Anomalieerkennung als KI-Methode zur kamerabasierten Qualitätsprüfung
Letzte Aktualisierung: 5. Juni 2026 · Autor: Nick Oehme
Anomalieerkennung bezeichnet in der industriellen Bildverarbeitung ein KI-Verfahren, das Abweichungen vom gelernten Normalzustand (Gutware) automatisch detektiert — auch wenn der konkrete Fehlertyp vorher nicht bekannt ist. Anders als die regelbasierte Bildverarbeitung benötigt sie keine vollständige Fehlerklassifikation vorab, sondern lernt aus IO-Bildern und schlägt bei jeder Abweichung an. Das macht sie besonders robust gegenüber variierenden Defekten und neuen Fehlerbildern.
Ihre Prüfsysteme erkennen zuverlässig, was Sie ihnen beigebracht haben. Aber was ist mit Fehlern, die noch nie aufgetreten sind? Mit Abweichungen, die kein Regelwerk kennt — und die trotzdem beim Kunden landen?
Genau hier setzt Anomalieerkennung an. Sie lernt, wie fehlerfreie Ware aussieht. Alles, was davon abweicht, wird gemeldet — unabhängig davon, ob dieser Fehlertyp je im Training vorkam. Dieser Artikel erklärt, wie das technisch funktioniert, wann es sich lohnt und was es von klassischer Bildverarbeitung unterscheidet.
Was ist Anomalieerkennung? – Definition und Abgrenzung
Es handelt sich hierbei um ein Maschinelles Lernverfahren zur automatischen Erkennung von Abweichungen vom Normalzustand. Im Unterschied zur Defektklassifikation (die bekannte Fehlertypen einordnet) und zur klassischen Bildverarbeitung (die einen starren SOLL-/IST-Vergleich durchführt) lernt die Anomalieerkennung primär aus Gut-Bildern. Sie schlägt bei jeder signifikanten Abweichung an — unabhängig davon, ob dieser Fehlertyp im Training enthalten war.
Drei Begriffe werden in der Praxis häufig durcheinandergebracht. Der Unterschied ist entscheidend:
Anomalieerkennung
Anomalieerkennung sucht nach allem, was vom Normalzustand abweicht — ohne vorherige Kenntnis des Fehlertyps. Das System lernt aus Gut-Bildern und schlägt bei Abweichungen an.
Defektklassifikation
Defektklassifikation ordnet bekannte Fehlertypen ein, die im Training mit gelabelten Beispielbildern hinterlegt wurden. Präzise — aber blind gegenüber unbekannten Fehlern.
Regelbasierte Bildverarbeitung
Klassische regelbasierte Bildverarbeitung führt einen starren SOLL-/IST-Vergleich durch: Schwellwerte, geometrische Prüfregeln, Helligkeitsgrenzen. Schnell und deterministisch — aber empfindlich gegenüber Schwankungen in Beleuchtung, Staub und Materialvarianz.
Weiterführend dazu: Grundlagen KI-Bildverarbeitung
Warum Anomalieerkennung in der Fertigung? Drei Treiber für KI in der Qualitätssicherung
Maschinelles Lernen lässt sich für eine funktionierende KI-Bildverarbeitung grob in zwei Kategorien unterscheiden. Man unterscheidet hier das Supervised Learning, wo man gezielt Fehlerbilder zeigt und antrainiert, vom Unsupervised Learning, bei dem man die Gutware anlernt und jede Abweichung von der Gutware als generellen Fehler deklariert. Das Unsupervised Learning ist die Grundlage der Anomalieerkennung und hat 3 zentrale Vorteile für Fertigungsbetriebe.
1. Unbekannte Fehlerbilder
Kein Produktionsprozess ist statisch. Werkzeugverschleiß, Rohstoffwechsel, saisonale Temperaturschwankungen — jede dieser Variablen kann neue Fehlerbilder erzeugen, die kein bestehendes Prüfsystem kennt. Das Ergebnis: Der Fehler rutscht durch, weil er nie im Regelwerk stand.
Anomalieerkennung lernt, wie Gutware aussieht. Alles andere — unabhängig von der Ursache — wird als Abweichung gemeldet. Neue Fehlertypen müssen nicht erst klassifiziert und eingepflegt werden.
