Machine Vision mit AI: Wie Maschinen Bilder verstehen und Prozesse automatisieren

Machine Vision beschreibt die automatisierte Erfassung und Auswertung visueller Informationen durch technische Systeme. Kameras, Optiken, Beleuchtung und Bildverarbeitungssoftware arbeiten zusammen, um Objekte, Merkmale und Zustände zu erkennen.

Durch künstliche Intelligenz hat sich Machine Vision deutlich weiterentwickelt. Klassische Systeme arbeiten häufig mit fest definierten Regeln. AI-basierte Verfahren können dagegen komplexe Muster aus Beispieldaten lernen und auch bei variierenden Formen, Oberflächen oder Umgebungsbedingungen zuverlässig arbeiten.

Machine Vision mit AI wird vor allem in Industrie, Robotik, Logistik, Mobilität, Medizintechnik und Qualitätskontrolle eingesetzt.

Was ist Machine Vision?

Machine Vision ist ein technisches System zur automatisierten visuellen Prüfung, Messung und Steuerung.

Ein typisches System besteht aus:

• einer oder mehreren Kameras,

• geeigneter Beleuchtung,

• Optik und Filtern,

• einer Bildverarbeitungseinheit,

• Software zur Analyse,

• einer Schnittstelle zur Maschine oder Steuerung.

Die Kamera erfasst ein Bild. Anschließend wird dieses Bild verarbeitet und bewertet. Das System kann beispielsweise entscheiden, ob ein Bauteil korrekt montiert wurde, ob eine Verpackung beschädigt ist oder wo sich ein Objekt befindet.

Machine Vision geht damit über die reine Bildaufnahme hinaus. Ziel ist eine verwertbare technische Entscheidung.

Wie unterscheidet sich Machine Vision von Computer Vision?

Die Begriffe Machine Vision und Computer Vision werden häufig ähnlich verwendet, bezeichnen jedoch nicht genau dasselbe.

Computer Vision ist der übergeordnete Bereich, in dem Computer Bilder und Videos analysieren und interpretieren.

Machine Vision beschreibt vor allem den praktischen Einsatz dieser Verfahren in Maschinen, Anlagen und automatisierten Prozessen.

Computer Vision kann beispielsweise Bilder aus sozialen Medien, medizinische Aufnahmen oder Satellitenbilder analysieren. Machine Vision ist stärker auf industrielle Aufgaben wie Prüfung, Vermessung, Identifikation und Roboterführung ausgerichtet.

Die Grenzen sind jedoch fließend, besonders seit AI-basierte Verfahren in beiden Bereichen eingesetzt werden.

Wie funktioniert ein Machine-Vision-System?

Ein Machine-Vision-System arbeitet typischerweise in mehreren Schritten.

1. Bildaufnahme

Eine Kamera erfasst das Objekt oder den Prozess.

Abhängig von der Anwendung kommen unterschiedliche Kameratypen zum Einsatz:

• Flächenkameras,

• Zeilenkameras,

• 3D-Kameras,

• Wärmebildkameras,

• Hyperspektralkameras,

• Event-basierte Kameras.

Die Wahl hängt unter anderem von Objektgröße, Geschwindigkeit, Auflösung und Umgebungsbedingungen ab.

2. Beleuchtung

Die Beleuchtung ist ein entscheidender Bestandteil des Systems.

Sie hebt relevante Merkmale hervor und reduziert störende Einflüsse. Je nach Aufgabe kommen beispielsweise Auflicht, Gegenlicht, Dunkelfeldbeleuchtung oder strukturierte Beleuchtung zum Einsatz.

Eine gute Beleuchtung kann die Bildauswertung erheblich vereinfachen.

3. Bildvorverarbeitung

Das aufgenommene Bild wird aufbereitet.

Typische Schritte sind:

• Rauschunterdrückung,

• Kontrastanpassung,

• Farbkorrektur,

• Schärfung,

• geometrische Korrektur,

• Normalisierung.

