aiMOOC

Computer Vision und automatische Qualitätskontrolle

QR-Code

Einleitung

Du entwickelst ein visuelles Prüfkonzept für Oberflächenfehler und Teileverwechslungen. Zielgruppe: Auszubildende im 2. Ausbildungsjahr mit Z1 oder vergleichbarer KI- und Datenkompetenz sowie Grundwissen zu Sensorik und Einheiten. Als Vorwissen dient der verlinkte Grundlagenkurs; dessen aktueller Inhalt war bei der Recherche nicht abrufbar, deshalb werden hier nur benötigte Begriffe kurz aktiviert. Lernzeit: ungefähr 5–7 Unterrichtsstunden plus eigenständige Projektarbeit.

Du kannst anschließend Aufnahmebedingungen festlegen, Fehler erkennen, unabhängige Prüfbilder auswerten, einen Beleuchtungswechsel testen und bei Grenzfällen ausdrücklich „Ablehnen und menschlich prüfen“ wählen. Du erklärst jede Entscheidung anhand von Daten und begründest mindestens einen Fehlerfall. Sämtliche Messungen, Bildertabellen und Entscheidungen in diesem Kurs sind synthetische Lernsimulationen; weder reale Maschinensteuerung noch Sicherheitsfreigabe oder Produktionsabnahme sind erlaubt. Kein bezahltes KI-Konto nötig. Unabhängiges Bildungsangebot, keine offizielle Liebherr- oder IHK-Zertifizierung.

Lernweg: kurze Aktivierung der Bilddaten-Grundlagen → geführter Testfall → eigener Prüfplan → Robustheits- und Transferprüfung.

Von Pixeln zur begründeten Sichtprüfung

Bilddaten verstehen

Computer Vision bedeutet, visuelle Informationen mit Rechenverfahren auszuwerten. Eine Kamera erzeugt ein Raster aus Pixeln; Helligkeit, Farbe, Auflösung, Belichtungszeit und Perspektive beeinflussen die Auswertbarkeit. Im Beispiel wird eine Platte auf Kratzer sowie das Vorhandensein einer Kennnut zur Unterscheidung von Typ A und Typ B geprüft. Die Pixel liefern nur Messwerte: „Fehler“ wird erst durch eine dokumentierte Prüfregel definiert.

Begriffe: Segmentierung trennt Bildbereiche; eine Maske kennzeichnet Bildpunkte eines Objekts. Kantendetektion hebt Helligkeitsübergänge hervor. Klassifikation weist einem Bild eine Klasse zu, Detektion lokalisiert eine Stelle, Anomalieerkennung meldet Abweichungen von gelernten Normalmustern. Konfusionsmatrix beschreibt richtige und falsche Zuordnungen. Ein Bild ist kein unabhängiger Test, wenn fast identische Aufnahmen desselben Werkstücks bereits zum Training dienten.

Originalszene: verschiedene Gegenstände mit Bildpunkten und Kanten; zur Veranschaulichung, keine Industrieaufnahme.

Segmentierungsmaske derselben Szene: anschauliches Paar, ausdrücklich nicht als unabhängiger Testsatz verwendbar.

Optik und Beleuchtung

Für reproduzierbare Sichtprüfungen sind Aufnahmewinkel, Abstand, Fokus, diffuse oder gerichtete Beleuchtung und Reflexionen festzulegen. Streiflicht kann feine Kratzer betonen; harte Reflexe können Fehler verdecken oder vortäuschen. Der Kontrast ist ein Unterschied von Signalhelligkeiten. Ein Schwellenwert trennt Werte nur sinnvoll, wenn die Messbedingungen kontrolliert sind. Bei unscharfen, überbelichteten oder verdeckten Bildern muss die Anlage kein Urteil abgeben.

Beispiel einer realen Inspektionskamera: die spätere Lernsimulation verwendet ausschließlich künstliche Datensätze.

Kantendetektion: Helligkeitsübergänge werden hervorgehoben. Nicht jede Kante ist ein Qualitätsmangel.