2. Fachkräftemangel & Erfahrungswissen sichern
Erfahrene Prüfer erkennen Fehler, die kein Regelwerk erfasst — weil sie nach Jahren im Shopfloor ein intuitives Bild von „Gutware" entwickelt haben. Dieses Wissen ist nicht dokumentiert. Und es verlässt das Unternehmen, wenn der Mitarbeiter geht.
Anomalieerkennung macht dieses implizite Wissen explizit: Das System lernt aus realen IO-Bildern aus der laufenden Produktion. Fehler werden erkannt und abgespeichert. Die abgespeicherten Fehlerbilder können anschließend von Mitarbeitern klassifiziert und für ein gezieltes KI-Training verwendet werden.
3. Schneller produktiver Einsatz
Das Anlernen der Gutware anhand von Live-Daten geschieht sehr zügig, sodass die Abweichserkennung schnell und ohne explizites Fehlertraining funktioniert. Das bedeutet, sobald erste Daten in Form von Gutware erfasst werden, kann das Prüfsystem starten und schnell als Assistenzsystem für Werker zum Einsatz kommen.
Qualitätskosten — also Aufwendungen für Fehler, Ausschuss, Nacharbeit und Prüfung — liegen im produzierenden Gewerbe je nach Branche typischerweise im niedrigen bis mittleren einstelligen Prozentbereich des Umsatzes. Den größten Einzelposten machen dabei interne Fehlerkosten durch Ausschuss und Nacharbeit aus.
Quelle: Deutsche Gesellschaft für Qualität / DGQ, Fehlerkosten-Systematik
Wie funktioniert Anomalieerkennung technisch? – Drei KI-Methoden der Anomaliedetektion im Überblick
Anomalieerkennung ist kein einzelner Algorithmus, sondern eine Methodenfamilie. Die drei wichtigsten Ansätze für die industrielle Bildverarbeitung:
→ Weiterführend: Grundlagen KI-BildverarbeitungAutoencoder (Rekonstruktionsfehler)
Wie es funktioniert: Ein Autoencoder ist ein neuronales Netz, das lernt, Bilder zu komprimieren und anschließend wieder zu rekonstruieren — aber nur aus dem, was es kennt: Gutware. Zeigt man ihm ein fehlerhaftes Bild, gelingt die Rekonstruktion schlechter. Der Unterschied zwischen Original und Rekonstruktion — der sogenannte Rekonstruktionsfehler — ist das Anomalie-Signal.
Analogie: Stellen Sie sich einen erfahrenen Drucker vor, der tausende fehlerfreie Seiten kennt. Zeigt man ihm eine fehlerhafte, fällt ihm sofort auf, dass etwas nicht stimmt — auch wenn er den Fehler nicht benennen kann.
Einsatzfeld: Gut geeignet für Oberflächen mit gleichmäßiger Textur (z. B. Bahnware, Folien, Bleche), bei denen Defekte als lokale Abweichungen vom Normalmuster erscheinen.
One-Class Classification (z. B. PaDiM, PatchCore)
Wie es funktioniert: Methoden wie PaDiM oder PatchCore analysieren Bilder nicht als Ganzes, sondern in lokalen Patches — kleinen Bildausschnitten. Für jeden Patch wird ein statistisches Normalmodell aus den Trainings-IO-Daten aufgebaut. Zur Prüfzeit wird jeder Patch mit diesem Normalmodell verglichen; Abweichungen werden pixelgenau lokalisiert und als Heatmap ausgegeben.
Analogie: Wie ein Qualitätsprüfer, der nicht das gesamte Teil auf einmal bewertet, sondern systematisch jeden Zentimeter abfährt — und genau sagen kann, wo etwas abweicht.
Einsatzfeld: Besonders stark bei komplexen Oberflächen mit lokalen Defekten (Kratzer, Einschlüsse, Poren). Liefert pixelgenaue Anomalie-Karten — wertvoll für Rückverfolgung und Prozessoptimierung.
Hybrid: Klassifikation + Anomalie-Layer
Wie es funktioniert: Viele industrielle Prüfaufgaben kennen einen Teil der Fehlertypen sehr gut — und haben gleichzeitig ein Restrisiko durch unbekannte Abweichungen. Hybridansätze kombinieren deshalb eine überwachte Defektklassifikation (für bekannte Fehler) mit einem Anomalie-Layer (für alles, was das Klassifikationsmodell nicht einordnen kann).
