Kursbeschreibung
Dieses Seminar richtet sich an alle, die Defekterkennung mittels Computer Vision nicht als Experiment, sondern als prüffähigen Produktionsprozess verstehen wollen. Du lernst, wie Du Anforderungen aus Qualitätssicherung und Fertigung in eine technische Lösung übersetzt: Welche Fehlerbilder sollen erkannt werden, wie definierst Du Abnahmekriterien, und wie stellst Du Traceability sicher? Danach arbeitest Du an der Grundlage für verlässliche KI-Ergebnisse: reproduzierbare Bildaufnahme. Du bekommst ein klares Verständnis für Kamera- und Optikparameter, Beleuchtungskonzepte und Kalibrierung, damit Kontraste, Schärfe und Perspektive über Schichten und Chargen hinweg stabil bleiben. Du erkennst typische Ursachen für Datendrift, etwa Materialwechsel, Temperatur oder Verschmutzung. Im Datenblock erstellst Du einen Defektkatalog, planst die Datensammlung und wählst eine passende Annotationstiefe. Du lernst, wie Du mit Klassenungleichgewicht und seltenen Fehlern umgehst, ohne Dir eine Scheinleistung zu „trainieren“. Anschließend vergleichst Du die drei zentralen Modellfamilien für die industrielle Bildprüfung: Klassifikation, Detektion und Segmentierung. Du verstehst, wie Konfidenzen und Thresholds in eine praxistaugliche Entscheidungskette münden, inklusive „Reject“ und „Manual Review“. Bei der Bewertung setzt Du Metriken wie Precision, Recall, F1 und IoU so ein, dass sie die Realität abbilden: False Accept und False Reject werden als Risiken und Kosten sichtbar. Zum Abschluss erarbeitest Du, wie Deployment am Edge, die Anbindung an SPS/MES/QMS, Fail-safe-Mechanismen, Fallback und Monitoring gestaltet werden, damit die Lösung auditierbar und dauerhaft betreibbar ist.
Zielgruppe
- Qualitätsingenieurinnen und Qualitätsingenieure in Fertigung und Wareneingang
- Prozessingenieurinnen und Prozessingenieure sowie Industrial Engineering
- Automatisierungsingenieurinnen und Automatisierungsingenieure, die Vision in Linien integrieren
- Data-Science- und KI-Verantwortliche mit Produktionsbezug
- Für alle, die Defekterkennung mit Computer Vision in der Produktion fundiert aufsetzen und bewerten wollen
Voraussetzung für die Schulung
- Grundverständnis von Produktionsprozessen und Qualitätssicherung ist hilfreich.
- Keine Programmierkenntnisse erforderlich, mathematische Grundlagen auf Schulniveau reichen aus.
Kursinhalte
- Use Cases und Qualitätslogik in der Produktion
- Typische Fehlerbilder: Oberfläche, Kanten, Montage, Label
- Prüfstrategie: 100%-Kontrolle vs. Stichprobe
- Fehlerkosten, Taktzeit, Ausschuss und Nacharbeit
- Abnahmekriterien und Traceability
- Bildaufnahme, Beleuchtung und Datenqualität
- Kameraarten, Optik, Auflösung und Bildfeld
- Beleuchtungskonzepte: Hellfeld, Dunkelfeld, Dome
- Motion Blur, Schärfentiefe, Perspektive, Kalibrierung
- Datendrift durch Material, Charge, Temperatur
- Datensatzaufbau und Annotation für Defekterkennung
- Klassen, Defektkatalog, Schweregrade
- Annotation: Bounding Box, Polygon, Segmentierung
- Umgang mit seltenen Fehlern und Imbalance
- Versionierung von Daten und Labels
- Modellansätze: Klassifikation, Detektion, Segmentierung
- Wann welcher Ansatz sinnvoll ist
- Baseline mit klassischen Verfahren vs. Deep Learning
- Thresholds, Konfidenz und Reject-Logik
- Erklärbarkeit: Heatmaps und Fehlersuche
- Bewertung, Metriken und Produktionsreife
- Precision, Recall, F1, IoU, Confusion Matrix
- False Reject vs. False Accept in der Praxis
- Testdesign: Golden Samples, Edge Cases
- Abnahmeplan und Monitoring nach Go-live
- Deployment: Linie, Edge und Integration
- Edge-Inferenz, Latenz und Durchsatz
- Schnittstellen zu SPS/MES/QMS
- Fail-safe, Fallback und Human-in-the-loop
- Datenschutz, IP, Audit und Dokumentation