Ohne externe Medien: Zeichne zwei 8-mal-8-Felder auf Papier: eines mit gleichmäßiger Fläche, eines mit dunkler Kerbe. Markiere die Nachbarfelder mit besonders großem Helligkeitsunterschied. Vergleiche danach, weshalb eine Reflexion dieselben „Kanten“ vortäuschen könnte.

Prüfmerkmale und Datenqualität modellieren

Prüffrage vor Modellauswahl

Die Produktanforderung lautet hier synthetisch: Eine Metallplatte Typ A besitzt an der rechten Kante eine Kennnut; Typ B besitzt dort keine Kennnut. Ein Oberflächenkratzer über dem vereinbarten Referenzmerkmal soll als nicht in Ordnung (NIO) gelten. Die genauen Grenzwerte sind Übungsannahmen, keine industriell zulässigen Toleranzen. Für jeden Prüfpunkt dokumentierst du: Teilkennung, erwarteten Typ, Bildkennung, Beleuchtung, Referenzklasse, Auswerteversion und Ergebnis. Kein echtes Werkstück und keine reale Sicherheitsentscheidung werden verarbeitet.

Ein einfaches, offline erklärbares System kombiniert geometrische Merkmale, Vorverarbeitung und Entscheidungsregeln: (1) Bild auf Unschärfe und Sättigung prüfen, (2) Ausrichtung anhand eines festen Rahmens prüfen, (3) Region für Nut und Oberfläche getrennt betrachten, (4) Kratzersignal und Nutmerkmal ermitteln, (5) bei Unsicherheit ABLEHNEN statt zwanghaft „OK“ oder „NIO“ wählen. Als anspruchsvolle Vertiefung kannst du ein lokales Modell mit klassischer Bildverarbeitung vergleichen; der Basiskurs benötigt keine Programmierung.

Animation eines gleitenden Bildfilters mit Kernmatrix über einem Pixelraster

Animation: Ein Filterkern wird über eine Bildmatrix bewegt. Du kannst die Bewegung ohne Video an den eingezeichneten Matrixpositionen nachvollziehen.

Messreihen mehrerer Modellmaschinen als Kontext

Die drei Modellmaschinen liefern nur simulierte Größen, nicht automatisch den visuellen Qualitätsstatus. Sie helfen, passende Bild- und Prozesskontexte zu erkennen; ein Bild muss seiner tatsächlichen Charge und Zeit zugeordnet werden. Messgröße: synthetische Bauteilbreite bei Lastwechsel; eine fehlende Angabe wird niemals als null interpretiert.

Maschine	Teil/Bildgruppe	Last	Messwert roh	Einheit	Vereinheitlicht	Datengüte
M-A	A-Serie	40 %	100	mm	100 mm	gültig
M-A	A-Serie	80 %	120	mm	120 mm	gültig
M-B	B-Serie	40 %	10,1	cm	101 mm	nach Einheitenprüfung
M-B	B-Serie	80 %	12,0	cm	120 mm	nach Einheitenprüfung
M-C	A-Serie	40 %	99	mm	99 mm	gültig
M-C	A-Serie	80 %	—	mm	unbekannt	Datenlücke; nicht schätzen

Geführte Plausibilitätsprüfung: 10,1 cm entspricht 101 mm; die Rohzahlen „100“ und „10,1“ sind ohne Einheit nicht vergleichbar. In diesem künstlichen Fall steigt der Messwert bei M-A von 100 mm auf 120 mm mit dem Lastwechsel, aber das beweist weder Kausalität noch einen Defekt. Bei M-C unter 80 % Last fehlt die Messung; kein Bild darf wegen dieser Lücke als „fehlerfrei“ eingestuft werden. Bildprüfungen und Messreihen müssen über pseudonyme Kennungen und Zeitfenster zusammengeführt werden, niemals über ungeprüfte Zeilenreihenfolge.