Ziel ist es, die relevanten Bildinformationen möglichst stabil bereitzustellen.

4. Merkmalsextraktion

Das System sucht nach relevanten Merkmalen.

Dazu gehören:

• Kanten,

• Konturen,

• Formen,

• Farben,

• Texturen,

• Oberflächenfehler,

• Positionen,

• Abmessungen.

Bei klassischen Verfahren werden diese Merkmale durch feste Regeln beschrieben. AI-basierte Systeme lernen sie teilweise automatisch.

5. Bewertung und Entscheidung

Das System vergleicht die erkannten Informationen mit Vorgaben oder einem trainierten Modell.

Mögliche Ergebnisse sind:

• Bauteil in Ordnung,

• Fehler erkannt,

• Objektposition bestimmt,

• falsches Produkt identifiziert,

• Text oder Code gelesen,

• Roboterbewegung freigegeben.

6. Reaktion

Das Ergebnis wird an die Maschine, Steuerung oder ein übergeordnetes System weitergegeben.

Ein fehlerhaftes Produkt kann aussortiert, ein Roboter neu positioniert oder ein Alarm ausgelöst werden.

Klassische Bildverarbeitung und AI im Vergleich

Klassische Bildverarbeitung arbeitet meist mit festgelegten Regeln.

Beispiele sind:

• bestimmte Helligkeitswerte,

• definierte Kanten,

• geometrische Toleranzen,

• feste Farbgrenzen,

• vorgegebene Konturen.

Solche Systeme funktionieren gut, wenn Produkte und Bedingungen sehr konstant sind.

AI-basierte Bildverarbeitung nutzt dagegen trainierte Modelle. Diese lernen anhand vieler Beispiele, welche Merkmale für eine bestimmte Aufgabe relevant sind.

Das ist besonders vorteilhaft, wenn:

• Produkte unterschiedlich aussehen,

• Fehlerformen variieren,

• Hintergründe nicht konstant sind,

• Oberflächen komplex sind,

• feste Regeln zu aufwendig wären.

AI ist jedoch nicht automatisch die bessere Lösung. Für klar definierte Messaufgaben kann klassische Bildverarbeitung einfacher, transparenter und effizienter sein.

In vielen Anwendungen werden deshalb beide Ansätze kombiniert.

Welche AI-Verfahren werden eingesetzt?

Bildklassifikation

Das gesamte Bild wird einer Klasse zugeordnet.

Beispiele:

• fehlerfrei oder fehlerhaft,

• Produkttyp A oder B,

• volle oder leere Verpackung,

• beschädigt oder unbeschädigt.

Objekterkennung

Das System erkennt mehrere Objekte und bestimmt ihre Position im Bild.

Dies wird beispielsweise für Teileerkennung, Logistik oder Roboterführung genutzt.

Segmentierung

Bei der Segmentierung wird jedes relevante Bildpixel einer Klasse zugeordnet.

Dadurch lassen sich Fehlerflächen, Objektkonturen oder Materialbereiche sehr genau bestimmen.

Anomalieerkennung

Ein Modell lernt, wie ein fehlerfreies Produkt normalerweise aussieht.

Abweichungen werden als mögliche Fehler erkannt.

Dieser Ansatz ist nützlich, wenn nur wenige Beispiele für konkrete Fehler vorhanden sind.

Zeichenerkennung

Optical Character Recognition, kurz OCR, erkennt Buchstaben und Zahlen.

Typische Anwendungen sind:

• Seriennummern,

• Etiketten,

• Chargencodes,

• Kennzeichen,

• Dokumente.

Pose Estimation

Pose Estimation bestimmt die Lage und Orientierung eines Objekts oder einer Person.

In der Robotik hilft dies beispielsweise beim Greifen unsortierter Teile.

Typische Anwendungen in der Industrie

Qualitätsprüfung

Machine Vision prüft Oberflächen, Geometrien, Vollständigkeit und Montagezustände.

