In Teil 1 haben Sie die grundlegenden Konzepte, Technologien und Anwendungsbereiche der KI-gestützten Qualitätsprüfung kennengelernt. Jetzt geht es um die praktische Umsetzung: Welche Anbieter und Lösungen gibt es am Markt? Wie implementieren Sie ein System in Ihrer Produktion? Was kostet es, und wie rechnet sich die Investition?
- Etablierte Anbieter (Cognex, Keyence, Sick) liefern Hardware + Software aus einer Hand — Einstieg ab ca. 8.000–15.000 € für einfache Anwendungen
- KI-native Startups (Neurala, Landing AI) punkten mit schneller Modellanpassung und Cloud-Flexibilität — besonders bei variantenreichen Teilen
- Typischer ROI-Zeitraum: 12–18 Monate bei 40 % Ausschussreduktion und eliminierter Nacharbeit
- 4-Phasen-Implementierung: Assessment → Pilotprojekt → Skalierung → Optimierung — kein Schritt darf übersprungen werden
- Datenstrategie zuerst: Mindestens 500–1.000 gelabelte Bilder pro Fehlertyp sind Voraussetzung für belastbare Modelle
Marktübersicht: Führende Anbieter für KI-Qualitätsprüfung
Der Markt für KI-gestützte Qualitätsprüfung ist in den letzten Jahren stark gewachsen. Von etablierten Bildverarbeitungsanbietern, die ihre Systeme um KI erweitert haben, bis hin zu KI-nativen Start-ups – die Auswahl ist groß. Hier eine Übersicht der wichtigsten Player (Stand 2025):
Etablierte Anbieter (Hardware + Software)
| Anbieter | Hauptprodukte | KI-Fokus | Typischer Kunde | Preisspanne |
|---|---|---|---|---|
| Cognex | In-Sight Vision Systems, VisionPro Deep Learning | CNN für Defekterkennung, OCR, Klassifikation | Automotive, Elektronik, Pharma | 15.000 – 80.000 € |
| Keyence | CV-X Series mit AI-Modul, XG-X Series | Deep Learning Defekterkennung, AI Search | Mittelstand, Automotive-Zulieferer | 12.000 – 65.000 € |
| Sick | Inspector Series, Lector 8xx (OCR) | KI-basierte Defektklassifikation, 3D-Inspektion | Logistik, Verpackung, Automotive | 8.000 – 50.000 € |
| Basler | Ace 2 Kameras + pylon SDK | Offene Plattform für Custom AI-Lösungen | Maschinenbauer, Systemintegratoren | 2.000 – 15.000 € (nur Kameras) |
| VITRONIC | VINSPEC, VIPAC | Hybrid (regelbasiert + KI), Automotive-spezialisiert | OEMs, Tier-1-Zulieferer | 40.000 – 150.000 € |
Software-Plattformen (Hardware-agnostisch)
| Anbieter | Plattform | Besonderheit | Lizenzmodell |
|---|---|---|---|
| Landing AI | LandingLens | No-Code KI-Plattform, von Andrew Ng | Ab 500 $/Monat (SaaS) |
| MVTec | HALCON + MERLIC mit Deep Learning | Etablierte Bildverarbeitung + KI-Module | Lizenz ab 4.000 € |
| Neurala | VIA (Visual Inspection Automation) | Lifelong Learning (kontinuierliches Lernen) | 30.000-80.000 €/Jahr |
| AnotherBrain | Organic AI | Anomalie-Detektion mit wenig Trainingsdaten | Ab 20.000 €/Jahr |
Implementierung in 4 Schritten
Schritt 1: Anforderungsanalyse & Pilot-Definition (3-6 Wochen)
Starten Sie mit einem konkreten Problem, nicht mit „Wir wollen KI“. Definieren Sie:
- Prüfaufgabe: Welche Defekte? Welche Toleranzen?
- Prozessparameter: Taktzeit? Teileposition? Beleuchtung?