Analogie: Ein Prüfsystem, das bekannte Fehler wie ein Spezialist klassifiziert — und gleichzeitig einen Generalisten an der Seite hat, der bei allem anderen Alarm schlägt.
Einsatzfeld: Empfohlen, wenn bereits ein Klassifikationsmodell existiert und der Anomalie-Layer als Sicherheitsnetz ergänzt werden soll. Reduziert Pseudoausschuss und senkt das Risiko durchrutschender Neudefekte.
Klassische BV vs. KI-Anomalieerkennung – Vergleichstabelle
Kriterium | Klassische Bildverarbeitung | Defektklassifikation (Supervised) | Anomalieerkennung (Unsupervised) |
|---|---|---|---|
Trainings-daten nötig? | Nein. Regelwerk manuell | Ja, viele gelabelte Fehlerbilder | Primär IO-Bilder |
Erkennung unbekannter Fehler | Nein | Nein | Ja |
Robustheit gegen Licht und Staub | Gering | Hoch | Mittel-hoch |
Pseudoaus-schussrisiko | Hoch | Gering | Mittel (abhängig von Schwellwerttuning |
Typisches Einsatzfeld | Stabile, einfache Prüfaufgaben mit bekannten Fehlerbildern | Bekannte Fehlertypen mit ausreichend Trainingsbeispielen | Unbekannte Fehlerbilder, einfache IO- und NIO Klassifikation |
Wann lohnt sich Anomalieerkennung? – Entscheidungs-Heuristik
Nicht jede Prüfaufgabe braucht Anomalieerkennung. Diese fünf Fragen helfen bei der Einordnung:
Schritt 1: Sind alle Fehlertypen vorab bekannt und stabil?
Wenn ja — und wenn sich das in absehbarer Zeit nicht ändert — reicht klassische regelbasierte Bildverarbeitung in vielen Fällen aus. Anomalieerkennung entfaltet ihren Vorteil dort, wo Unbekanntes auftreten kann.
Schritt 2: Treten variierende oder bisher unbekannte Defekte auf?
Neue Rohstoffchargen, Werkzeugverschleiß, Prozessänderungen — all das kann Fehlerbilder erzeugen, die kein bestehendes Regelwerk kennt. Wenn die Antwort „ja" oder „manchmal" lautet, ist Anomalieerkennung ein ernstzunehmender Kandidat.
Schritt 3: Wie hoch ist der aktuelle Pseudoausschuss?
Wenn einwandfreie Ware regelmäßig aussortiert wird, ist das ein Zeichen für ein überempfindliches oder schlecht kalibriertes Prüfsystem. Anomalieerkennung mit sauber kuratiertem IO-Datensatz und Schwellwert-Tuning kann diesen Anteil deutlich reduzieren.
Schritt 4: Reicht eine einfache IO / NIO Bewertung?
Wenn jede Abweichung der Gutware als klarer Fehler bezeichnet wird und es keine tolerierten Fehlertoleranzbereiche gibt, dann ist die Anomalieerkennung ideal geeignet. Wenn es allerdings "erlaubte" Fehler oder bestimmte Toleranzbereiche gibt, dann sollte eher auf dem supervised Ansatz gesetzt werden.
Schritt 5: Wie kritisch sind durchrutschende Fehler kostenmäßig?
Reklamationskosten, Rückrufrisiken, Reputationsschäden — wenn ein durchrutschender Fehler teuer wird, lohnt sich die Investition in ein System, das auch das Unbekannte erkennt. Je höher die Konsequenz, desto stärker das Argument für Anomalieerkennung.
Anwendungsfelder in der DACH-Fertigung
Anomalieerkennung ist keine Nischentechnologie. Sie wird heute in unterschiedlichen Branchen eingesetzt — überall dort, wo Fehlerbilder variieren oder manuelle Prüfung an ihre Grenzen stößt.
Textilindustrie / Bahnware: Bahnmaterial läuft mit hoher Geschwindigkeit durch die Linie. Webfehler, Schussfadenbrüche — die Fehlerbilder variieren mit jeder Charge. Regelbasierte Systeme produzieren entweder zu viele Falschrückweisungen oder übersehen neue Fehlertypen.
Kunststoff / Spritzguss: Einschlüsse, Bindenähte, Fließfronten — Fehlerbilder im Spritzguss hängen stark von Werkzeugzustand, Materialviskosität und Zyklustemperatur ab. Anomalieerkennung erkennt Abweichungen, bevor sie zu Serienausschuss werden.
