Plattformen für Computer Vision in der Fertigung: YOLO, Cognex und Keyence im Vergleich
Vergleiche Plattformen für Computer Vision in der Fertigung: Cognex, Edge Impulse, Keyence, Landing AI, Roboflow und Ultralytics YOLO – hinsichtlich Eignung für Inspektion und MES.
Manuelle Prüfung lässt sich nicht skalieren. Bei einer Produktionslinie, die Tausende Einheiten pro Stunde verarbeitet, führt schon ein kleiner Anteil übersehener Mängel zu Rückrufen, und kein menschlicher Prüfer kann während einer ganzen Schicht konzentriert bleiben. Computer Vision schließt diese Lücke, indem jede Einheit gleichmäßig und mit der Geschwindigkeit der Produktionslinie geprüft wird.
Die Wahl einer Plattform ist schwieriger als die Entscheidung für deren Einführung. Der Markt teilt sich in zwei sehr unterschiedliche Gruppen: Anbieter industrieller Bildverarbeitung, die integrierte Hardware und Software samt Außendiensttechnikern verkaufen, und softwareorientierte Plattformen, bei denen du deine eigenen Kameras und Rechenressourcen mitbringst. Sie richten sich an unterschiedliche Käufer, und die falsche Wahl ist in beide Richtungen teuer.
Dieser Leitfaden vergleicht die Plattformen, die Hersteller tatsächlich in die engere Auswahl nehmen, zeigt, worin jede wirklich gut ist, und erklärt, wie du dich entscheidest.
Schnellvergleich#
Die Anbieter sind alphabetisch aufgeführt, nicht nach Rang sortiert. Ultralytics veröffentlicht diesen Vergleich und ist selbst darin vertreten; deshalb ist die Reihenfolge bewusst neutral, und bei jedem Eintrag wird ein konkreter Kompromiss genannt.
| Plattform | Modell | Am besten geeignet für | Kompromiss |
|---|---|---|---|
| Cognex | Integrierte Hardware und Software | Ausgereifte, hochpräzise industrielle Prüfung | Hoher Preis, proprietäres Ökosystem |
| Edge Impulse | Eingebettetes ML | Ressourcenbeschränkte Geräte am Netzwerkrand und eingebettete Geräte | Engerer Anwendungsbereich als allgemeine Bildverarbeitungsplattformen |
| Keyence | Integrierte Hardware und Software | Käufer, die persönliche Unterstützung durch den Anbieter wünschen | Individuelle Angebote, Direktvertrieb |
| Landing AI | Prüfsoftware ohne Programmierung | Fachkräfte in der Fertigung ohne Data-Science-Team | Das Unternehmen hat sich neu auf Dokumenten-KI ausgerichtet; prüfe die Produkt-Roadmap |
| Roboflow | Software für den gesamten Ablauf | Entwicklerteams, die den gesamten Lebenszyklus von Datensätzen verwalten | Der Nutzen steigt, wenn mehr Schritte deines Workflows auf eine Plattform verlagert werden |
| Ultralytics YOLO | Offene Modelle und Plattform | Teams, die benutzerdefinierte Modelle auf ihrer eigenen Hardware einsetzen möchten | Du verantwortest die Integration und MLOps; dieselbe Abhängigkeit von einem einzelnen Anbieter besteht weiterhin. |
Die integrierten Anbieter#
Cognex#
Cognex ist seit Langem der Industriestandard. Die Mustererkennungstechnologie PatMax gilt weiterhin als Referenz für die zuverlässige Lokalisierung von Teilen unabhängig von Winkel, Maßstab oder Beleuchtungsänderungen – ein wirklich schwieriges Problem, das Cognex früh und gut gelöst hat. Die Hardware ist für Fabrikbedingungen ausgelegt, und das Ökosystem ist umfassend.
Wähle Cognex, wenn Präzision und bewährte Zuverlässigkeit wichtiger sind als Kosten oder Flexibilität, insbesondere bei Prüfungen in der Automobil-, Elektronik- und Pharmaindustrie, wo strenge Validierungsanforderungen gelten.
Der Kompromiss ist ein geschlossenes Ökosystem zu Premiumpreisen. Du kaufst ein System, keine Komponenten, und kannst es nur innerhalb der vom Anbieter festgelegten Grenzen anpassen.