- Akzeptanzkriterien: Welche Erkennungsrate ist notwendig?
- Pilot-Umfang: Welche Produktlinie? Wie viele Defektklassen?
Schritt 2: Datensammlung & Annotation (8-16 Wochen)
Die kritischste Phase. Die Qualität Ihrer Trainingsdaten bestimmt die Performance.
Benötigte Datenmenge
| Anwendungsfall | Minimum | Empfohlen | Optimal |
|---|---|---|---|
| Binäre Klassifikation (gut/schlecht) | 200 + 200 | 500 + 500 | 2.000 + 2.000 |
| Multi-Class (5-10 Defekttypen) | 100 pro Klasse | 500 pro Klasse | 2.000 pro Klasse |
| Object Detection | 300 Bilder | 1.000 Bilder | 5.000 Bilder |
| Segmentation | 150 Bilder | 500 Bilder | 2.000 Bilder |
Sammlungsstrategie (empfohlen): Installieren Sie Kameras parallel zur manuellen Prüfung. Fotografieren Sie ALLE Teile automatisch. Menschlicher Prüfer klassifiziert wie gewohnt, System speichert Bild + Label. Dauer: 4-12 Wochen bis genug Daten vorhanden.
Schritt 3: Training, Test & Optimierung (4-8 Wochen)
Iterativer Prozess:
- Daten aufteilen: 70% Training, 15% Validation, 15% Test
- Modell auswählen: ResNet-50 (Klassifikation), YOLOv8 (Detektion), U-Net (Segmentation)
- Training: 2-24 Stunden je nach Datenmenge (GPU erforderlich)
- Evaluieren: Accuracy, Precision, Recall, F1-Score analysieren
- Nachbesserung: Problematische Fälle identifizieren, mehr Daten sammeln, Re-Training
💡 Praxisbeispiel: Iteratives Training
Anwendung: PCB-Inspektion, 8 Defekttypen
Iteration 1: 500 Bilder/Klasse, YOLOv8-Small → 89% Accuracy
Problem: „Falsche Bauteil-Orientierung“ nur 72% erkannt
Iteration 2: +300 Bilder dieser Klasse, Data Augmentation → 94% Accuracy
Iteration 3: Upgrade auf YOLOv8-Medium → 97,2% Accuracy
Gesamt-Trainingszeit: 6 Wochen
Schritt 4: Deployment & Produktivbetrieb (2-4 Wochen)
Deployment-Checkliste:
- Modell-Export in Inferenz-Format (ONNX, TensorRT)
- Installation auf Edge-Device oder Server
- Kamera-Triggering konfigurieren
- Schnittstellen zu SPS, Roboter, ERP/MES
- Performance-Optimierung (Quantisierung falls zu langsam)
Schatten-Modus (empfohlen, 2-4 Wochen):
- KI läuft parallel zur bestehenden Prüfung
- Ergebnisse werden dokumentiert, aber NICHT für Entscheidungen genutzt
- Vergleich: KI vs. Mensch/Alt-System
- Vorteil: Kein Produktionsrisiko, Lernen aus Fehlern
✅ Besser: Schatten-Modus → Parallel-Betrieb → Schrittweiser Übergang. Dauert 4-6 Wochen länger, verhindert aber teure Fehler.
ROI-Berechnung: Was kostet KI-Qualitätsprüfung wirklich?