Hilfestufe: Markiere jede Maßeinheit und rechne cm × 10 in mm um. Vertiefung: Plane ein Datenschema mit Zeitstempel, Einheitencode, Qualitätsflag, Versionsnummer und eindeutiger Bildkennung. OPC UA kann industrielle Informationsmodelle und Schnittstellen unterstützen, und die Verwaltungsschale kann Metadaten strukturieren; beide ersetzen keine Bilddiagnose. Nur auf Papier entwerfen, keine Verbindung zu realen Steuerungen.

Geführtes Beispiel: unabhängige Bilder und Fehlerbilanz

Drei Entscheidungen mit Ablehnungsoption

Die Simulation kennt die Ergebnisse OK, NIO und ABLEHNEN. OK heißt nur „die Beispielregel findet unter gültigen Aufnahmebedingungen keinen Mangel“. NIO heißt „das System meldet eine relevante Abweichung“. ABLEHNEN heißt „Bild oder Prognose reicht für kein begründetes Urteil; an eine Fachperson weitergeben“. In einem echten Betrieb würde eine gesonderte fachliche Freigabekette gelten.

Prüfkriterium 1: Unabhängige Bilder prüfen. Alle folgenden 12 künstlichen Testbilder stammen gedanklich von anderen Teilen und anderen Aufnahmezeitpunkten als die Übungs-/Entwicklungsbilder. Identische Serienbilder oder Ausschnitte dürfen nicht über Trainings- und Testmenge verteilt werden. Ein zählbares Testprotokoll:

Bildkennungen	Referenz	Systemausgabe	Erklärung
G1 bis G5	jeweils gut	jeweils OK	fünf richtig angenommene Gutteile
G6	gut	NIO	Fehlalarm, möglicherweise Reflexion
K1 bis K3	jeweils Kratzer	jeweils NIO	drei erkannte Fehler
V1	Typ verwechselt	NIO	Verwechslung erkannt
V2	Typ verwechselt	OK	übersehene Verwechslung
U1	nicht sicher beurteilbar	ABLEHNEN	Grenzfall zur Fachprüfung

Von elf entscheidbaren Referenzfällen werden zehn binär beantwortet? Nein: fünf Gutteile OK, ein Gutteil NIO, vier Fehler NIO und ein Fehler OK ergeben elf beantwortete Fälle. Es gelten TP = 4, FP = 1, FN = 1, TN = 5, also 11 binäre Entscheidungen; U1 wird getrennt als Ablehnung geführt. Recall = 4/5 = 80 % und Präzision = 4/5 = 80 %. Diese kleinen Übungszahlen sind keine belastbare reale Leistungszusage. Das Übersehen von V2 ist ein kritischer Fehlerfall: Das Bild zeigte die falsche Typnut, aber die Heuristik gewichtete eine Schattenkante als Nut und meldete fälschlich OK. Korrekturvorschlag: getrennte Nutregion mit Beleuchtungsprüfung plus Ablehnung bei widersprüchlichen Merkmalen.

Rechne nach: Welche fünf Referenzfehler sind vorhanden? Weshalb ist V2 schwerwiegender als der Fehlalarm G6? Was würde eine getrennte Kennzahl je Fehlerart zeigen? Anspruchsvoll: Notiere eine Konfusionsmatrix und weise U1 als eigene Gruppe aus, statt die Ablehnung nachträglich als richtiges OK zu zählen.

Anschauung zur visuellen Inspektion

Optische Prüfung kann Flächen und Formen erfassen; das Foto belegt nicht die Zuverlässigkeit unseres simulierten Systems. Video (deutsch; Abruf im YouTube-Player kann regional oder zeitlich abweichen): Einführung in industrielle Bildverarbeitung und optische Qualitätskontrolle von RH Engineering, 15.12.2024.

Ohne Video: Notiere die Kette „Werkstück → kontrollierte Beleuchtung → Kamera → Bildprüfung → begründete Entscheidung → dokumentierte Fachprüfung“. Erkläre, an welcher Stelle ein falsches OK durch störendes Licht entstehen kann.

