Visuelle Prüfung mit KI: Falschrückweisungen reduzieren, ohne Fehler zu übersehen

Eine zurückgewiesene Komponente ist das Ergebnis einer Entscheidung, kein Fehlernachweis. Viele Produktionsberichte behandeln die Rückweisungszahl jedoch so, als hätte jedes Teil eine verifizierte Spezifikation verfehlt. Eine wichtige Frage bleibt offen: Wie viel einwandfreie Produktion werfen wir weg?

Visuelle Prüfung mit KI analysiert Bauteilbilder mit Modellen und kennzeichnet Muster, die auf Fehler hindeuten können. Ihr Wert liegt in der verbesserten Prüfentscheidung: weniger unnötige Rückweisungen, nützliche Belege für Prüfer und weiterhin zuverlässiges Erkennen relevanter Fehler. Weniger Ausschuss allein beweist keine bessere Prüfung.

In Folge 3 von AI in Swiss Industry beschreibt Stéphane Fallet diesen weniger sichtbaren Prüffehler: Gute Teile können im Ausschuss landen, ohne dass die Kosten gemessen werden. Sein Ausgangspunkt sind bessere Informationen entlang der Produktion. Das folgende Audit macht daraus ein praktisches Vorgehen für Qualitätsteams.

01 Visuelle KI-Prüfung in die Fertigungslinie einordnen

Ein Prüfablauf beginnt mit einem brauchbaren Bild und einem eindeutigen Annahmekriterium. Das Modell bewertet sichtbare Merkmale; der umgebende Prozess bestimmt, ob daraus eine Warnung, eine Prüfanforderung oder eine Produktionsentscheidung wird. Trennen Sie diese Verantwortlichkeiten bei der Versuchsplanung.

Ein sinnvoller Einstieg kann die zweite Prüfung bereits auffälliger Bilder sein. Siemens beschreibt einen Ansatz zur Verringerung von Fehlalarmen in der Leiterplattenfertigung, der automatische optische Prüfdaten mit Ergebnissen manueller Prüfung verbindet. Das ist ein konkretes Beispiel für die Unterstützung eines bestehenden Ablaufs, kein Nachweis gleicher Ergebnisse in jeder Fabrik. Die Siemens-Beschreibung lesen.

• Erfassen: Bild und Kontext von Teil, Station und Prüfung aufbewahren.
• Bewerten: Modellergebnis mit verifizierten Annahmekennzeichnungen vergleichen.
• Prüfen: unsichere oder strittige Ergebnisse an den Qualitätsverantwortlichen weiterleiten.
• Überwachen: nach freigegebenen Änderungen Falschrückweisungen, übersehene Fehler und Prüfaufwand verfolgen.

02 Bilder und Kennzeichnungen vor der Modellauswahl vorbereiten

Stellen Sie für den Versuch Beispiele einwandfreier Teile, relevanter Fehler und ungeklärter Fälle zusammen. Berücksichtigen Sie die erwartete Variation: Bauteilvarianten, Oberflächen, Positionen und Betriebsbedingungen. Dokumentieren Sie, was das Bild tatsächlich zeigt. Eine bildbasierte Bewertung kann keine Eigenschaft nachweisen, die das Aufnahmeverfahren nicht misst.

Trennen Sie ursprüngliche Prüfentscheidung und verifizierten Zustand. Eine historische Rückweisungskennzeichnung beschreibt möglicherweise die Systemhandlung statt den tatsächlichen Fehler. Lassen Sie qualifizierte Prüfer Kennzeichnungen anhand der Spezifikation klären und bewahren Sie ungeklärte Fälle auf, statt sie stillschweigend als fehlerhaft zu behandeln.

Vereinbaren Sie vor der Modellabstimmung einen separaten Evaluationsdatensatz. Testen Sie produktionsrepräsentative Beispiele, die nicht erneut zum Training verwendet wurden, und berichten Sie Ergebnisse insgesamt sowie nach Fehlerkategorie. Qualität legt Annahmekriterien und Bereitstellungsnachweise fest. Es gibt keinen universellen Genauigkeitswert, der jede Prüfanwendung einsatzbereit macht.

03 Mit den zwei Prüffehlern beginnen

Bei einer Falschrückweisung wird ein konformes Teil als fehlerhaft eingestuft. Bei einem übersehenen Fehler beziehungsweise Durchschlupf wird ein nicht konformes Teil angenommen. Diese Ergebnisse haben unterschiedliche Folgen. Unnötigen Ausschuss zu vermeiden rechtfertigt keine Freigabe fehlerhafter Komponenten.

