KI-Fehlererkennung in der industriellen Fertigung

Entwicklung und Realisierung eines kundenspezifischen KI-Systems zur automatischen Fehlererkennung in einer industriellen Fertigungslinie. Zwei Kameras, drei KI-Modelle, eine zweistufige Prüfung, industrietaugliche Hardware in eigenen Edelstahlschaltschränken und eine Dashboard-Anwendung mit Fernwartung – komplett aus einer Hand entwickelt, von der Hardware bis zu den trainierten Modellen.

Herausforderung: Zwei produktionskritische Fehler an einem Bauteil, die mit bloßem Auge nicht sicher erkennbar sind – manuelle Sichtprüfung war unzuverlässig, fehlerhafte Bauteile wurden weiterverarbeitet und führten zu Ausschuss und Retouren

Lösung: Zweistufige KI-Erkennung mit zwei Kameras und drei Modellen, retrofitted in eine bestehende Maschine – inklusive industrietauglicher Hardware, Embedded-System, lokalem Display und Fernwartungs-Dashboard

Ergebnis: Seit über einem Jahr im 24/7-Industriebetrieb auf zwei Maschinen, 1.500–2.000 geprüfte Bauteile pro Tag, Erkennungsgenauigkeit über 99 %

Projektinfos

• Leistungen: Konzept, Hardware-Konstruktion, Embedded-Systemkonfiguration, KI-Modellentwicklung, Training, Software, Dashboard, Installation, Fernwartung
• Bereich: Industrielle Bildverarbeitung · Embedded Systems · KI/Computer Vision · Sondermaschinenbau
• Branche: Industrielle Fertigung (NDA)
• Projektart: Auftragsentwicklung · Retrofit · Dauerbetrieb
• Stückzahl im Einsatz: Zwei Maschinen-Installationen, identisches System
• Entwicklungszeit: ca. 6 Monate inkl. Prototyping, Tests und Anpassungen
• Im Einsatz seit: über einem Jahr (Stand 2026)

Ausgangssituation

In einer bestehenden Fertigungsanlage werden kleine Funktionsbauteile in hoher Stückzahl verarbeitet. Bei diesen Bauteilen traten zwei produktionskritische Fehlerbilder auf:

Fehler 1 – Innenliegende Komponente fehlt: Im Inneren des Bauteils sitzt ein kleines Funktionselement, das beim Hersteller gelegentlich fehlt. Ohne dieses Element ist das Bauteil funktionsuntüchtig. Der Fehler ist von außen mit bloßem Auge nicht erkennbar.

Fehler 2 – Fehlerhafte Montage: Das Bauteil wird von der Maschine in eine Aufnahme installiert. Gelegentlich passiert das schräg, unvollständig oder in falscher Position – ebenfalls schwer erkennbar, weil der kritische Bereich durch den Maschinenaufbau verdeckt ist und die Bauteile sich schnell durch den Prüfbereich bewegen.

Beide Fehler führten zur Weiterverarbeitung defekter Bauteile, was Ausschuss, Nacharbeit und Kundenretouren nach sich zog. Eine manuelle Sichtprüfung war bei den Stückzahlen (1.500–2.000 Bauteile/Tag pro Maschine) nicht zuverlässig durchführbar – weder ergonomisch noch ökonomisch.

Die Anforderung: Ein nachrüstbares System, das beide Fehler zuverlässig erkennt, sich in die bestehende Maschine integrieren lässt (Retrofit) und im 24/7-Industriebetrieb in einer feucht-warmen Fertigungshalle dauerhaft funktioniert. Aus dieser Aufgabe entstanden zwei identische Installationen für zwei Maschinen.

Anforderungen

• Zuverlässige Erkennung beider Fehlerbilder bei laufender Produktion
• Retrofit in bestehende Maschine ohne mechanische Umbauten
• Industrietauglicher Aufbau für 24/7-Dauerbetrieb in feucht-warmer Umgebung
• Klare, eindeutige Anzeige für das Bedienpersonal (visuell und akustisch)
• Datenerfassung und Auswertung für Produktionsleitung
• Fernwartung und nachträgliche Modellanpassung
• Skalierbarkeit – das System wurde für zwei Maschinen identisch ausgelegt

Meine Rolle

Das Projekt wurde von mir vollständig in Eigenleistung umgesetzt – ohne externe Beteiligung an Konzept, Konstruktion, Software oder KI:

• Gesamtkonzept und Systemarchitektur
• Hardware-Konstruktion (Schaltschrank, Kameragehäuse, Lichtmodul, Displayeinheit)
• Embedded-Systemkonfiguration auf Raspberry Pi CM5
• Anpassung des Betriebssystems für Industriebetrieb
• Entwicklung der Erkennungs- und Steuersoftware
• Konzeption, Datenerfassung, Training und Validierung der KI-Modelle
• Entwicklung des Dashboards mit Live-Streams und Auswertungen
• Installation und Inbetriebnahme vor Ort
• Laufende Wartung, Fernzugriff, Modellanpassung im Betrieb

Systemarchitektur

Das System ist in zwei Erkennungsstufen aufgebaut, die der Verarbeitungsreihenfolge der Maschine folgen. Jede Stufe nutzt eigene Kameratechnik, eigene Beleuchtung und eigene KI-Modelle, abgestimmt auf das jeweilige Fehlerbild.

Kern des Systems ist ein Raspberry Pi Compute Module 5 (CM5) auf einem Carrier-Board mit Terminal-Anschlüssen, eMMC-Speicher und aktiver Kühlung – montiert in einem wasserdichten Edelstahlschaltschrank zusammen mit Netzteilen, Sicherungen, Relaisboard und WLAN-Antenne auf Hutschiene. Sämtliche Bedienelemente (Herunterfahren, Restart, Stromlos-Schalten) sind als IP-geschützte Taster und Schalter am Schrank ausgeführt.

Pro Installation gehören zum System: ein Schaltschrank als Steuereinheit, zwei Kameras (Endoskop und Global Shutter), zwei kundenspezifische Kameragehäuse, ein eigenentwickeltes Lichtmodul, eine kundenspezifische Displayeinheit und eine industrielle LED-Ampel mit Summer.

Erkennungsstufe 1: Innenprüfung mit Endoskopkamera

Die erste Prüfstufe erkennt das Vorhandensein der innenliegenden Komponente – also genau den Fehler, der von außen mit dem Auge nicht sichtbar ist. Eine Endoskopkamera mit integrierter LED-Beleuchtung wird so platziert, dass sie das Bauteil im laufenden Maschinenprozess von innen einsehen kann, an einer Stelle, an die kein menschlicher Blick gelangt.

Die Bilder werden in Echtzeit an ein Klassifizierungsmodell übergeben, das auf genau diese Unterscheidung trainiert wurde: Komponente vorhanden / Komponente fehlt. Das Ergebnis wird sofort auf dem Display angezeigt und an die Ampel/Summer-Einheit weitergegeben.

Erkennungsstufe 2: Außenprüfung der Montage

Die zweite Stufe prüft die korrekte Montage des Bauteils in der Aufnahme – schräg sitzend, unvollständig eingerastet, in falscher Position. Diese Stufe war technisch deutlich anspruchsvoller, weil mehrere Probleme gleichzeitig gelöst werden mussten:

Bewegungsunschärfe vermeiden: Das Bauteil bewegt sich schnell durch das Sichtfeld der Kamera. Verwendet wird eine Industrie-Global-Shutter-Kamera mit manuell justierbarem Objektiv. Damit Belichtungszeiten kurz genug sein können, um die Bewegung “einzufrieren”, war eine extrem starke Beleuchtung nötig.

Eigenes Lichtmodul: Am Markt war kein passendes Beleuchtungssystem verfügbar. Ich habe ein eigenes Lichtmodul entwickelt: mehrere Hochleistungs-LED-Stripes auf eine Aluminium-Trägerplatte montiert (Wärmeableitung), passiver Kühlkörper auf der Rückseite, alles in einem eigens konstruierten wasserdichten Gehäuse, das exakt auf den Winkel zum Bauteil ausgelegt ist. Im Hintergrund wurde schwarze Folie installiert, um einen konstanten, kontrastreichen Hintergrund für die Erkennung zu schaffen.

Mehrstufige KI-Erkennung: Eine reine Klassifikation hätte wegen der Bewegung, unterschiedlichen Positionierungen und Bildausschnitte nicht ausgereicht. Stattdessen läuft die Erkennung in mehreren Schritten:

1. Ein Objekterkennungs-Modell mit Bounding-Box trackt das Bauteil kontinuierlich im Kamerabild.
2. Sobald das Bauteil eine definierte Linie (ROI) überschreitet, werden mehrere Bilder kurz davor und danach aufgenommen.
3. Mit Hilfe der Bounding-Box wird aus jedem Bild ausschließlich der relevante Bauteilbereich ausgeschnitten – mittig, groß, ohne störenden Hintergrund.
4. Aus diesen ca. 10 Bildern werden über einen Laplace-Algorithmus nur die schärfsten ausgewählt (verschwommene Bilder werden verworfen).
5. Die scharfen Bilder gehen einzeln durch das Klassifizierungsmodell, das die Montagequalität bewertet.
6. Aus den Einzelergebnissen wird ein Durchschnittswert gebildet und als finales Ergebnis ausgegeben.

