Machine Vision

Maschinelles Sehen bezeichnet die Integration optischer Sensoren, digitaler Bildverarbeitungshardware und Algorithmen zur Bildverarbeitung in industrielle Anlagen, um visuelle Prüf- und Führungsaufgaben zu automatisieren. Obwohl es eine gemeinsame Grundlage mit umfassenderen Technologien der künstlichen Intelligenz hat, unterscheidet sich maschinelles Sehen durch seinen technischen Fokus auf die Echtzeitinteraktion mit der physischen Umgebung. Es fungiert als „Augen“ einer Produktionslinie oder eines autonomen Systems und erfasst visuelle Daten, anhand derer Steuerungssysteme Fehler erkennen, Produkte sortieren und Roboterarme mit hoher Präzision führen können. Durch die Kombination spezialisierter Kameras mit anspruchsvoller Software verbessern diese Systeme die Qualitätskontrolle und die betriebliche Effizienz in Branchen von der Automobilfertigung bis zur pharmazeutischen Verpackung.

Maschinelles Sehen vs. Computer Vision#

Obwohl die Begriffe häufig synonym verwendet werden, gibt es einen funktionalen Unterschied zwischen maschinellem Sehen und Computer Vision. Computer Vision (CV) ist das übergeordnete akademische und technologische Fachgebiet, das die Gewinnung aussagekräftiger Informationen aus digitalen Bildern umfasst. Maschinelles Sehen (MV) bezeichnet speziell die Anwendung von CV in industriellen oder praktischen Umgebungen, in denen das System mit anderer Hardware interagieren muss.

Ein Computer-Vision-Modell könnte beispielsweise einen medizinischen Datensatz analysieren, um Trends in Röntgenaufnahmen zu erkennen, während ein System für maschinelles Sehen Edge Computing nutzt, um innerhalb von Millisekunden einen pneumatischen Aktor auszulösen, der eine gesprungene Flasche von einem Förderband aussortiert. MV-Systeme legen den Schwerpunkt auf Geschwindigkeit, Zuverlässigkeit und die Integration mit Eingabe-/Ausgabegeräten (I/O) und setzen Modelle für eine Leistung mit geringer Latenz häufig auf Embedded-Geräten ein.

Kernkomponenten und Technologie#

Ein typisches System für maschinelles Sehen basiert auf einer eng integrierten Hardware- und Softwarepipeline. Es beginnt mit dem Bildaufnahme-Subsystem, das eine spezielle Beleuchtung zur Hervorhebung von Merkmalen sowie Bildsensoren (wie CMOS oder CCD) umfasst, die hochauflösende Einzelbilder erfassen. Diese Daten werden an eine Verarbeitungseinheit übertragen – häufig einen Industrie-PC oder eine intelligente Kamera –, in der Algorithmen die Pixeldaten analysieren.

Moderne Systeme nutzen zunehmend Deep Learning, um komplexe Variationen zu verarbeiten, mit denen herkömmliche regelbasierte Algorithmen nicht umgehen können. Neuronale Netze wie das hochmoderne YOLO26 ermöglichen es Systemen für maschinelles Sehen, aus Beispielen zu lernen, anstatt auf eine starre Programmierung angewiesen zu sein. Dieser Wandel ermöglicht eine adaptive Fertigung, bei der Systeme neue Produktvarianten erkennen können, ohne umfangreiche Neuprogrammierungen zu benötigen.

Anwendungen in der Praxis#

Maschinelles Sehen treibt die Automatisierung in zahlreichen Branchen voran und gewährleistet eine Konsistenz, die eine menschliche Prüfung nicht erreichen kann.

Automatisierte optische Inspektion (AOI)#

In der Elektronikfertigung sind AOI-Systeme entscheidend für die Qualitätssicherung. Da Leiterplatten immer kleiner und komplexer werden, fällt es dem menschlichen Auge schwer, die Bauteile zu überprüfen. Systeme für maschinelles Sehen nutzen Objekterkennung, um fehlende, schief sitzende oder falsche Bauteile auf einer Leiterplatte (PCB) zu erkennen. Mithilfe der Instanzsegmentierung kann das System die genaue Lötfläche berechnen, um die elektrische Verbindung sicherzustellen. Wird ein Fehler gefunden, kennzeichnet das System die Leiterplatte automatisch für eine Nacharbeit und verhindert so, dass fehlerhafte Elektronik auf den Verbrauchermarkt gelangt.

Visuell geführte Robotik (VGR)#

Roboter in Logistik und Lagerhaltung sind für die Navigation und Handhabung auf maschinelles Sehen angewiesen. Bei einem als Bin Picking bezeichneten Verfahren muss ein Roboter zufällig aufgeschüttete Gegenstände lokalisieren und korrekt greifen. Dies erfordert eine Posenschätzung, die die Ausrichtung und die Schlüsselpunkte eines Objekts im 3D-Raum bestimmt. Durch die Verarbeitung visueller Eingaben passt der Roboter den Greifwinkel dynamisch an. Diese Integration von KI in der Robotik ermöglicht flexible Automatisierungslinien, die unterschiedliche Produktformen ohne mechanische Umrüstung verarbeiten können.

Implementierung von maschinellem Sehen mit Ultralytics YOLO26#

Die Entwicklung von Anwendungen für maschinelles Sehen ist durch moderne Frameworks deutlich zugänglicher geworden. Die Ultralytics Platform vereinfacht die Kennzeichnung industrieller Datensätze und das Training von Modellen, die für den Einsatz auf Edge-Geräten optimiert sind. Nachfolgend findest du ein Beispiel dafür, wie ein Entwickler Python verwenden kann, um mit dem neuesten YOLO-Modell eine Prüfung zur Fehlererkennung durchzuführen.

from ultralytics import YOLO

# Load a custom YOLO26 model trained for detecting manufacturing defects
# 'yolo26n.pt' is the nano version, optimized for high-speed inference
model = YOLO("yolo26n.pt")

# Run inference on an image from the production line
# 'conf=0.6' sets a strict confidence threshold to avoid false positives
results = model.predict(source="conveyor_belt_feed.jpg", conf=0.6)

# Process results to trigger an action (e.g., stopping the line)
for r in results:
    if len(r.boxes) > 0:
        print(f"Defect Detected: {r.names[int(r.boxes.cls[0])]}")
        # Logic to trigger hardware rejection mechanism would go here

Die Zukunft: Industrie 4.0 und darüber hinaus#

Maschinelles Sehen ist eine Säule der Industrie 4.0 und ermöglicht die Entwicklung intelligenter Fabriken, in denen Daten nahtlos zwischen visuellen Sensoren und zentralen Managementsystemen fließen. Mit der Verbesserung von Technologien wie der Erzeugung synthetischer Daten wird das Training von Bildverarbeitungsmodellen für seltene Fehler einfacher, wodurch die Zuverlässigkeit der Systeme weiter steigt. Die Verbindung von 5G-Konnektivität und Edge-KI stellt sicher, dass maschinelles Sehen auch künftig der wichtigste Treiber für industrielle Autonomie und Effizienz bleibt.