Klassische, regelbasierte Bildverarbeitung ist unschlagbar bei exakten Massprüfungen, Code-Lesungen und geometrisch klar definierten Merkmalen unter stabilen Bedingungen. Künstliche Intelligenz (Deep Learning) glänzt bei stark variierenden, unregelmässigen Oberflächenfehlern und natürlichen Materialschwankungen. Die THOP AG setzt auf hybride Systeme, die beide Welten kombinieren.
Wann klassische Bildverarbeitung dominiert
Die klassische Bildverarbeitung arbeitet deterministisch nach mathematischen Regeln und Algorithmen (z. B. Kantendetektion via Sobel-Operatoren, Musterabgleich über normierte Kreuzkorrelation). Sie benötigt keine Trainingsdaten und ist zu 100 % nachvollziehbar. Typische Stärken:
- Präzise Masshaltigkeit: Bestimmung von Abständen, Durchmessern, Winkeln und Toleranzen im Mikrometerbereich.
- Identifikation: Robustes Auslesen und Verifizieren von 1D-Barcodes und 2D-DataMatrix-Codes.
- Vollständigkeitskontrolle: Abgleich, ob Montagekomponenten (z. B. Schrauben, Dichtungen) an geometrisch exakt vordefinierten Positionen vorhanden sind.
Wann KI-Verfahren (Deep Learning) zwingend werden
Sobald das Fehlerszenario nicht mehr mathematisch exakt formulierbar ist, stossen Regeln an Grenzen. Ein Kratzer auf einer gebürsteten Oberfläche, Einschlüsse in Verbundmaterialien oder unregelmässige Grate weisen unendlich viele visuelle Formen auf. KI-Modelle (speziell Convolutional Neural Networks, CNNs) lernen diese Merkmale durch iterative Mustererkennung anhand von Bildbeispielen. Besonders effizient ist die Anomaly Detection (Anomalieerkennung): Hierbei wird das System ausschliesslich mit fehlerfreien Gutteilen trainiert. Das System versteht die natürliche Varianz des Produkts und schlägt bei jeder Abweichung vom gelernten Gut-Zustand zuverlässig Alarm, ohne dass vorab tausende Ausschussteile gesammelt werden müssen.
Direkter Technologie-Vergleich
| Kriterium | Klassische Bildverarbeitung | KI-gestützte Inspektion (Deep Learning) |
|---|---|---|
| Nachvollziehbarkeit | 100% mathematisch nachprüfbar (White Box) | Statistische Wahrscheinlichkeiten (Black Box Tendenz) |
| Geometrische Messung | Subpixelgenau im Mikrometerbereich möglich | Ungeeignet für präzise, quantitative Messtechnik |
| Fehlervarianz | Erfordert für jedes Fehlerbild neue explizite Regeln | Abdeckung unvorhersehbarer, variabler Fehlerformen |
| Datenbedarf beim Setup | Gering (1–2 repräsentative Musterteile genügen) | Mittel bis hoch (erfordert saubere Trainingsdatenbasis) |
| Validierungsaufwand | Einfach über Grenzwertanpassungen | Erfordert statistische Validierungs-Bildsätze |
Wählen Sie keine reine „Entweder-oder“-Strategie. Die THOPinspect-Software nutzt standardmässig einen hybriden Ansatz: Wir lokalisieren das Bauteil und prüfen Bohrungen oder Masse absolut prozesssicher klassisch-regelbasiert, während komplexe Freiform-Oberflächen im selben Prüfzyklus von einem schlanken KI-Modell auf Anomalien untersucht werden.