Definieren Sie „konform“, bevor Sie Fehler zählen. Verwenden Sie aktuelle Zeichnung, Spezifikation, Annahmekriterien und eine geeignete Referenzmessung. Ist die Referenz strittig, bleibt das Ergebnis ungeklärt. Einen unsicheren Fall zwangsweise als gut oder schlecht einzustufen macht das Dashboard eindeutiger, als die Belege es zulassen.

Unsere Übersicht zur KI-gestützten Qualitätskontrolle behandelt die umfassendere Beziehung zwischen Prüfung, Betriebsdaten und KI-Versuch. Dieser Leitfaden konzentriert sich auf eine engere Aufgabe: gute Teile innerhalb der Rückweisungen finden und untersuchen.

04 Was die Sandia-Studie aussagt und was nicht

In einem Experiment der Sandia National Laboratories aus dem Jahr 2015 prüften 82 Personen 140 Präzisionsteile des US-amerikanischen nuklearen Sicherheitskomplexes. Sie wiesen 85 % der fehlerhaften Teile korrekt und 35 % der akzeptablen Teile fälschlich zurück. Die Autoren betonten, dass die hohe Ausschussrate nicht typisch für visuelle Prüfaufgaben war. Die Originalzusammenfassung lesen.

Das Ergebnis ist ein Anlass, den eigenen Prozess zu untersuchen, keine Schätzung Ihrer Werksverluste. Es belegt weder, dass branchenweit regelmäßig ein Drittel guter Teile weggeworfen wird, noch dass KI diesen Anteil retten würde. Annahmekriterien, Produktmix und Prüfbedingungen können deutlich abweichen.

05 Die Rückweisungsentscheidung vor einer Änderung auditieren

Wählen Sie eine definierte Prüfstation und eine Teilefamilie. Legen Sie einen Prüfzeitraum fest und bewahren Sie die Rückverfolgbarkeit zur ursprünglichen Entscheidung. Ziel ist ein erklärbarer Vergleich, nicht die Suche nach einigen Ausschussbeispielen, die eine bevorzugte Lösung stützen.

• Teile- oder Chargenkennung, Prüfzeitpunkt, ursprüngliches Ergebnis und Rückweisungsgrund erfassen.
• Relevante Bilder, Messwerte, Programmversionen oder Prüferaufzeichnungen aufbewahren, soweit vorhanden.
• Ausgewählte Teile von qualifizierten Personen gegen eine vereinbarte Referenz bewerten lassen.
• Konforme, nicht konforme und ungeklärte Ergebnisse sowie Gründe für Widersprüche getrennt dokumentieren.

Trennen Sie die Auditbewertung von der Freigabebefugnis. Ein im Audit als konform bewertetes Teil benötigt möglicherweise weiterhin das reguläre Verfahren zur Verwendungsentscheidung. Behalten Sie Sperrung und Rückverfolgbarkeit bei, bis der Qualitätsverantwortliche es abschließt.

Die Animation zeigt beide Prüffehler: ein fehlerhaftes Teil beim Kunden und ein konformes Teil im Ausschuss. Deshalb müssen beide Ergebnisse gemessen werden. Eine mögliche Falschrückweisung ist keine Freigabe. Tatsächliche Rückgewinnung hängt weiterhin von Zustand, Rückverfolgbarkeit und genehmigter Verwendungsentscheidung ab.

06 Den richtigen Nenner verwenden

Zwei nützliche Kennzahlen beantworten unterschiedliche Fragen. Der konforme Anteil der auditierten Rückweisungen beschreibt die Zusammensetzung der zurückgewiesenen Teile. Die Falschrückweisungsrate zeigt, wie häufig konforme Teile fälschlich zurückgewiesen werden. Die Kennzahlen sind nicht austauschbar.

• Konformer Anteil auditierter Rückweisungen: verifiziert konforme Rückweisungen geteilt durch alle auditierten Rückweisungen.
• Falschrückweisungsrate: zurückgewiesene konforme Teile geteilt durch alle verifiziert konformen Teile der bewerteten Population.
• Rate übersehener Fehler: angenommene nicht konforme Teile geteilt durch alle verifiziert nicht konformen Teile dieser Population.