Diese mehrstufige Pipeline kompensiert die Schwierigkeiten der Bewegungserkennung und ist der entscheidende Grund für die hohe Trefferquote.

Trainingsdaten und Modellpipeline

Die KI-Modelle wurden mit selbst erfassten Trainingsdaten unter realen Produktionsbedingungen trainiert. Dafür wurde ein eigenes Trainingsdaten-Tool geschrieben, das im Betrieb automatisch Bilder erfasst, sie über die Bounding-Box-Erkennung passend zuschneidet, automatisch vorlabelt, Augmentation anwendet und für das Training aufbereitet.

Diese Pipeline ist auch der Grund, warum sich die Modelle im laufenden Betrieb nachschärfen lassen: Neue Bilder fließen in das Trainingsset ein, die Modelle werden gezielt nachtrainiert, das Update wird per Fernwartung eingespielt. Damit verbessert sich das System kontinuierlich mit zunehmender Betriebsdauer und passt sich an Veränderungen der Produktionsbedingungen an.

Industrietaugliche Hardware

Edelstahlschaltschrank: Wasserdichter Schaltschrank in IP-geschützter Ausführung, ausgelegt für die feucht-warme Umgebung der Produktionshalle. Innen vollständige Hutschienen-Montage mit Netzteilen, Sicherungen, Relaisboard, Raspberry Pi CM5, WLAN-Antenne. Außen sämtliche Bedienelemente als IP-Taster: Herunterfahren, Restart, Stromlos-Schalten.

Kameragehäuse: Beide Kameras (Endoskop und Global Shutter) sind in eigens konstruierten 3D-gedruckten, wasserdichten Gehäusen verbaut – mit Dichtungen, Glasscheibe und exakter Geometrie für die jeweilige Position an der Maschine. Die Global-Shutter-Kamera war ursprünglich nur eine Platine; das Gehäuse macht sie erst feldtauglich.

Lichtmodul: Wie oben beschrieben – mehrere High-Power-LED-Stripes auf Aluträger mit Kühlkörper, im wasserdichten, winkelangepassten 3D-Druck-Gehäuse.

Displayeinheit: Ein Open-Frame-Display in einem eigenentwickelten wasserdichten 3D-Druck-Gehäuse mit Dichtungen und Acrylglasscheibe. Auf dem Display wird das Erkennungsergebnis groß und sofort erkennbar dargestellt: roter oder grüner Rahmen mit eindeutigem Symbol, dazu eine vergrößerte Darstellung des aktuellen Kamerabilds zur visuellen Nachkontrolle durch das Bedienpersonal.

Signalisierungsmodul: Direkt am Gehäuse der Displayeinheit ist eine kleine industrielle LED-Ampel (rot/grün) mit Summer integriert. Damit erhält das Bedienpersonal sowohl visuelle als auch akustische Rückmeldung und kann sich beim Arbeiten am benachbarten Arbeitsplatz auf das System verlassen, ohne das Display ständig im Blick zu behalten.

Embedded-System und Betriebssystem

Das System läuft auf einem Raspberry Pi Compute Module 5 auf einem industrietauglichen Carrier-Board mit Schraubklemmen, eMMC-Speicher und aktivem Lüfter. Das Betriebssystem wurde gezielt für den 24/7-Dauerbetrieb angepasst:

• Autostart der gesamten Erkennungs- und Dashboard-Software bei Systemstart
• Watchdog-Funktion mit automatischer Wiederherstellung bei Software-Hängern oder unerwarteten Neustarts
• Deaktivierung nicht benötigter Systemkomponenten zur Stabilitätssteigerung und Reduktion der Angriffsfläche
• Robuste Fehlerbehandlung für Hardware-Ausfälle (Kamera nicht erreichbar, Display nicht verfügbar, Verbindungsverlust)
• Fernwartungszugang über sichere Netzwerkverbindung

Diese Anpassungen unterscheiden das System von einem klassischen Raspberry-Pi-Setup: Es ist nicht ein “Bastler-Computer mit KI”, sondern ein industrietaugliches Embedded-System mit allen Eigenschaften, die im Produktionsbetrieb gefordert sind.

Dashboard und Datenauswertung

Da im laufenden Betrieb ohnehin alle Prüfdaten anfallen, wurde ergänzend ein interaktives Dashboard entwickelt, das diese Daten für die Produktionsleitung nutzbar macht – zugänglich über Browser, auch mobil optimiert.

