Eine beschädigte Verpackung, ein fehlendes Bauteil oder eine defekte Oberfläche: Qualitätsabweichungen gehören in vielen Branchen zum Produktionsalltag. Je später ein Fehler erkannt wird, desto höher sind meist die Kosten für Weiterverarbeitung, Nacharbeit, Ausschuss oder Sortierung.
Mit MVI Quality AI verbindet MVI künstliche Intelligenz mit industriellem Prozessverständnis. Ziel ist es, relevante Qualitätsabweichungen frühzeitig zu erkennen, Prüfaufwände zu reduzieren und Qualitätsmaßnahmen gezielter einzuleiten.
Fehler erkennen, bevor Kosten entstehen
Die MVI Quality AI verbindet digitale Produktinformationen, synthetische Trainingsdaten und kamerabasierte Prüfungen. So trainieren wir zum Beispiel auf Basis verfügbarer CAD-Daten ein Prüfmodell, das Sie vor dem Serienstart absichert.
Eine KI-gestützte Qualitätskontrolle kann beispielsweise fehlende Bauteile, falsche Montagepositionen, Verschmutzungen, Oberflächenfehler oder Beschädigungen erkennen. Die Prüfung kann dabei bereits vor der nächsten Wertschöpfungsstufe ansetzen und verhindern, dass fehlerhafte Teile unnötig weiterbearbeitet werden.
Der Ansatz beginnt bereits bei der Produktentwicklung: Geometrie, Material und Spezifikation sowie Produktionstechnologien und Prozesse bestimmen, welche Merkmale relevant sind und welche Abweichungen erkannt werden müssen.
Selbst wenn ihr Bauteil noch gar nicht produziert ist, erkennt unsere Qualitäts-KI schon seine Fehler.
Der MVI-Demonstrator veranschaulicht den Ansatz in vier Schritten:
Damit verbindet Quality AI die digitale Vorbereitung mit der realen Prüfung und führt die erkannte Abweichung gezielt in den weiteren Qualitätsprozess über.
Typische Anwendungsbereiche
- Erkennung von Kratzern, Dellen und sichtbaren Oberflächenfehlern
- Prüfung auf fehlende Bauteile oder falsche Montagepositionen
- Kontrolle von Verpackungen, Etiketten und Druckbildern
- Prüfung des Verlaufs von Dichtmittelraupen
Von der Machbarkeit zum Produktionspilot
Am Anfang steht Ihre konkrete Prüfaufgabe: Wo verursachen Qualitätsfehler hohe Kosten, wo bindet die Sichtprüfung besonders viel Zeit? Gemeinsam wählen wir einen Anwendungsfall aus, beispielsweise eine spezielle Produktfamilie. Für diese Entscheidung betrachten wir den bisherigen Prüfprozess, die verfügbare Datenbasis und die Produktionsbedingungen.
Anschließend definieren wir anhand eines vorhandenen oder gemeinsam erstellten Fehlerkatalogs die relevanten Fehlerbilder und In Ordnung (IO)/Nicht in Ordnung (NIO)-Kriterien. Zudem legen wir fest, woran der Erfolg gemessen wird – etwa an Erkennungsleistung, Fehlausschuss, Prüfzeit und Nachprüfaufwand. Auf dieser Grundlage bewerten wir das wirtschaftliche Potenzial von Quality AI für Ihre Fertigung.
Schnelle Analyse und skalierbare Hardware
Für die Qualitätskontrolle in laufenden Produktionslinien ist eine schnelle Bildauswertung entscheidend: MVI Quality AI ermöglicht je nach Modell und eingesetzter Hardware Inferenzzeiten von unter 25 Millisekunden pro Bild.
Die Hardware ist skalierbar und lässt sich an Ihre Prüfaufgabe, das Produktionsvolumen und die Anzahl der Prüfstationen anpassen. Ob die gesamte Prüfung einschließlich Bildaufnahme und Weiterverarbeitung zur Taktzeit Ihrer Linie passt, prüfen wir anhand Ihrer konkreten Anwendung.
Was tun, wenn noch keine Fehlerbilder vorhanden sind?
Gerade bei neuen Produkten oder seltenen Defekten fehlen häufig geeignete Trainingsdaten. Die klassische Lösung, zunächst Fehlerteile zu sammeln und zu dokumentieren, kann den Aufbau einer automatisierten Prüfung erheblich verzögern.