Kostenstruktur
| Kostenposition | KMU (< 250 MA) | Mittelstand (250-1000 MA) |
|---|---|---|
| INITIALE INVESTITION | ||
| Hardware (Kameras, Beleuchtung, Edge-PC) | 10.500 – 29.000 € | 20.000 – 58.000 € |
| Software (KI-Plattform, Lizenz) | 6.000 – 20.000 € | 15.000 – 50.000 € |
| Dienstleistungen (Consulting, Integration, Schulung) | 21.000 – 63.000 € | 45.000 – 140.000 € |
| SUMME INITIAL | 37.500 – 112.000 € | 80.000 – 248.000 € |
| LAUFENDE KOSTEN / JAHR | ||
| Software-Wartung / SaaS | 2.000 – 6.000 € | 4.000 – 12.000 € |
| Hardware-Wartung | 1.500 – 3.000 € | 2.500 – 6.000 € |
| Nachtraining / Anpassungen | 2.000 – 8.000 € | 5.000 – 15.000 € |
| SUMME LAUFEND | 5.500 – 17.000 € | 11.500 – 33.000 € |
Einsparpotenziale
| Einsparungsposition | Typisches Potenzial | Beispiel KMU (2 Mio. € Umsatz/Jahr) |
|---|---|---|
| Reduktion Ausschuss | -40-60% | 80.000 € → 32.000 € = 48.000 € Einsparung |
| Reduktion Nacharbeit | -50-70% | 54.000 € → 18.000 € = 36.000 € Einsparung |
| Reduktion Reklamationen | -60-80% | 25.000 € → 6.000 € = 19.000 € Einsparung |
| Personalkosten Prüfung | -30-50% | 90.000 € → 60.000 € = 30.000 € Einsparung |
| Durchsatzsteigerung | +10-20% Kapazität | 18.000 € Deckungsbeitrag |
| SUMME EINSPARUNGEN | 151.000 € / Jahr |
ROI-Beispielrechnung
💡 Vollständige ROI-Berechnung: KMU Metallbearbeitung
Unternehmen: 120 Mitarbeiter, 8 Mio. € Umsatz, 500 Teile/Tag
Investition: 55.000 € (Hardware 18k + Software 15k + Integration 22k)
Laufende Kosten: 8.500 €/Jahr
Einsparungen Jahr 1: 151.000 € (Ausschuss -61k, Nacharbeit -42k, Reklamationen -25k, Personal -35k, Durchsatz +18k)
ROI Jahr 1: (151.000 – 8.500 – 55.000) / 55.000 × 100% = 159%
Payback-Period: 55.000 / (151.000 – 8.500) × 12 = 4,6 Monate
NPV über 5 Jahre: 562.000 €
Herausforderungen und Lösungen
Herausforderung 1: Zu wenig Trainingsdaten
✅ Lösungen:
- Transfer Learning: Auf ähnlichen Teilen vortrainieren, dann anpassen (reduziert Datenbedarf um 70-80%)
- Data Augmentation: Aus 50 Bildern werden 500-1.000 durch Rotation, Scaling, Helligkeitsvariation
- Anomalie-Detektion: Benötigt nur „gute“ Bilder (1.000-5.000), lernt „normal“
- Few-Shot Learning: Spezielle Algorithmen, die mit 5-20 Beispielen lernen
Herausforderung 2: Zu viele Falsch-Positive
✅ Lösungen:
- Confidence-Threshold erhöhen: Von 50% auf 75% (reduziert Falsch-Positive, erhöht aber Risiko übersehener Defekte)
- Human-in-the-Loop: Bei Confidence 50-75% → manuelle Prüfung
- Mehr Grenzfall-Daten: Gezielt „fast gute“ Teile sammeln und korrekt labeln
- Ensemble-Methoden: 2 von 3 Modellen müssen „Defekt“ sagen
Herausforderung 3: Beleuchtungsvarianz
✅ Lösungen:
- Kontrollierte Beleuchtung: LED mit konstanter Farbtemperatur (5.500K), externes Licht abschirmen
- Training unter verschiedenen Bedingungen: Daten zu verschiedenen Tageszeiten sammeln
- HDR-Bildaufnahme: Mehrere Belichtungen kombinieren
- Multispektral-Beleuchtung: UV + Visible + Infrarot
Fazit & Ausblick
KI-gestützte Qualitätsprüfung ist eine ausgereifte, erprobte Technologie. Die Ergebnisse sprechen für sich: Erkennungsraten von 95-99%, ROI in 6-18 Monaten, Ausschussreduktion um 40-60%.