Das System erkennt beispielsweise:

• Kratzer,

• Risse,

• Verformungen,

• fehlende Teile,

• falsche Farben,

• fehlerhafte Etiketten,

• unvollständige Verpackungen.

Maßprüfung

Kamerasysteme messen Abstände, Durchmesser, Winkel oder Positionen.

Bei präzisen Messaufgaben sind Kalibrierung, Optik und Beleuchtung besonders wichtig.

Roboterführung

Kameras bestimmen Lage und Orientierung eines Objekts.

Der Roboter kann daraufhin Bauteile greifen, sortieren oder montieren.

Identifikation

Barcodes, QR-Codes, Texte und Produktmerkmale werden automatisch gelesen.

Dies unterstützt Rückverfolgbarkeit und Prozesssteuerung.

Vollständigkeitskontrolle

Das System prüft, ob alle erforderlichen Teile vorhanden sind.

Beispiele sind:

• Steckverbinder,

• Schrauben,

• Dichtungen,

• Beilagen,

• Etiketten.

Prozessüberwachung

Machine Vision beobachtet laufende Prozesse.

Dadurch können Abweichungen frühzeitig erkannt werden.

2D- und 3D-Machine-Vision

2D-Bildverarbeitung

2D-Systeme arbeiten mit flachen Bildern.

Sie eignen sich besonders für:

• Konturprüfung,

• Farberkennung,

• Oberflächenkontrolle,

• Text- und Codeerkennung,

• Lagebestimmung.

3D-Bildverarbeitung

3D-Systeme erfassen zusätzlich Tiefeninformationen.

Dazu kommen unter anderem folgende Verfahren zum Einsatz:

• Stereo Vision,

• Time of Flight,

• strukturierte Beleuchtung,

• Lasertriangulation,

• LiDAR.

3D-Systeme eignen sich für:

• Volumenmessung,

• Höhenprüfung,

• Roboterführung,

• Erkennung von Verformungen,

• Prüfung komplexer Geometrien.

Welche Rolle spielt Deep Learning?

Deep Learning hat Machine Vision besonders bei komplexen visuellen Aufgaben erweitert.

Neuronale Netze können Merkmale selbstständig aus Trainingsdaten lernen. Entwickler müssen daher nicht jede Kante, Farbe oder Form manuell definieren.

Das ist hilfreich bei:

• variierenden Fehlerbildern,

• natürlichen Oberflächen,

• wechselnden Lichtbedingungen,

• unregelmäßigen Objekten,

• schwer formulierbaren Prüfregeln.

Deep Learning benötigt jedoch geeignete Trainingsdaten.

Diese Daten müssen:

• repräsentativ,

• korrekt beschriftet,

• ausreichend vielfältig,

• qualitativ hochwertig

sein.

Ein Modell, das nur unter idealen Bedingungen trainiert wurde, kann im realen Betrieb schnell an Genauigkeit verlieren.

Edge AI und Machine Vision

Machine-Vision-Systeme erzeugen große Datenmengen. Besonders bei hochauflösenden Kameras oder schnellen Produktionslinien ist eine permanente Übertragung in die Cloud oft nicht sinnvoll.

Deshalb wird AI zunehmend direkt an der Maschine ausgeführt.

Edge-AI-Systeme übernehmen:

• Bildaufnahme,

• Vorverarbeitung,

• Modellausführung,

• Entscheidung,

• Maschinenkommunikation.

Das ermöglicht kurze Reaktionszeiten und reduziert den Datenverkehr.

Nur relevante Bilder, Fehlerfälle oder Kennzahlen müssen an zentrale Systeme übertragen werden.

Welche Hardware wird benötigt?

Die passende Hardware hängt von Bildrate, Auflösung, Modellgröße und Reaktionszeit ab.

Mögliche Plattformen sind:

• industrielle PCs,

• Embedded-Systeme,

• GPUs,

• AI-Beschleuniger,

• intelligente Kameras,

• Edge-Computer,

• FPGA-basierte Systeme.