Live-Übersicht: Status jeder einzelnen Maschine (online, offline, bereit, Produktion aktiv), inklusive sofortiger Anzeige bei Hardwarefehlern (Kamera nicht verfügbar, Display nicht erreichbar etc.). Live-Streams beider Kameras pro Maschine, abrufbar aus der Ferne durch Betriebsleitung oder Service.

Tageskennzahlen: Anzahl produzierter und geprüfter Bauteile am laufenden Tag, Fehlerzahl, Durchschnitt pro Stunde, Verlaufschart über den Tag mit erkennbaren Produktions- und Fehlerspitzen.

Analyse-Seite: Interaktiver Chart mit Filter nach Maschine/Station, Auswahl von Tagen, Wochen, Monaten, verschiedenen Darstellungsformen, Vergleiche zwischen Zeiträumen. Durchschnittswerte pro Tag, Woche, Monat. Damit lassen sich Produktionsschwankungen und systematische Fehlerursachen identifizieren.

Ereignisseite: Vollständige Liste aller Prüfvorgänge mit Zeitstempel und Ergebnis. Export aller Daten als CSV zur Weiterverarbeitung.

Das Dashboard läuft auf dem gleichen System wie die Erkennung und benötigt keine externe Infrastruktur.

Fernwartung und laufender Betrieb

Das System ist seit über einem Jahr in beiden Installationen im 24/7-Industriebetrieb. Die laufende Betreuung erfolgt vollständig per Fernwartung: Modellanpassungen werden auf Basis neu erfasster Daten durchgeführt, Parameter justiert, Software-Updates eingespielt und im Störungsfall ohne Vor-Ort-Einsatz analysiert. Damit bleibt der Servicebedarf für den Kunden minimal.

Ergebnis

• Erkennungsgenauigkeit über 99 % in beiden Erkennungsstufen
• 1.500–2.000 geprüfte Bauteile pro Tag und Maschine im realen Industriebetrieb
• Seit über einem Jahr durchgängig in zwei identischen Installationen im 24/7-Einsatz
• Beide Fehlerbilder werden zuverlässig vor der Weiterverarbeitung erkannt – kein Weiterlauf defekter Bauteile in den Folgeprozess
• Vollständige Datentransparenz für die Produktionsleitung über das Dashboard
• Nachträgliche Modellverbesserung durch das integrierte Trainingsdaten-Tool ohne neue Hardware
• Wartung und Modellpflege laufen vollständig per Fernzugriff

Übertragbarkeit auf andere Projekte

Der Ansatz – ein industrietaugliches Embedded-System mit Computer Vision und mehrstufiger KI in eine bestehende Anlage zu integrieren – lässt sich auf viele Bereiche der industriellen Qualitätssicherung und Prozessüberwachung übertragen:

• KI-basierte Inline-Qualitätsprüfung für Bauteile, Baugruppen oder Verpackungen, die mit klassischer Sensorik oder manueller Sichtprüfung nicht zuverlässig kontrollierbar sind.
• Industrial Retrofit für Industrie 4.0 – Nachrüstung bestehender Maschinen und Anlagen um intelligente Erkennung, Datenerfassung und Vernetzung, ohne den Grundprozess zu verändern.
• Embedded-Systeme für rauhe Industrieumgebungen – Computer-Vision-Anwendungen, die nicht im Labor laufen müssen, sondern im 24/7-Betrieb unter realen Bedingungen (Feuchte, Wärme, Staub, Vibration).
• Mehrstufige KI-Pipelines bei schwierigen Erkennungsaufgaben – Kombinationen aus Objekterkennung, Tracking, Bildauswahl und Klassifikation, wenn ein einzelnes Modell das Problem nicht lösen kann.
• Self-improving Systeme mit kontinuierlichem Nachtraining – Lösungen, die im laufenden Betrieb ihre eigenen Trainingsdaten erfassen, automatisch aufbereiten und sich an veränderte Produktionsbedingungen anpassen.
• Komplette Lösungen aus einer Hand – Projekte, bei denen Hardware-Konstruktion, Embedded-System, KI-Modell und Bedien-/Auswertungssoftware in einem Konzept zusammen entstehen, statt von verschiedenen Dienstleistern getrennt entwickelt zu werden.

Wenn du eine ähnliche Qualitätssicherung oder Erkennungsaufgabe in deiner Fertigung hast, eine bestehende Maschine intelligent nachrüsten möchtest oder ein Computer-Vision-System für Industrieumgebungen brauchst – lass uns sprechen.