Hier setzt MVI auf synthetische Trainingsdaten. Auf Basis digitaler Produktmodelle und definierter Fehlermerkmale können künstliche Bilder erzeugt werden – beispielsweise mit Kratzern, Dellen oder Verschmutzungen. Auch unterschiedliche Positionen und Lichtverhältnisse lassen sich abbilden.
So kann das Training bereits vor dem Serienstart durchgeführt werden. Reale Aufnahmen ergänzen die Datenbasis anschließend und die Prüfung wird unter tatsächlichen Produktionsbedingungen validiert. Für neue Produktvarianten können Sie mit entsprechend aufbereiteten Bilddaten selbstständig neue Prüfmodelle trainieren oder bestehende Modelle anpassen.
Wird in der Produktion ein fehlerhaftes Teil entdeckt, das die KI als IO bewertet hat, können Sie dieses nachträglich als fehlerhaft kennzeichnen. Anhand der korrigierten Bewertung kann das Qualitätsmodell beispielsweise in einem automatisierten nächtlichen Trainingslauf gezielt nachtrainiert werden, um vergleichbare Fehler künftig besser zu erkennen. Bevor die aktualisierte Modellversion eingesetzt wird, wird ihre Erkennungsleistung überprüft und die Version freigegeben.
Entscheidend ist damit nicht mehr die Frage, wann genügend Fehlerteile vorhanden sind, sondern welche Fehler die Prüfung zuverlässig erkennen muss.
Ergebnisse auf einen Blick – Von der digitalen Vorbereitung zur Qualitätsmaßnahme
Im Produktionspilot überprüfen wir die zuvor erarbeitete Lösung im laufenden Betrieb. Dabei prüfen wir, wie zuverlässig das KI-Modell unter realen Produktionsbedingungen fehlerhafte und fehlerfreie Teile unterscheidet und ob die vereinbarten Ziele für Erkennungsleistung, Fehlausschuss, Prüfzeit und Nachprüfaufwand erreicht werden.
Die Prüfergebnisse werden für Sie nachvollziehbar aufbereitet. MVI Quality AI bewertet die Bauteile anhand der IO-/NIO-Qualitätskriterien und ordnet erkannte Fehler den entsprechenden Fehlerklassen zu. Heatmaps markieren auffällige Bildbereiche und erleichtern die gezielte Nachprüfung. Entscheidend bleibt die konkrete Qualitätsanforderung: Eine optische Auffälligkeit ist nicht automatisch ein relevanter Fehler. Produktfunktion, Fehlerposition und vereinbarte Grenzwerte bestimmen die Bewertung. Die Ergebnisse der einzelnen Prüfungen werden gesammelt und für das Reporting aufbereitet.
Die Inhalte des Reportings stimmen wir gemeinsam mit Ihnen auf die vorhandene Datenbasis, Ihre Wünsche und Ihre Qualitätsanforderungen ab. Mögliche Auswertungen umfassen Prüfmengen, Fehlerarten und deren Häufigkeit im Zeitverlauf. Damit kann Ihre Qualitätssicherung Fehlerhäufungen erkennen und gezielte Verbesserungsmaßnahmen planen.
Die Ergebnisse konkretisieren die bereits erstellte Wirtschaftlichkeitsbewertung und bilden die Grundlage für einen möglichen Ausbau auf weitere Produktvarianten oder Linien.
Welche Probleme lassen sich lösen?
Hoher Prüfaufwand:
Manuelle Sichtprüfungen binden Personal und erfordern dauerhaft hohe Aufmerksamkeit. Definierte Merkmale können automatisiert geprüft werden. Auffällige oder unsichere Ergebnisse werden gezielt zur weiteren Bewertung weitergeleitet.
Zu spät erkannte Fehler:
Wird ein fehlerhaftes Teil erst nach weiteren Bearbeitungsschritten erkannt, sind bereits zusätzliche Maschinenzeit, Energie und Materialkosten entstanden. Eine frühere Prüfung kann diese Folgekosten vermeiden.