Drei zentrale Erkenntnisse:
- Starten Sie mit einem klar definierten Piloten: Nicht „KI für alles“, sondern „KI für unser größtes Qualitätsproblem“
- Datenqualität schlägt Algorithmus-Komplexität: 5.000 gute Bilder mit einfachem CNN schlagen 50.000 schlechte mit neuestem Transformer
- KI potenziert menschliche Expertise: Die besten Ergebnisse entstehen durch Human-in-the-Loop für Grenzfälle
Ausblick: Trends der nächsten 3-5 Jahre
1. Foundation Models und Zero-Shot Learning: Große vortrainierte Modelle (wie SAM) können mit wenigen Prompts für neue Aufgaben eingesetzt werden – ohne explizites Training. Time-to-Deployment sinkt von Monaten auf Tage.
2. Multimodale Inspektion: KI fusioniert mehrere Sensoren: 3D-Scanning, Thermografie, Spektroskopie, Akustik. Erkennt Defekte, die mit einzelnem Sensor unsichtbar wären.
3. Continual Learning: Systeme lernen kontinuierlich im Betrieb. Jedes geprüfte Teil fließt automatisch ins Training, Modell verbessert sich selbst.
📘 Häufig gestellte Fragen (FAQ)
Wie lange dauert die Implementierung?
Einfache Projekte (Klassifikation, 1 Produkttyp): 3-5 Monate. Mittlere Komplexität (Detektion, 3-5 Typen): 5-8 Monate. Komplex (Segmentation, 10+ Typen, MES-Integration): 8-12 Monate. Kritischer Pfad: Datensammlung (2-4 Monate). Mit Transfer Learning kann Zeit um 30-50% reduziert werden.
Was kostet es für KMU?
Für KMU (50-200 MA, eine Prüfstation): 40.000-120.000 € initial plus 8.000-20.000 €/Jahr laufend. Umfasst: Hardware, Software, Integration, Schulung. ROI typischerweise nach 9-18 Monaten durch Ausschussreduktion, weniger Nacharbeit, höhere Liefertreue.
Brauchen wir eigene Data Scientists?
Standardsysteme (Cognex, Keyence): Nein, geschulte Techniker reichen. Training über grafische Oberfläche. Software-Plattformen (LandingLens): Technisches Grundverständnis, kein tiefes ML-Know-how. Custom-Entwicklung: Ja, Data Scientists mit CV-Expertise notwendig. Für KMU: Empfehlung Standardsysteme oder externes Know-how einkaufen.
Wie gehen wir mit Datenschutz um?
KI-Qualitätsprüfung verarbeitet Objektbilder, keine Personendaten – DSGVO unkritisch. Problematisch nur wenn: Mitarbeiter im Bild oder personenbezogene Leistungsdaten. Best Practices: Betriebsrat einbinden, Betriebsvereinbarung, Anonymisierung auf Aggregationsebene, Transparenz. Bei korrektem Vorgehen: 90%+ Akzeptanz.
Was bei Produktwechsel?
Ähnliche Produkte: Transfer Learning, 200-500 neue Bilder, Training 2-8h. Neue Produkte: Vollständiger Datensatz (1.000-5.000 Bilder), aber vortrainierte Features wiederverwendbar, Training 1-3 Tage. Moderne Systeme: Quick-Setup mit 10-20 guten/schlechten Teilen, Adaption in 30-60 Min. Performance initial 85-92%, nach 2 Wochen auf 95%+.
Kann KI unbekannte Defekttypen erkennen?