Robustheit, Grenzfälle und verantwortliche Übergabe

Prüfkriterium 2: Beleuchtungswechsel prüfen

Ein Modell darf nicht allein bei der Aufnahmebedingung funktionieren, mit der es entwickelt wurde. Teste auf neuen synthetischen Teilen unter veränderter, aber dokumentierter Helligkeit. Der bewusst schwierige Versuch enthält:

Prüfbild	Neues Licht	Referenz	Ausgabe	Bewertung
L1	neutral verändert	gut	OK	richtig
L2	starke Spiegelung	gut	NIO	Fehlalarm
L3	schwaches Streiflicht	Kratzer	OK	Fehler übersehen
L4	blendende Nutregion	Typ verwechselt	ABLEHNEN	sachgerechte Weitergabe statt unbelegtem Urteil

Ergebnis: Bei verändertem Licht treten sowohl ein Fehlalarm als auch ein übersehener Fehler auf; Robustheit ist nicht nachgewiesen. Ein großer Rohwert des Klassifikators ist keine Garantie für richtige Aussagen. Gegenmaßnahmen: reproduzierbare Beleuchtung, Bildqualitätsfilter, diversifizierte Trainingsdaten, unabhängiger Gegencheck und klare Ablehnungsschwellen. Die Lichttestbilder dürfen nicht nachträglich heimlich in den unabhängigen Prüfsatz einfließen.

Fachlicher Tipp: Gleichbleibende Belichtung ist kein Ersatz für Robustheitstests. Vertiefung: Dokumentiere Leistung getrennt für diffuses, gerichtetes und schwaches Licht sowie einzelne Bauteiltypen; prüfe Konfidenzkalibrierung und Verteilungsverschiebung.

Fehler beim Erstellen des Vorschaubildes:

Die Gradienten reagieren auch auf Licht und Oberflächenstruktur; sichtbare Kanten sind nicht automatisch Kratzer.

Prüfkriterium 3: Grenzfall weitergeben

Konkrete Simulationsregel: Bei Unschärfe, stark überbelichteten Pixeln, Datenlücke in der notwendigen Bildzuordnung oder widersprüchlichem Nut-/Kratzermuster lautet das Ergebnis ABLEHNEN. Auch bei einem modellinternen Vertrauenswert unter 0,80 ist ABLEHNEN vorzusehen; 0,80 ist nur ein didaktischer Beispielschwellenwert, nicht kalibrierter Industriestandard. Die Fachperson erhält Bildkennung, Grund der Ablehnung, Beleuchtungsprofil, Zeitpunkt, Prüfschritt und Version. Sie prüft das Teil nach einer unabhängigen betrieblichen Regel; diese Lernsimulation löst keine Maschine aus.

Begründeter Grenzfall L4: Die Nut ist durch Blendung nicht sichtbar. Daraus lässt sich weder „Nut fehlt“ noch „Typ korrekt“ beweisen. Die fachlich vertretbare Modellantwort lautet ABLEHNEN mit Hinweis „Blendung in Nutregion; neue Aufnahme und manuelle Kontrolle“. Ein automatisches OK wäre unbegründet.

Zukunftsakzent: Robuste Systeme müssen ihre Grenzen mitteilen können. Berichte daher getrennt über Fehlerquote und Ablehnungsquote. Das System darf einen Grenzfall ausdrücklich zurückweisen; eine Konfidenzzahl ersetzt keine überprüfte Bildqualität, Testrepräsentativität oder menschliche Verantwortung.