Keyence#
Keyences Alleinstellungsmerkmal ist eher geschäftlicher als technischer Art: Das Unternehmen setzt auf Direktvertrieb und schickt Ingenieure zu dir, die das Problem vor Ort lösen. Für Teams ohne eigene Erfahrung im Bereich Bildverarbeitung ist dieser Support oft mehr wert als ein Funktionsvergleich.
Wähle Keyence, wenn du einen Anbieter möchtest, der Verantwortung für das Ergebnis übernimmt, statt nur ein Werkzeugpaket zu liefern.
Der Kompromiss sind geringe Transparenz und hohe Kosten. Die Preise werden auf Anfrage mitgeteilt, und du bist an einen Anbieter gebunden statt an eine Technologie, die du selbst kontrollierst.
Omron, Basler, Matrox, Siemens und Teledyne#
Auch diese Anbieter sind in diesem Bereich etabliert, meist als Lieferanten von Komponenten oder Teilsystemen. Basler ist für zuverlässige Kameras bekannt, Matrox für seine ausgereifte Bildverarbeitungsbibliothek und Siemens und Omron für die Integration in die industrielle Automatisierung. Wenn du bereits deren Automatisierungssysteme nutzt, sinkt das Integrationsrisiko, wenn du dabei bleibst.
Die softwareorientierten Plattformen#
Ultralytics YOLO#
Ultralytics entwickelt die YOLO-Familie quelloffener Bildverarbeitungsmodelle (Objekterkennung, Segmentierung, Posenschätzung, Erkennung orientierter Begrenzungsrahmen und Klassifizierung), die häufig für Echtzeitprüfungen eingesetzt werden. Der Anwendungsfall in der Fertigung ist konkret: Trainiere ein Modell mit deinen eigenen Fehlerbildern, führe es auf bereits vorhandener Hardware aus und behalte das Modell und die Daten.
Die Erkennung orientierter Begrenzungsrahmen ist für diese Zielgruppe besonders erwähnenswert, da Teile auf einem Förderband in beliebigen Winkeln eintreffen und sich mit herkömmlichen rechteckigen Rahmen nur schlecht erfassen lassen.
Wähle Ultralytics YOLO, wenn deine Fehler für deinen Prozess spezifisch sind, du Lizenzgebühren pro Kamera vermeiden möchtest oder auf vielen Fertigungslinien ohne steigende Kosten pro Arbeitsplatz bereitstellen musst. Die Modelle laufen sowohl auf Edge-Hardware wie NVIDIA Jetson als auch auf herkömmlichen Industrie-PCs.
Der Kompromiss ist erheblich: Du verantwortest die Integration selbst. Es kommt kein Außendiensttechniker, um deine Beleuchtung zu korrigieren. Ultralytics bietet eine Unternehmenslizenz und kommerziellen Support für den Produktionseinsatz, setzt beim Betriebsmodell aber eigene technische Kompetenz voraus. Fehlt diese deinem Team, bringt dich ein integrierter Anbieter schneller in die Produktion.
Roboflow#
Roboflow deckt den Lebenszyklus von Datensätzen gut ab: Annotation, Augmentierung, Versionierung, Training und Bereitstellung an einem Ort. Für Teams, deren Engpass eher die Datenverwaltung als die Modellierung ist, liegt der Mehrwert in dieser Bündelung.
Wähle Roboflow, wenn du ein Entwicklungsteam hast und verwaltete Werkzeuge für die gesamte Pipeline nutzen möchtest.
Der Kompromiss sind Abonnementkosten, die mit der Nutzung steigen, und eine geringere Kontrolle als beim eigenen Betrieb quelloffener Modelle.
Landing AI#
LandingLens wurde ausdrücklich für Menschen entwickelt, die sich mit der Fertigung und nicht mit maschinellem Lernen auskennen.
Hinweis vor der Vorauswahl: Landing AI hat seinen Schwerpunkt auf Dokumenten- und agentenbasierte KI verlagert (die wichtigsten Produkte zielen inzwischen auf die Extraktion von Dokumenten ab), und LandingLens wird zwar weiter gepflegt, steht aber nicht mehr im Mittelpunkt. ABB Motion Ventures investierte 2025 gezielt, um die Bildverarbeitungs-KI in die Robotik von ABB einzubringen. Die Technologie hat also eine Perspektive, aber kläre vor der Auswahl die Zusagen zur Produktentwicklung für die Fabrikinspektion. Mit dem Point-and-Click-Arbeitsablauf kann eine Fachkraft für Qualitätssicherung ein Fehlermodell trainieren, ohne Code zu schreiben. Das ist ein echter Vorteil, wenn das Fachwissen direkt in der Fabrikhalle sitzt.