Ein illustratives Beispiel: Ein vollständig verifizierter Testsatz enthält 190 konforme und 10 nicht konforme Teile. Die Prüfung weist drei konforme und neun nicht konforme Teile zurück. Drei der 12 Rückweisungen sind gut, also 25 %. Die Falschrückweisungsrate beträgt jedoch drei geteilt durch 190, rund 1,58 %. Eines von zehn fehlerhaften Teilen passiert die Prüfung, entsprechend 10 % übersehenen Fehlern. Das sind drei Sichtweisen desselben Tests, keine drei Schätzungen desselben Problems.

Ein reines Rückweisungs-Audit kann die Falschrückweisungsrate der gesamten Linie nicht bestimmen, weil es die angenommenen Teile nicht verifiziert. Es zeigt auch nicht, wie viele Fehler durchgelassen wurden. Nehmen Sie die Prüfung angenommener Teile mit einem geeigneten Stichprobenplan auf und benennen Sie dessen Aussagegrenzen. Zeigen Sie neben jedem Prozentsatz die zugrunde liegenden Stückzahlen.

07 Die Ursache von Abweichungen finden

Vergleichen Sie vor einer Schwellenänderung die ursprünglichen Prüfbelege mit dem Referenzergebnis. Gruppieren Sie Widersprüche nach Teilefamilie, Fehlerart, Station, Schicht und Prüfkonfiguration, sofern die Aufzeichnungen dies tragen. Eine sinnvolle Untersuchung fragt nach geänderten Entscheidungsbedingungen, statt sofort Bediener oder Modell verantwortlich zu machen.

Bei automatischer Prüfung untersuchen Sie Einflüsse von Positionierung, Beleuchtung, Oberflächenerscheinung und Messvariation. Die KEYENCE-Hinweise zur Vermeidung von Falschrückweisungen erläutern das Verhältnis zwischen Empfindlichkeit und Genauigkeit. Gerätehinweise sind ein Ausgangspunkt eigener Validierung, kein Ersatz für produktspezifische Annahmekriterien.

Bei menschlicher Prüfung untersuchen Sie, ob derselbe Grenzfall unterschiedlich entschieden wird und ob das schriftliche Kriterium praktisch anwendbar ist. Ein klareres Referenzbeispiel oder eine bessere Messung kann einen Widerspruch direkter lösen als ein Modell. Machen Sie fehlende Aufzeichnungen sichtbar, bevor Sie daraus ein Muster ableiten.

Ändern sich mehrere Faktoren zugleich, ist ihr Zusammenhang ein Untersuchungsansatz, kein Ursachennachweis. Vergleichen Sie gleichartige Bedingungen und lassen Sie Prozessverantwortliche plausible Erklärungen prüfen. Eine Häufung in einer Schicht kann beispielsweise am Teilemix statt am Prüfer liegen.

08 Die tatsächlich vermeidbaren Kosten berechnen

Erstellen Sie mit Finanzen und Betrieb anhand der verifizierten Zahl ein Kostenbild. Beginnen Sie bei den bis zur Rückweisung angefallenen Kosten und prüfen Sie anschließend die tatsächliche Rückgewinnbarkeit. Eine fertige Baugruppe und ein früher Rohling enthalten unterschiedliche Material- und Bearbeitungskosten.

• Vermeidbarer Ausschuss: verifiziert konforme Einheiten, die berechtigterweise hätten behalten werden können, multipliziert mit den relevanten Stückkosten abzüglich erzielbarem Schrottwert.
• Prüfaufwand: Untersuchungs- und Nachprüfungsstunden einschließlich Klärung von Widersprüchen.
• Rückgewinnungsaufwand: Handhabung, Separierung sowie genehmigte Nacharbeit oder Verifizierung vor Freigabe.
• Lieferfolgen: nachgewiesene Auswirkungen separat erfassen; nicht jede Rückweisung bedeutet einen verlorenen Verkauf.

Angenommen, eine vollständig geprüfte Charge enthält 20 fälschlich zurückgewiesene konforme Teile mit jeweils 40 € vermeidbaren angefallenen Kosten ohne Restwert. Das sind 800 € potenzieller Ausschussverlust. Benötigt die Rückgewinnung vier Stunden zu 50 €, bleiben vor weiteren Kosten 600 €. Das ist illustrative Rechnung, kein Embiggen-Ergebnis und keine monatliche Einsparprognose.

Rechnen Sie eine ungewöhnliche Charge nicht auf ein Produktionsjahr hoch und nennen es einen Business Case. Prüfen Sie normale Mengen, Produktmix und Betriebsbedingungen. Trennen Sie identifizierten Verlust, technisch rückgewinnbaren Wert und realisierte Einsparungen. Gleich sind sie nur bei entsprechendem betrieblichem Nachweis.