Transfer: dein visuelles Prüfkonzept

Erstelle als eigenständiges Lernprodukt einen zweiseitigen Prüfplan für Oberflächen und Teileverwechslung mit folgenden nachvollziehbaren Bausteinen:

Prüfmerkmale: Nut vorhanden oder nicht, Kratzer sichtbar, Bildqualität ausreichend.
Datenprotokoll: Trennung nach real gedachten Teilen, Aufnahmezeitpunkten, Last und Maschine; Einheiten normalisieren, Lücken sichtbar markieren.
Testdesign: unabhängige Bilder, veränderte Beleuchtung und dokumentierte Grenzfälle; Ergebnisse getrennt nach Fehlerart berichten.
Entscheidungsregel: OK, NIO oder ABLEHNEN; Ursache, Version und Prüferbedarf nennen.
Fehleranalyse: mindestens einen übersehenen Fehler wie V2 oder L3 erklären, seine mögliche Entstehung und eine prüfbare Gegenmaßnahme formulieren.
Qualitätssicherung: keine Inbetriebnahme, keine unbestätigte Sicherheitsfreigabe, keine echte Produktionsentscheidung.

Du kannst den Prüfplan und die Tabellen vollständig auf Papier erstellen. Eine lokale Tabellenkalkulation ohne Anmeldung ist eine optionale Hilfe. Für Bilder verwendest du nur freigegebene Commons-Medien als Anschauung, keine fälschlich als echte Testproben bezeichneten Archivaufnahmen. Eine geeignete Simulation darf stattdessen schematische Raster mit zwei Rechtecken und einer Kerbe auf Papier darstellen.

Animation zeigt, wie Bildkompressionsartefakte bei veränderter JPEG-Qualität sichtbar werden

Zusätzliche Robustheitsfalle: starke Kompression erzeugt Artefakte, die ein Prüfsystem fälschlich als Fehler interpretieren könnte.

Interaktive Aufgaben

Quiz: Prüfe dein Verständnis

Wähle in jeder Frage eine Antwort. Die Auswertung erfolgt durch die interaktive Übung; Lösungen sind hier nicht als Erklärungstext vorweggenommen.

Warum müssen Prüfbilder unabhängig von Entwicklungsbildern sein? (Damit die gemessene Leistung nicht durch nahezu identische Trainingsbilder geschönt wird) (!Damit jedes Testbild kleiner gespeichert werden kann) (!Damit kein Prüfprotokoll benötigt wird) (!Damit sich die Beleuchtung nicht mehr ändern kann)

Welches Ergebnis ist bei überblendeter Nutregion fachlich sinnvoll? (ABLEHNEN und eine überprüfbare erneute Begutachtung anfordern) (!OK ohne Einschränkung) (!NIO nur weil viele Pixel hell sind) (!Die Helligkeitswerte ignorieren und das Ergebnis freigeben)

Was ergibt die Umrechnung von 10,1 Zentimetern in Millimeter? (101 Millimeter) (!10,1 Millimeter) (!1001 Millimeter) (!1,01 Millimeter)

Wie ist ein fehlender Messwert zu behandeln? (Als Datenlücke kennzeichnen und gegebenenfalls Bewertung aussetzen) (!Automatisch als null Millimeter einsetzen) (!Immer durch den höchsten vorhandenen Wert ersetzen) (!Als sicheres Gutteil zählen)

Welche Aussage passt zur Sobel-Kantendetektion? (Sie hebt Helligkeitsübergänge hervor, die auch durch Lichtwechsel entstehen können) (!Sie erkennt jeden industriellen Defekt sicher) (!Sie misst grundsätzlich die Materialhärte) (!Sie ersetzt eine unabhängige Testmenge)

Welche Entscheidung im synthetischen Fall zeigt einen übersehenen Typfehler? (V2 wird trotz falschen Typs als OK gemeldet) (!G6 wird als NIO gemeldet) (!K1 wird als NIO gemeldet) (!U1 wird zur Fachprüfung abgelehnt)

Was bedeutet Recall für die Fehlerklasse im Beispiel? (Vier von fünf vorhandenen Fehlern wurden erkannt) (!Fünf von sechs Gutteilen wurden angenommen) (!Alle Testbilder wurden richtig bewertet) (!Vier von zwölf Bildern wurden abgelehnt)

