Kursbeschreibung
Wenn du Prüfprozesse automatisieren willst, brauchst du zwei Dinge: eine robuste Bildverarbeitung und eine Entscheidung, die du gegenüber Produktion, Qualität und Audit begründen kannst. In diesem Seminar entwickelst du genau diese Kombination mit OpenCV. Du beginnst mit der fachlichen Seite: Welche Prüfschritte sind sinnvoll automatisierbar, wie formulierst du Akzeptanzkriterien, und wie gehst du mit typischen Fehlerbildern wie Kratzern, Ausbrüchen, Fehlmontage oder Lageabweichungen um. Dabei lernst du, Varianz bewusst einzuplanen, statt sie später mühsam „wegzudrehen“. Im nächsten Schritt baust du die technische Pipeline: Du wählst geeignete Farbräume, arbeitest mit ROIs und Masken und nutzt Filter, Kantenverfahren und Morphologie, um stabile Merkmale zu erzeugen. Segmentierung und Thresholding setzt du so ein, dass das Ergebnis nicht nur auf einem Beispielbild funktioniert. Danach folgt die Mess- und Entscheidungslogik: Konturen, Geometriemessungen, Kalibrierung und Pixel-zu-mm Umrechnung, Grenzwerte und Regeln für Gut/Schlecht inklusive Umgang mit Unsicherheiten. Weil OpenCV und „KI“ oft vermischt werden, bekommst du eine praxisnahe Trennlinie: klassische Verfahren, Abgleichmethoden und einfache ML- oder Anomalie-Ansätze, jeweils mit passenden Qualitätsmetriken. Du lernst, wie du Daten sammelst und labelst, wie du Tests aufsetzt und wie du False Accept und False Reject im Sinne von Ausschuss und Risiko steuerst. Zum Abschluss geht es um den Rollout: Laufzeit, Stabilität, Monitoring, Drift und eine Dokumentation, die Änderungen nachvollziehbar und auditfähig macht.
Die wichtigsten Themen im Überblick
- Robuste Prüfprozesse mit OpenCV in der Produktion bauen
- Anwesenheit, Lage und Oberflächenfehler sicher erkennen
- Beleuchtung, Optik und Auflösung für QM gezielt nutzen
- Bilddaten mit ROI, Masken und Thresholding segmentieren
- Konturen, Abstände, Winkel und Toleranzen in mm messen
- Gut-Schlecht-Entscheidungen nachvollziehbar definieren
- KI, ML und Anomalie-Erkennung im Qualitätsmanagement bewerten
- Datensätze, Labeling und Tests audit-tauglich planen
Zielgruppe
- Qualitätsmanagerinnen und Qualitätsmanager sowie Qualitätsingenieurinnen und Qualitätsingenieure
- Prozessingenieurinnen und Prozessingenieure, Industrial Engineering, Produktionstechnik
- Automatisierungsingenieurinnen und Automatisierungsingenieure, Prüfmittel- und Messtechnik
- Data- und Analytics-Verantwortliche mit Bezug zu Bilddaten
- Für alle, die kamerabasierte Prüfprozesse mit OpenCV aufbauen oder bewerten wollen.
Voraussetzung für die Schulung
- Grundverständnis von Qualitätskennzahlen und Prüfprozessen ist hilfreich.
- Keine Programmiererfahrung erforderlich; grundlegendes technisches Verständnis reicht.
Kursinhalte
- Bildverarbeitung im Qualitätsmanagement
- Typische Prüfaufgaben: Anwesenheit, Lage, Vollständigkeit, Oberfläche
- Beleuchtung, Optik, Auflösung: was Prüfqualität wirklich treibt
- Fehlerbilder und Akzeptanzkriterien sauber definieren
- OpenCV-Grundlagen, die im Shopfloor zählen
- Bildformate, Farbräume, ROI und Masken
- Filter, Kanten, Morphologie für stabile Ergebnisse
- Thresholding und Segmentierung für klare Merkmale
- Messung, Toleranzen und Entscheidung
- Konturen, Geometrie, Abstände, Winkel, Rundheit
- Kalibrierung und Pixel-zu-mm Umrechnung
- Regeln, Grenzwerte, Gut/Schlecht-Logik und Unsicherheit
- Detektion und Klassifikation: wo „KI“ sinnvoll ist
- Merkmalsbasierte Verfahren vs. ML-Ansätze
- Template Matching, Feature Matching, einfache Klassifikatoren
- Anomalie-Erkennung mit sinnvollen Qualitätsmetriken
- Datensatz, Labeling und Teststrategie
- Welche Bilder du wirklich brauchst: Varianz, Störfaktoren, Drift
- Label-Standards, Ground Truth und Review-Prozess
- Train/Test-Split, Fehlerraten, Confusion Matrix im QM-Kontext
- Einführung in den industriellen Rollout
- Performance, Latenz, Stabilität: typische Stolpersteine
- Monitoring: Ausschussquote, False Reject/Accept, Nachjustierung
- Dokumentation und Audit-Tauglichkeit von Prüfalgorithmen