Wähle LandingLens, wenn deine Fachexperten die Modelle erstellen sollen.
Der Kompromiss ist eine begrenzte Leistungsfähigkeit. Werkzeuge ohne Programmierung sind hervorragend, bis du etwas benötigst, das sie nicht leisten.
Edge Impulse#
Edge Impulse ist auf maschinelles Lernen auf eingebetteten Systemen für ressourcenbeschränkte Geräte spezialisiert: die richtige Wahl für Hardware der Mikrocontrollerklasse, aber weniger vielseitig als eine allgemeine Bildverarbeitungsplattform.
Wenn du AWS nutzt und nach einer verwalteten Edge-Appliance suchst, beachte, dass AWS Panorama am 31. Mai 2026 das Supportende erreicht hat und die gekauften Appliances nicht mehr funktionieren. AWS verweist Kunden jetzt auf Partnerlösungen oder darauf, Lösungen mit SageMaker und Edge-Hardware der Jetson-Klasse zu entwickeln. Jeder Vergleichsartikel, der Panorama noch als verfügbare Option aufführt, wurde vor diesem Datum verfasst. Ein guter Test dafür, wie aktuell deine Quellen für die Vorauswahl sind.
Automatisierte Fehlererkennung: Was tatsächlich über den Erfolg entscheidet#
Die Plattform ist weniger wichtig als drei Faktoren, die häufig unterschätzt werden.
Beleuchtung hat Vorrang. Mehr Bildverarbeitungsprojekte scheitern an der Beleuchtung als an der Modellarchitektur. Eine gleichmäßige, kontrollierte Beleuchtung macht aus einem schwierigen Problem ein einfaches. Plane das Budget dafür ein, bevor du dich um die Software kümmerst.
Fehlerdaten sind der Engpass. Du hast Tausende Bilder fehlerfreier Teile, aber nur wenige für jede Fehlerart. Genau das ist typisch für eine funktionierende Fertigungslinie. Plane von Anfang an, wie du seltene Fehler sammelst und annotierst. Synthetische Augmentierung hilft, ersetzt aber keine realen Beispiele.
Drift ist ein fortlaufender Prozess, kein einzelner Vorfall. Lieferanten ändern sich, Werkzeuge nutzen sich ab, Materialien variieren. Ein mit den Ergebnissen vom Januar trainiertes Modell verliert bis Juni an Leistung. Plane unabhängig von der Plattform regelmäßiges Nachtrainieren und Überwachen ein und stelle sicher, dass du auf deine eigenen Daten zugreifen kannst.
Echtzeitüberwachung und MES-Integration#
Prüfergebnisse sind nur nützlich, wenn sie die Systeme erreichen, die darauf reagieren. Bei den meisten Bereitstellungen müssen die Ergebnisse an ein MES oder einen Historian gesendet werden, damit Fehlerquoten neben anderen Produktionskennzahlen sichtbar sind. Außerdem muss die Latenz niedrig genug sein, um ein Teil zurückzuweisen, bevor es die Station verlässt.
Diese zweite Anforderung entscheidet meist darüber, wo die Inferenz ausgeführt wird. Rundreisen zur Cloud sind für die Ansteuerung der Ausschleusung zu langsam. Deshalb läuft die Inferenz direkt an der Fertigungslinie am Edge, während zusammengefasste Ergebnisse weitergeleitet werden. Prüfe vor der Vorauswahl, ob die jeweilige Plattform lokale Inferenz unterstützt. Eine reine Cloud-Architektur scheidet für die meisten Inline-Prüfungen aus.
So triffst du die Wahl#
Wähle einen integrierten Anbieter (Cognex, Keyence), wenn dir interne Kompetenzen in der Bildverarbeitung fehlen, du aus regulatorischen Gründen validierte Systeme benötigst oder einen einzigen Lieferanten für das Ergebnis verantwortlich machen möchtest.
Wähle eine Lösung ohne Programmierung wie Landing AI, wenn deine Fachkräfte für Qualitätssicherung die Modelle verantworten sollen und deine Fehler klar definiert sind.