Was zeigt der Test unter verändertem Licht? (Ein Fehlalarm und ein übersehener Kratzer weisen auf fehlende Robustheit hin) (!Lichtwechsel haben keinen Einfluss auf Kameraergebnisse) (!Ein neues Licht macht alle früheren Fehler automatisch unkritisch) (!Ein abgelehnter Grenzfall darf als korrektes OK gezählt werden)

Welche Information gehört zu einem dokumentierten Ablehnungsfall? (Bildkennung, Ursache, Aufnahmeprofil und Auswerteversion) (!Nur ein grünes Freigabesymbol) (!Ausschließlich der Familienname einer lernenden Person) (!Nur ein nicht erklärter Vertrauenswert)

Wie werden OPC UA und Verwaltungsschale hier sachgerecht eingeordnet? (Als Hilfen zur strukturierten Datenbeschreibung und Schnittstellenkommunikation) (!Als Garantie einer fehlerfreien Computer-Vision-Klassifikation) (!Als Ersatz für Beleuchtung und Kamera) (!Als automatische sicherheitstechnische Freigabe)

Memory: Fachbegriff und Bedeutung

Segmentierung	Zerlegung eines Bildes in zusammengehörige Bereiche
Präzision	Anteil der tatsächlichen Fehler unter den gemeldeten Fehlern
Recall	Anteil erkannter Fehler an allen vorhandenen Referenzfehlern
Datenlücke	Fehlender und nicht automatisch mit null gleichzusetzender Messwert
Ablehnung	Bewusste Übergabe eines unklaren Falls statt einer erzwungenen Freigabe
Beleuchtungsprofil	Dokumentierte Anordnung und Intensität der Lichtquellen

Drag and Drop: Prüfschritt zuordnen

Passender Prüfschritt	Beobachtung oder Ziel
Unabhängigen Testsatz prüfen	Andere Teile und Zeitpunkte als beim Entwickeln verwenden
Einheit normalisieren	Zentimeterwerte korrekt mit Millimeterwerten vergleichbar machen
Lichtwechsel untersuchen	Entscheidungen bei neuer Helligkeit gesondert bewerten
Bildqualität ablehnen	Bei starker Blendung eine Fachprüfung anfordern
Fehlerfall begründen	Ursache des falschen OK mit konkreter Gegenmaßnahme erklären

Kreuzworträtsel

Pixel	Kleinstes adressierbares Element eines digitalen Rasterbildes?
Maske	Markierung der zu einer Bildregion gehörenden Punkte?
Kamera	Sensorgerät zur Aufnahme visueller Daten?
Kontrast	Unterschied zwischen Helligkeitswerten?
Schwelle	Grenze, ab der eine Messentscheidung ausgelöst wird?
Datensatz	Geordnete Sammlung dokumentierter Testfälle?

LearningApps

Übe die Begriffe nach Möglichkeit mit passenden LearningApps zum Thema. Die Suche kann sich ändern und garantiert keine einzelne dauerhaft verfügbare App. Offline-Alternative: Fertige fünf Begriffskarten und fünf Definitionskarten an und ordne sie einander zu.

Lückentext

Eine digitale Aufnahme besteht aus

.

Ein markierter Bildbereich heißt

.

Die Umrechnung von Zentimetern in Millimeter benötigt den Faktor

.

Ein fehlender Wert ist eine

.

Neue Werkstücke gehören in einen

.

Ungewohnte Beleuchtung kann die

beeinträchtigen.

Ein übersehener relevanter Fehler ist ein

.

Bei starker Blendung lautet die dritte Entscheidung

.

Der Anteil erkannter Referenzfehler heißt

.

Der Mensch erhält den

zur Prüfung.

Offene Aufgaben

Leicht

Bildpunkte: Zeichne auf Papier ein Raster aus 8 mal 8 Kästchen für eine gesunde Oberfläche und eines mit Kratzer; erläutere den Unterschied.

Begriffe: Erkläre Pixel, Maske, Kontrast und Kante in eigenen Worten, je mit einer Skizze oder einem Satz.