Metallverarbeitung / Drehereien: Oberflächenfehler an gedrehten Teilen — Riefen, Aufbauschneiden, Materialeinschlüsse — treten oft in Kombination auf und variieren je nach Werkzeugverschleiß. Inline-Anomalieerkennung ersetzt stichprobenartige manuelle Sichtprüfung und ermöglicht vollflächige Kontrolle im Takt der Linie.
Medizintechnik: In der Medizintechnik sind die Anforderungen an Rückverfolgbarkeit und Fehlerfreiheit besonders hoch. Anomalieerkennung liefert pixelgenaue Anomalie-Karten, die dokumentiert und archiviert werden können — als Grundlage für Audit-Trails und Regulatorik.
Weitere Branchen: Anomalieerkennung wird außerdem dort eingesetzt, wo erstmal viele Fehlerbilder für ein gezieltes KI-Modelltraining gesammelt werden müssen. Um hier aus den Datenmengen aufgenommener Bilddaten, die tatsächlichen Fehler herauszufiltern, ist die Anomalieerkennung ein hilfreiches Werkzeug.
Anomalieerkennung als Teil der Gesamt-KI-Qualitätskontrolle
Anomalieerkennung ist ein leistungsstarkes Werkzeug — aber kein Allheilmittel. In der Praxis ist sie ein Baustein innerhalb der KI-Qualitätskontrolle als Gesamtprozess. Kombiniert mit Defektklassifikation, Maßprüfung und Prozessdatenanalyse entsteht ein robustes Inline-Prüfsystem, das sowohl bekannte als auch unbekannte Fehler erfasst. Diese Kombination ist der Kern moderner KI-Qualitaetskontrolle und ein zentraler Hebel für automatisierte Qualitätssicherung in der DACH-Fertigung.
Ein typischer Einsatzort für Anomalieerkennung ist die End-of-Line-Prüfung — der letzte Kontrollpunkt vor dem Versand, an dem kein Fehler mehr durchrutschen darf.
QUINTINA — Retrofit-KI für variierende Fehlerbilder.
Anomalieerkennung ist nur dann wirtschaftlich, wenn sie ohne Linienumbau und unter realen Shopfloor-Bedingungen läuft. QUINTINA vision wird in bestehende Produktionslinien nachgerüstet, arbeitet unabhängig von der Maschinensteuerung und ist auf wechselndes Licht, Staub und Vibration trainiert.
FAQ - Häufige Fragen zur Anomalieerkennung
Primär werden Gut-Bilder benötigt — in der Regel 1.000 bis 5.000, je nach Variabilität der Oberfläche und Auflösung. Fehlerbeispiele werden nur zur Validierung, nicht zum Training benötigt. Der genaue Datenbedarf hängt von der Prüfaufgabe ab und wird im Vorfeld gemeinsam bewertet.
Ja — wenn die natürliche Variabilität der Gutware im Training unterschätzt wird. Ein zu enges Normalmodell führt dazu, dass auch leichte, produktionsbedingte Schwankungen als Anomalie gewertet werden. Saubere Datenkuratierung, repräsentative IO-Bilder aus dem realen Shopfloor und sorgfältiges Schwellwert-Tuning reduzieren dieses Risiko. Hybridansätze helfen zusätzlich, indem bekannte Fehlertypen klar klassifiziert werden.
Moderne Deep-Learning-Verfahren sind deutlich robuster als regelbasierte Bildverarbeitung — vorausgesetzt, das Training erfolgt unter realen Shopfloor-Bedingungen. Wer das Modell ausschließlich mit Laborbildern trainiert, wird im Produktionsbetrieb Probleme bekommen. Entscheidend ist, dass Trainingsbilder die tatsächliche Variabilität der Produktionsumgebung abbilden: Lichtschwankungen, Staubablagerungen, Vibrationen.
Anomalieerkennung lohnt sich, wenn Fehlertypen variieren, neue oder bisher unbekannte Defekte auftreten oder bestehende regelbasierte Systeme zu hohen Pseudoausschuss produzieren. Bei stabilen, vollständig bekannten Fehlerbildern und deterministischen Prüfanforderungen kann klassische Bildverarbeitung die einfachere und kostengünstigere Wahl sein. Im Zweifel hilft die Entscheidungs-Heuristik weiter oben.