

Das Dashboard umfasst wichtige Kennzahlen wie die Gesamtzahl der Anfragen, Fehlerraten und Latenz. So kannst du Leistung und Reaktionsfähigkeit beurteilen. Die Kennzahlen werden regelmäßig aktualisiert und geben Aufschluss über Nutzungsmuster und die Zuverlässigkeit des Systems.

Eine integrierte Weltkarte zeigt, wie Anfragen und Bereitstellungen auf verschiedene Regionen verteilt sind. Da Bereitstellungen an mehreren Orten weltweit unterstützt werden, hilft dir diese Ansicht dabei, die geografische Nutzung nachzuverfolgen und die Leistung der Modelle in unterschiedlichen Umgebungen zu verstehen.

Abb. 5. Überwachung bereitgestellter Modelle auf der Ultralytics Platform (Quelle)

Für eine eingehendere Analyse enthält jede Bereitstellung detaillierte Protokolle mit Zeitstempeln, Anfragedetails und Fehlermeldungen. Die Protokolle lassen sich nach Schweregrad filtern, sodass du Probleme einfach debuggen und Fehler schnell erkennen kannst. Außerdem liefern Integritätsprüfungen Statusanzeigen in Echtzeit, anhand derer du siehst, ob eine Bereitstellung wie erwartet läuft oder Aufmerksamkeit erfordert.

Die Überwachung spielt auch bei der Optimierung eine wichtige Rolle. Wenn sich Eingabedaten, Datenverkehr oder Nutzungsmuster ändern, kann die Leistung variieren. Durch das Erfassen von Kennzahlen und Protokollen kannst du Probleme wie hohe Latenz, steigende Fehlerraten oder Skalierungsgrenzen erkennen und Maßnahmen ergreifen, um eine gleichbleibende Leistung sicherzustellen.

Vorteile der Ultralytics Platform für die Entwicklung von Vision-Lösungen#

Hier sind einige der wichtigsten Vorteile der Ultralytics Platform für die Entwicklung und Skalierung visueller Inspektionssysteme:

• Für den Einsatz in der Praxis optimiert: Funktionen wie automatisch skalierende Endpunkte, Edge-Bereitstellung und Modellexport sorgen dafür, dass das System in Produktivumgebungen zuverlässig läuft.
• Kürzere Entwicklungszyklen: Integrierte Tools und Standardeinstellungen helfen dir, effizienter von Rohdaten zu einem funktionierenden System zu gelangen.
• Einfache Bedienung: Intuitive Benutzeroberflächen, optimierte Workflows und minimale Einrichtungsanforderungen machen die Plattform für Einsteiger und erfahrene Nutzer zugänglich.
• Weniger manuelle Arbeit: Funktionen wie KI-gestützte Annotation und automatisierte Datenverarbeitung verringern den Zeitaufwand für wiederkehrende Aufgaben.
• Langfristig skalierbar: Wenn sich die Anforderungen ändern, kannst du das System durch das Hinzufügen neuer Daten und erneutes Trainieren der Modelle aktualisieren. So lässt es sich an neue Fehlertypen, Bedingungen und Mehrkamera-Konfigurationen anpassen.

Die wichtigsten Erkenntnisse#

Die Entwicklung eines kamerabasierten visuellen Inspektionssystems muss weder komplex sein noch umfassende KI-Kenntnisse erfordern. Mit der Ultralytics Platform kannst du an einem Ort von Rohdaten zu einem funktionierenden System gelangen und dessen Leistung überwachen. Dadurch lässt sich die Entwicklung, Verbesserung und der Betrieb von Inspektionssystemen in der Praxis vereinfachen.

Werde Teil unserer Community und sieh dir unser GitHub-Repository an, um mehr über Vision-KI zu erfahren. Entdecke unsere Lizenzoptionen, um deine Computer-Vision-Projekte zu starten. Interessierst du dich für Innovationen wie KI in der Fertigung oder Computer Vision in der Automobilindustrie? Auf unseren Lösungsseiten erfährst du mehr.