Einheiten: Übertrage die sechs Maschinenmessungen in eine übersichtliche Tabelle, rechne Zentimeter in Millimeter um und markiere die Datenlücke.

Prüffragen: Formuliere drei überprüfbare Ja-Nein-Fragen zu Nut, Kratzer und Bildqualität sowie die dritte Antwort ABLEHNEN.

Standard

Unabhängige Bildprüfung: Bilde die Testliste G1 bis U1 als Prüfbogen ab, berechne TP, FP, FN, TN und begründe, warum U1 gesondert erfasst wird.

Beleuchtung: Vergleiche die vier L-Fälle und erstelle eine Übersicht: verändertes Licht, wahrer Zustand, Systemantwort, mögliche Fehlerursache.

Visueller Prüfplan: Schreibe eine zweiseitige Prüfanweisung für Kratzer und Typnut mit Kameraaufstellung, Kennungen, Fehlerarten und Weitergabeprozess.

Fehleranalyse: Analysiere V2 als falsches OK und schlage eine veränderbare, später unabhängig prüfbare Bildregel vor.

Schwer

Robustheitsmatrix: Entwickle eine Versuchsplanung mit mindestens drei Lichtbedingungen und beiden Bauteiltypen; trenne unabhängige Teile strikt von Entwicklungsdaten.

Ablehnungsstrategie: Entwirf ein Konzept mit Vertrauenswert und Bildqualitätsgrenzen; diskutiere Qualitätsgewinn und Kosten zusätzlicher Fachprüfungen.

Schnittstellenmodell: Skizziere ein offline lesbares Datenschema mit Bild-ID, Modellmaschine, Last, Maßeinheit, Zeitpunkt, Versionsstand und Qualitätsflags.

Prüfkonzept verteidigen: Stelle deine Prüfregeln einer fiktiven Qualitätskommission vor, erkläre einen übersehenen Fehler und begründe ein ausdrückliches Nicht-Entscheiden.

Lernkontrolle

Datensatztrennung: Erkläre anhand zweier Aufnahmen desselben Werkstücks, warum deren Zuordnung zu Training und Test die Fehlerquote verfälschen könnte.

Kennzahlen: Berechne aus TP = 4, FP = 1, FN = 1 und TN = 5 Recall und Präzision; beschreibe, welcher wichtige Fehler von diesen Werten verdeckt werden kann.

Lichtwechsel: Nutze L1 bis L4, um zu zeigen, weshalb ein erfolgreicher Test bei Normallicht kein hinreichender Nachweis für robuste Fehlererkennung ist.

Einheiten und Lücken: Erkläre anhand von M-B und M-C, wie Einheitenfehler und fehlende Messwerte zu falschen Kontextannahmen für die Bildprüfung führen.

Ablehnung begründen: Schreibe für L4 eine kurze dokumentierte Übergabe mit Beobachtung, Unsicherheit, Begründung, nächstem Prüfschritt und Verantwortungsgrenze.

Selbstständiger Transfer: Entwirf für ein anderes synthetisches Werkstück ein unabhängiges Testset mit Kratzer-, Verwechslungs- und Grenzfällen; benenne eine mögliche Fehlfreigabe.

Lernnachweis

Einzureichen: (1) zweiseitiges visuelles Prüfkonzept für die zwei Fehlerarten, (2) normalisierte Modellmaschinentabelle samt Kennzeichnung fehlender Werte, (3) unabhängige Bildtestbilanz mit korrekt ausgewiesenen vier Kennzahlen und separater Ablehnung, (4) protokollierter Lichtwechseltest, (5) begründeter Fehlerfall V2 oder L3 mit Gegenmaßnahme, (6) Begründung einer ausdrücklichen Ablehnung im Grenzfall. Alles kann als handschriftliche Mappe ohne externe Medien erfolgen.