Ja, mit Anomalie-Detektion. System lernt nur „normal“, alles Abweichende wird geflaggt – unabhängig vom spezifischen Defekttyp. Technologien: Variational Autoencoders (VAE), GANs, PatchCore. Vorteil: Nur „gute“ Bilder (1.000-5.000) zum Training nötig. Nachteil: Höhere Falsch-Positiv-Rate (10-15% vs. 2-5%), und Sie wissen nicht WAS der Defekt ist, nur DASS etwas anomal ist. Einsatz: Neue Produkte, seltene Defekte, oder als „Safety Net“ zusätzlich zur Hauptprüfung.
Quellen und weiterführende Hinweise
Normative Referenzen:
- DIN EN ISO 9001:2015 – Qualitätsmanagementsysteme – Anforderungen
- VDI/VDE 5600-1:2020 – Optische Prüfverfahren in der Qualitätssicherung
- IATF 16949:2016 – Qualitätsmanagementsystem-Anforderungen für die Automobilindustrie
Fachliteratur & Studien:
- Fraunhofer IPA: „KI-basierte Qualitätskontrolle: Praxisleitfaden für den Mittelstand“ (2024)
- McKinsey: „Quality 4.0: The future of quality management in manufacturing“ (2024)
- Cognex Technical Report: „Deep Learning vs. Traditional Machine Vision“ (2023)
- Gartner: „Market Guide for AI in Quality Management“ (2024)
Hardware-Anbieter:
- Cognex Corporation – www.cognex.com
- Keyence Deutschland – www.keyence.de
- Sick AG – www.sick.com
- Basler AG – www.baslerweb.com
- VITRONIC Dr.-Ing. Stein Bildverarbeitungssysteme – www.vitronic.com
Software-Plattformen:
- Landing AI (LandingLens) – landing.ai
- MVTec Software (HALCON, MERLIC) – www.mvtec.com
- Neurala (VIA) – www.neurala.com
- AnotherBrain (Organic AI) – anotherbrain.ai
Open-Source Frameworks:
- Ultralytics YOLOv8 – github.com/ultralytics/ultralytics
- Meta Segment Anything (SAM) – segment-anything.com
- TensorFlow – tensorflow.org
- PyTorch – pytorch.org
Weiterbildung:
- Fraunhofer Academy: Zertifikatskurse „KI in der Bildverarbeitung“ (5-tägig)
- VDI Wissensforum: „Qualitätssicherung mit KI und Deep Learning“
- VDMA: „Industrial Computer Vision: Von der Theorie zur Praxis“
Stand der Informationen: November 2025. Preisangaben sind Richtwerte und variieren je nach Anbieter, Projektumfang und Region.
📌 Weiterführende Artikel auf DS Werk
Weiterführende Artikel
- CNC-Drehen: Achsen, Nullpunkte & Bezugspunkte
- Wärmebehandlung Stahl: Härten, Vergüten, Nitrieren
- Gewindearten im Maschinenbau: Metrisch, Trapez, Säge
⚖️ Rechtlicher Hinweis
Dieser Artikel dient ausschließlich Informationszwecken und stellt keine Konstruktionsanleitung, Produktempfehlung oder verbindliche technische Beratung dar. Die Inhalte wurden nach bestem Wissen und unter Berücksichtigung aktueller technischer Standards erstellt, jedoch können Irrtümer und Änderungen nicht ausgeschlossen werden.
Haftungsausschluss:
- Die Anwendung der beschriebenen Verfahren, Berechnungen und Empfehlungen erfolgt auf eigenes Risiko.
- Für konkrete technische Anwendungen und Berechnungen konsultieren Sie bitte qualifizierte Fachingenieure und aktuelle Normwerke.
- Normenangaben können veraltet sein — prüfen Sie stets die aktuelle Fassung.
- Herstellerangaben und technische Daten können abweichen — verwenden Sie offizielle Datenblätter.
- DS Werk und der Autor übernehmen keine Haftung für Schäden, die aus der Anwendung der Informationen entstehen.
Bei sicherheitsrelevanten Anwendungen ist eine fachkundige Prüfung und Freigabe durch qualifiziertes Personal zwingend erforderlich.