Reduzierter Fehlausschuss:
Nicht jede sichtbare Auffälligkeit ist tatsächlich ein Qualitätsfehler. Durch die Berücksichtigung von Produktfunktion, Fehlerposition und Spezifikation erfolgt eine gezieltere Bewertung und damit weniger Fehlausschuss.
Erkennung auch kleinster Auffälligkeiten:
Nicht jeder Fehler lässt sich mit dem bloßen Auge erkennen. Unsere KI hilft Ihnen dabei, auch visuell zunächst unauffällige Fehler zu erkennen.
Fehlende Trainingsdaten:
Synthetische Fehlerbilder ermöglichen es, neue Prüfungen bereits frühzeitig vorzubereiten, auch wenn noch keine ausreichende Zahl realer Fehlerteile vorhanden ist.
Wiederkehrende Fehler:
Durch die Auswertung der erfassten Prüfergebnisse lassen sich wiederkehrende Fehler und Fehlerhäufungen erkennen. Welche zusätzlichen Daten für die Ursachenanalyse einbezogen werden, stimmen wir gemeinsam mit Ihnen ab. So entstehen Ansatzpunkte für gezielte Qualitätsmaßnahmen.
Der wirtschaftliche Nutzen
MVI betrachtet nicht nur einzelne Kostenpositionen. Qualitätskosten entstehen unter anderem durch Prüfung, Nacharbeit, Ausschuss, Sortieraktionen und Reklamationen. Deshalb werden zu Beginn eines Projekts konkrete und messbare Erfolgskriterien definiert – beispielsweise Prüfzeit, Erkennungsleistung für relevante Defekte, Fehlausschuss oder Reaktionszeit.
Die größten Einsparpotenziale liegen in effizienteren Prüfungen, weniger vermeidbarem Ausschuss und geringerer Nacharbeit. Früh erkannte Fehler und gezielte Qualitätsmaßnahmen helfen, diese Potenziale zu nutzen.
Branchenübergreifend einsetzbar
Die Einsatzmöglichkeiten reichen von der Automobilindustrie bis zur Verpackungsfertigung:
- Automotive und Zulieferer: Check von Montagevollständigkeit, Bauteilpositionen und Oberflächen, Reduktion des Prüf- und Sortieraufwands
- Metall- und Kunststoffverarbeitung: sichtbare Fehler und wiederkehrende Abweichungen, einwandfreie Teile nutzen, fehlerhafte Teile nicht weiterverarbeiten
- Lebensmittel- und Verpackungsindustrie: Verpackungsschäden, fehlerhafte Kennzeichnungen und Druckbilder, weniger Personalstunden für Nachkontrollen und Sortieren
- Batterie- und Elektronikfertigung: Prüfung auf Beschädigungen, Lage und Vollständigkeit von Komponenten
- Maschinenbau: Sicherstellen der Korrektheit bei Baugruppen, Produktvarianten und Kennzeichnungen
- …und viele weitere Fertigungsindustrien
Kontaktieren Sie uns zu Quality AI
MVI unterstützt Unternehmen dabei, verbesserungsbedürftige Anwendungsfälle zu identifizieren, die technische Machbarkeit zu prüfen und den tatsächlichen Nutzen im Produktionspilot zu bewerten. Die entscheidende Frage lautet: Welche Qualitätsaufgabe verursacht heute die größten Kosten oder bindet besonders viele Ressourcen – und lässt sich diese Aufgabe mit verfügbaren Daten und unter realen Produktionsbedingungen verbessern?
Ob hoher Prüfaufwand, spät erkannte Fehler oder unnötiger Ausschuss: MVI verbindet industrielles Prozessverständnis mit künstlicher Intelligenz. Gemeinsam mit Ihnen definieren wir die Prüfaufgabe, entwickeln die passende Lösung und überprüfen Ihren Nutzen unter realen Produktionsbedingungen.
Weniger Prüfaufwand. Weniger vermeidbarer Ausschuss. Weniger Nacharbeit. Schnellere Qualitätsmaßnahmen.
Welche Fehler verursachen in Ihrem Unternehmen die größten Qualitätskosten? Wo bindet die manuelle Prüfung besonders viel Zeit? Und für welches neue Produkt fehlt noch eine geeignete Datenbasis? Gerne identifizieren wir mit Ihnen gemeinsam Ihre individuellen Verbesserungspotenziale.