Bewertungsraster je 0 bis 2 Punkte: fachlich klare Merkmale; Trennung unabhängiger Daten; nachvollziehbare metrische Auswertung; Licht- und Datenqualitätsprüfung; Ablehnungs- und Übergaberegel; argumentierte Fehleranalyse. Maximal 12 Punkte. Rückmeldung: 0 = nicht belegt, 1 = teilweise nachvollziehbar, 2 = mit konkretem Beispiel und überprüfbarer Begründung belegt. Eine Punktezahl ist keine industrielle Zulassung oder Zertifizierung.

Reflexion: Welches falsche OK bleibt bei deinem Entwurf möglich? Bei welcher Beobachtung darf dein System bewusst nicht entscheiden? Nenne eine offene Annahme und wie du sie in einem größeren, unabhängigen Datensatz überprüfen würdest.

OER und Wikipedia

Recherchestand: 21.10.2026. Die folgenden Quellen sind didaktische Einstiege; technische Dokumente können später neue Versionen erhalten. Vor betrieblicher Anwendung immer die jeweils aktuelle Ausgabe, lokale Freigabe und Normen prüfen. Spezielle Regeln für Nutzdaten und Sicherheitsfunktionen folgen nicht automatisch aus diesen Informationsquellen.

Wikipedia: Bildverarbeitung – Bildoperationen, Merkmale und Abgrenzungen; kollaborativ gepflegt, kein Primärstandard.
Industrial Digital Twin Association – Downloadbereich – unter anderem IDTA 02049 „Quality Control for Machining“, IDTA 02058 „Artificial Intelligence Dataset“, IDTA 02029-1 „Sensor 4.0 Part 1: Measurement Value“; jeweilige Versionsangaben auf den Einzelpublikationen nachprüfen, hier keine ungeprüfte Versionszahl behauptet.
IDTA-Spezifikationsportal – veröffentlicht AAS-Spezifikationen und Versionsübersichten; kein Nachweis für die korrekte lokale Bildklassifikation.
OPC Foundation: OPC UA – primärer Einstieg zu Industriekommunikation, Informationsmodellen und Companion Specifications; kein fertiger Bildfehlertester.
Grundlagenkurs als Vorwissen – bei der Recherche nicht öffentlich abrufbar; Inhalt nicht als geprüft gekennzeichnet.
RH Engineering: Industrielle Bildverarbeitung (15.12.2024) – deutschsprachiger Videoeintrag gefunden; dauerhaftes Abspielen im Player konnte nicht unabhängig bestätigt werden, schriftliche Alternative steht im Kurs.

Wikimedia Commons – geprüfte Dateiseiten und Nutzungsrechte (Dateien sind illustrative Medien, keine echten Prüfdatensätze):

Datei	Quelldateiseite	Urheber	ausgewiesene Lizenz
File:Image-segmentation-example.jpg	Commons	MartinThoma	CC0 1.0
File:Image-segmentation-example-segmented.png	Commons	MartinThoma	CC0 1.0
File:Inspection camera.jpg	Commons	Nelatan	CC BY-SA 3.0 und alternative auf der Dateiseite genannte Lizenzen
File:Bo sobel.png	Commons	Jaromír Šrámek (Formol)	CC BY-SA 3.0 CZ
File:2D Convolution Animation.gif	Commons	Michael Plotke	Lizenznachweis auf Dateiseite; CC BY-SA
File:Solder paste inspection machine.jpg	Commons	Nelatan	CC BY-SA 3.0 und alternative auf der Dateiseite genannte Lizenzen
File:EmiMa-099-Sobel-y.jpg	Commons	MartinThoma	CC0 1.0
File:Example of Jpg compression (animation) Storegade 182, Esbjerg, 1.gif	Commons	Kent Madsen	CC BY-SA 4.0

Offline ohne Bezahlkonto: Alle Medien sind Zusatzmaterial. Ersetze Fotos durch beschriftete Rechtecke und Kratzerlinien, die Animation durch eine Reihe von Papierfeldern und das Video durch die beschriebene Prüfprozesskette. Die optionalen Medien können zeitweise fehlen; zur Bearbeitung benötigst du weder die Plattform noch ein KI-Abo.