Eine einfache Anwesenheitsprüfung benötigt deutlich weniger Rechenleistung als eine hochauflösende 3D-Inspektion mit mehreren AI-Modellen.

Welche Herausforderungen gibt es?

Schwankende Lichtverhältnisse

Veränderte Beleuchtung kann Farben, Kontraste und Oberflächen stark beeinflussen.

Produktvarianten

Unterschiedliche Formen, Materialien und Oberflächen erhöhen die Komplexität.

Seltene Fehler

Für bestimmte Fehlerarten existieren möglicherweise nur wenige Trainingsbilder.

Verschmutzung

Staub, Öl oder Beschlag können Kamera und Optik beeinträchtigen.

Modellalterung

Verändern sich Produkte oder Prozesse, kann die Erkennungsleistung sinken.

Fehlalarme

Zu viele falsche Fehlererkennungen können Produktionsprozesse unnötig stören.

Nachvollziehbarkeit

Bei sicherheitskritischen oder regulierten Anwendungen muss verständlich sein, warum ein System eine Entscheidung getroffen hat.

Was ist bei der Einführung zu beachten?

Ein erfolgreiches Machine-Vision-Projekt beginnt mit einer klar definierten Aufgabe.

Wichtige Fragen sind:

• Welche Fehler oder Merkmale sollen erkannt werden?

• Wie sehen akzeptable und nicht akzeptable Produkte aus?

• Welche Genauigkeit ist erforderlich?

• Wie schnell muss die Entscheidung erfolgen?

• Welche Umgebungsbedingungen bestehen?

• Welche Produktvarianten gibt es?

• Wie wird das System getestet?

• Wie werden Modelle später aktualisiert?

Auch die Datenerfassung sollte früh geplant werden.

Trainingsdaten müssen reale Produktionsbedingungen abbilden. Dazu gehören unterschiedliche Chargen, Lichtverhältnisse, Materialien und Fehlerarten.

Machine Vision in Robotik und Physical AI

In Robotik und Physical AI ist Machine Vision ein zentraler Teil der Wahrnehmung.

Ein Roboter muss erkennen:

• wo sich ein Objekt befindet,

• wie es ausgerichtet ist,

• ob es greifbar ist,

• ob sich Hindernisse im Weg befinden,

• ob ein Prozess erfolgreich abgeschlossen wurde.

AI-basierte Vision ermöglicht Robotern, auch mit variierenden und unstrukturierten Situationen umzugehen.

Die Bildverarbeitung liefert dabei nicht nur Informationen, sondern beeinflusst direkt die Bewegung und Handlung des Systems.

Machine Vision und Sensor Fusion

Kameras liefern viele visuelle Informationen, haben jedoch Grenzen.

Deshalb werden Bilddaten häufig mit weiteren Sensoren kombiniert:

• Radar,

• LiDAR,

• Kraftsensoren,

• Positionssensoren,

• Temperatursensoren,

• Ultraschall.

Ein Roboter kann beispielsweise mit einer Kamera die Position eines Bauteils bestimmen und mit einem Kraftsensor den tatsächlichen Kontakt überprüfen.

Sensor Fusion erhöht dadurch die Zuverlässigkeit des Gesamtsystems.

Fazit

Machine Vision mit AI ermöglicht Maschinen, visuelle Informationen nicht nur zu erfassen, sondern auch zu interpretieren.

Die Technologie wird für Qualitätsprüfung, Robotik, Identifikation, Vermessung und Prozessüberwachung eingesetzt.

AI erweitert klassische Bildverarbeitung vor allem dort, wo Muster komplex, Bedingungen variabel oder feste Regeln nur schwer definierbar sind.

Ein zuverlässiges System erfordert jedoch mehr als ein leistungsfähiges Modell. Entscheidend sind geeignete Kameras, stabile Beleuchtung, repräsentative Daten, passende Hardware und eine sorgfältige Integration in den Prozess.

Machine Vision wird damit zu einer Schlüsseltechnologie für intelligente Maschinen, Edge AI und Physical AI.