09 Die Änderung parallel zum aktuellen Prozess testen

Definieren Sie die Änderung genau: angepasste Prüfkonfiguration, klarere Annahmehinweise, zusätzliche Messung oder KI-gestützte Prüfung. Legen Sie Kriterien vor dem Vergleich fest, einschließlich Fehlerkategorien mit unzulässigem Durchschlupf und Eskalation unsicherer Fälle.

Lassen Sie, soweit möglich, die bisherige Produktionsentscheidung bestehen, während der neue Ansatz bewertet wird. Vergleichen Sie beide mit derselben Referenzmethode und dokumentieren Sie Widersprüche. Verwenden Sie Prüfteile, die nicht einfach zur Systemabstimmung wiederverwendet wurden, und berücksichtigen Sie normale Prozessvariation.

Bewerten Sie Falschrückweisungen und übersehene Fehler gemeinsam. Weniger Rückweisungen durch die Annahme zusätzlicher fehlerhafter Teile sind nicht das Ziel. Messen Sie auch Prüfbelastung und ungeklärte Fälle: Alle schwierigen Entscheidungen an einen überlasteten Prüfer abzugeben kann ein scheinbar besseres Modell unpraktikabel machen.

Ein Zeitraum ohne beobachteten Durchschlupf beweist kein tatsächliches Nullrisiko. Stichprobengröße und Fehlermix begrenzen die Aussage. Der Qualitätsverantwortliche entscheidet, ob die Belege für den vorgesehenen Einsatz reichen und welche Überwachung nach der Änderung nötig ist.

10 KI eine konkrete Rolle in der Untersuchung geben

KI lässt sich zur Priorisierung strittiger Bilder, Gruppierung wiederkehrender Rückweisungsmuster oder Zusammenführung von Prüfunterlagen bewerten. Die nützliche Frage ist, welche Aufgabe mit vertretbarem Aufwand die Qualitätsentscheidung verbessert. „KI hinzufügen“ ist zu unbestimmt für einen Test.

Referenzkennzeichnungen erfordern dieselbe Sorgfalt wie das Modell. Wird jede historische Rückweisung ungeprüft als fehlerhaft markiert, kann Training den zu reduzierenden Fehler bewahren. Führen Sie ursprüngliche Entscheidung und geprüften Zustand getrennt. Dokumentieren Sie ungeklärte Fälle und geänderte Annahmekriterien.

Benennen Sie einen Qualitätsverantwortlichen für Verwendungsentscheidungen und einen klaren Weg für unsichere Befunde. Ein Konfidenzwert ist keine Freigabe. Bei geändertem Teilemix, Prüfaufbau oder Prozess ist zu prüfen, ob die Belege die aktuelle Werkzeugnutzung weiterhin stützen.

11 Mit einer auditierbaren Frage beginnen

Fragen Sie vor Gerätebeschaffung oder Modellauftrag: Welche von dieser Station zurückgewiesenen Teile erfüllen die vereinbarte Spezifikation, und warum wich die erste Entscheidung ab? Die Antwort schafft eine nutzbare Grundlage für Verbesserungen.

• Eine Station und Teilefamilie wählen.
• Referenzmethode und Entscheidungsverantwortlichen festlegen.
• Eine definierte Stichprobe verifizieren und angenommene Teile weiterhin prüfen.
• Falschrückweisungen, übersehene Fehler und ungeklärte Fälle trennen.
• Rückgewinnbaren Wert mit tatsächlichen Kosten schätzen.
• Eine konkrete Änderung vor der Ausweitung testen.

Sprechen Sie mit Embiggen X über die zu untersuchende Prüfentscheidung. Wir können zunächst verfügbare Unterlagen, Prüfablauf und die Nachweise zur Bewertung eines begrenzten Versuchs erfassen.

12 Quellen

• Embiggen X: IA et contrôle qualité : réduisez les rebuts en industrie. Folge 3 über übersehene Fehler, Falschrückweisungen und Produktionsinformationen.
• Judi E. See, Visual Inspection Reliability for Precision Manufactured Parts, 2015. Studienspezifische Prüfergebnisse.
• KEYENCE: Preventing False Rejections. Herstellerhinweise zu Empfindlichkeit und Prüfgenauigkeit.
• Siemens: Smarter False Call Reduction for Electronics Manufacturing. Beispiel KI-gestützter Prüfung mit AOI-Daten und manuellen Befunden.