Wähle Open Source wie Ultralytics YOLO, wenn du über technische Kompetenzen verfügst, benutzerdefinierte Modelle für prozessspezifische Fehler benötigst, auf vielen Fertigungslinien ohne Lizenzgebühren pro Kamera bereitstellen möchtest oder die vollständige Kontrolle über deine Modelle und Daten behalten musst.
Wähle verwaltete Entwicklerwerkzeuge wie Roboflow, wenn du ein Entwicklungsteam hast und die Verwaltung der Datensatzpipeline auslagern möchtest.
Die meisten Hersteller, die Bildverarbeitung in großem Maßstab einsetzen, nutzen am Ende mehr als eine Lösung: ein integriertes System am kritischen, validierten Prüfpunkt und einen flexiblen Open-Source-Stack für alles Weitere.
Erste Schritte#
Wähle einen Prüfpunkt mit einem klar definierten Fehler und einer messbaren aktuellen Ausschussrate. Sorge für die richtige Beleuchtung. Sammle einige Hundert annotierte Bilder, darunter auch Bilder realer Fehler. Trainiere ein Modell, vergleiche seine Leistung mit deiner bisherigen manuellen Prüfung und entscheide erst danach, ob du den Einsatz ausweiten möchtest.
Ultralytics YOLO-Modelle sind unter AGPL-3.0 quelloffen; für den kommerziellen Einsatz ist eine Unternehmenslizenz verfügbar. Wenn du Bildverarbeitung für eine Fertigungslinie evaluierst, erfahre mehr über Ultralytics YOLO für die Fertigung oder lies mehr über Fehlererkennung.
Häufig gestellte Fragen
Meistens übernimmt sie vier Aufgaben. Bei der Fehlererkennung werden Kratzer, Risse, Verunreinigungen und Farbabweichungen erkannt. Die Montageprüfung bestätigt, dass alle Komponenten vorhanden und richtig eingesetzt sind. Bei der Maßprüfung werden Teile mit den Toleranzen abgeglichen. Die optische Zeichenerkennung liest Seriennummern, Chargencodes und Etiketten. Die meisten Einsätze beginnen mit einer Aufgabe und werden dann ausgeweitet.
Indem du ihm Beispiele zeigst. Ingenieure sammeln Bilder fehlerfreier und fehlerhafter Teile, annotieren die Fehler und trainieren ein Modell, sie voneinander zu unterscheiden. Moderne Objekterkennungsmodelle wie Ultralytics YOLO können mit wenigen Hundert annotierten Bildern pro Fehlerklasse eine brauchbare Genauigkeit erreichen. Mit weiteren Sonderfällen, die an der Fertigungslinie gesammelt werden, lässt sich die Leistung anschließend verbessern.
Ja. Das ist üblicherweise eine Beschaffungsanforderung und kein bloßes Zusatzmerkmal. Bildverarbeitungssysteme senden Signale direkt an SPS, Roboterarme und Ausschleusungsmechanismen. Sobald das Modell einen Fehler erkennt, leitet die Fertigungslinie das betreffende Teil aus, ohne anzuhalten.
Nicht unbedingt. Integrierte Anbieter wie Cognex und Keyence verkaufen Kameras und Software als Gesamtsystem. Softwareorientierte Plattformen laufen auf bereits vorhandenen Industriekameras, sofern Auflösung, Bildrate und Beleuchtung ausreichen. Häufiger als die Kamera ist die Beleuchtung der begrenzende Faktor.
Die Beleuchtung und Drift. Ungleichmäßige Beleuchtung führt zu uneinheitlichen Bildern und unzuverlässiger Inferenz. Drift entsteht, wenn sich der Prozess ändert (etwa durch einen neuen Lieferanten oder eine andere Materialoberfläche) und die Modellleistung nachlässt, weil das Modell diese Abweichung nie gesehen hat. Plane das Nachtrainieren von Anfang an ein, nicht nur die Bereitstellung.
Für einen Machbarkeitsnachweis an einem einzelnen Prüfpunkt solltest du realistisch mit mehreren Wochen rechnen. Die vollständige Integration in die Fertigungslinie einschließlich SPS-Signalisierung, Bedienerschulung und Validierung dauert Monate. Wer eine produktionsreife Bereitstellung innerhalb weniger Tage verspricht, beschreibt eine Demo.
