Lean Computer Vision 2028
Wie visuelle Prüfung in der Klein- und Mittelserie vom Einzelprojekt zum dauerhaften Prüfknoten wird
Zusammenfassung
In der variantenreichen Klein- und Mittelserie kommt Computer Vision bisher kaum zum Einsatz. Kameras könnten viele Defekte zuverlässig erkennen – doch weil jede neue Variante erneut Einrichtungs-, Test- und Freigabearbeit auslöst, bleibt die Sichtprüfung dort bis heute überwiegend Handarbeit.
Lean Computer Vision beschreibt einen anderen Ablauf. Der Prüfpunkt wird einmal physisch aufgebaut. Bei einer neuen Variante laufen wenige bestätigte Gutteile durch die Station. Daraus entsteht lokal ein versionierter Prüfzustand. Die Maschine prüft anschließend jedes Teil und legt Auffälligkeiten dem Menschen vor.
Der Ansatz richtet sich an sichtbare, schwer formal beschreibbare Defekte wie Kratzer, Druckstellen, Verschmutzungen oder lokale Strukturänderungen. Maßprüfung, OCR, Codes und stabile regelbasierte Aufgaben bleiben bei spezialisierten Systemen.
Der Artificial Quality Engineer (AQE) führt diese Prüfung in den Qualitätsprozess weiter. Er verknüpft Bilder, Prüfzustände und Freigaben mit dem Qualitätswissen, den Normen und den Berichtswegen einer Branche. So entsteht aus dem Kamerasignal eine nachvollziehbare Grundlage für Reklamationen, Audits und Qualitätsberichte. Claiber entwickelt den AQE derzeit als frühen Prototyp; der visuelle Kern ist deutlich weiter.
Für die nächste Entwicklungsstufe sucht Claiber einen Industriepartner mit einem realen Prüfprozess, klaren Nachweispflichten und der Bereitschaft zu einem gemeinsamen Shadow-Test.
Warum Sichtprüfung manuell bleibt
Die fiktive Bergmann Präzisionstechnik GmbH produziert Metall- und Faserverbundbauteile an zwei deutschen Standorten. Codes, Anwesenheit und ausgewählte Maße werden bereits automatisch geprüft. Kratzer, Flecken, Flusen und Nacharbeitsfehler kontrollieren Mitarbeiter häufig noch von Hand.
Lilly Hartmann aus dem Bereich Operational Excellence untersucht, welche dieser Prüfungen sich über mehrere Produktfamilien hinweg automatisieren lassen. Sandra Rehberg, Leiterin der Qualitätssicherung, beschreibt das Kernproblem knapp:
Für fast jede Variante wäre eine eigene Vision-Anwendung technisch machbar. Kleine Lose tragen den wiederkehrenden Aufwand für Bildbereiche, Lerndaten, Grenzwerte, Tests und Freigaben jedoch schlecht. Eine Übersicht über 770 Veröffentlichungen nennt High-Variety-Low-Volume-Produktion, Fachkräftemangel und begrenzte Investitionsmittel als zentrale Hürden für Machine Vision in industriellen KMU[3].
Bei der Begehung zählen Lilly und Sandra sechs automatisierte Kamerastationen, aber 43 Stellen mit regelmäßigen visuellen Qualitätsentscheidungen. Dazu gehören Wareneingang, Maschinenentnahme, Montage, Zwischenprüfung, Nacharbeit und Verpackung. Die Zahl ist Teil des Szenarios; das Muster ist in variantenreichen Werken typisch.
Nicht jeder dieser Punkte ist ein guter Automatisierungskandidat. Manche Defekte sind verdeckt, zu klein oder nur unter spezieller Beleuchtung sichtbar. Andere Stellen haben so wenig Durchsatz, dass eine manuelle Prüfung sinnvoll bleibt. Interessant ist der Bereich dazwischen: sichtbare Defekte, ausreichende Wiederholung und häufig wechselnde Varianten.
Drei Kostenmuster
Kosten je Teil
Jedes Bauteil bindet erneut Prüfzeit. Aufmerksamkeit und Entscheidungen schwanken zwischen Personen und Schichten.
Aufwand je Anwendung
Optik, Mechanik und Validierung schaffen Wert. Teuer wird die wiederholte Einrichtung bei häufig wechselnden Varianten.
Ein Prüfpunkt, viele Varianten
Der Stationsaufbau bleibt. Der produktspezifische Zustand entsteht kurzfristig direkt an der Linie.
Die manuelle Prüfung wächst mit jedem Teil. Neben der reinen Zeit entstehen Unterschiede zwischen Mitarbeitern und Schichten, Nachprüfungen und schwache Dokumentation. Klassische Vision verlagert den Aufwand an den Anfang. In stabiler Großserie ist das meist die richtige Lösung, weil sich Einrichtung und Validierung über viele Teile verteilen.
Lean CV greift nur den wiederkehrenden Anteil an. Der physische Prüfpunkt wird weiterhin sauber entwickelt. Bei einer neuen Variante sollen jedoch keine neuen Bildbereiche, Defektklassen oder Trainingsprojekte nötig sein. Das senkt die Hürde für den bislang schlecht automatisierten Long Tail visueller Prüfungen.
Damit ändert sich die praktische Frage. Statt für jede Variante ein Projekt zu rechtfertigen, prüft Bergmann, an welchen Stellen sich ein dauerhaft verfügbarer visueller Knoten lohnt.
Vom Vision-Projekt zum Prüfknoten
Die drei Generationen sind keine Ablösungsgeschichte. Jede hat ihren passenden Einsatzbereich. Der Unterschied liegt im Aufwand, den eine neue Aufgabe oder Variante auslöst.
Regelbasierte Machine Vision
Ein Vision-Ingenieur übersetzt die Prüfaufgabe in explizite Operationen.
- Kante suchen
- Abstand messen
- Helligkeitsgrenze prüfen
- Objekt zählen
- Position vergleichen
AI Vision
Der Nutzer richtet eine lernende Vision-Anwendung ein.
- Prüfregionen auswählen
- Beispielbilder aufnehmen
- gut / schlecht kennzeichnen
- AI-Werkzeug auswählen
- Training / Teach starten
- kontrollieren & nachjustieren
Lean Computer Vision
Die Produktion demonstriert ihren normalen Zustand.
- Gutteile durchlaufen lassen
- lokalen Prüfzustand erzeugen
- Prüfung starten
- Ausnahmen behandeln
- bei Änderung neu initialisieren
Regelbasierte Systeme bleiben für stabile, klar definierte Aufgaben stark. AI-Vision senkt bereits den Daten- und Einrichtungsaufwand; Siemens, SICK und Cognex bieten dafür unterschiedliche Good-only- und Anomalie-Workflows[5–7]. Lean CV verschiebt den Schwerpunkt weiter: Die neue Variante soll an der Station demonstriert werden, ohne dass der Anwender eine eigene ML-Anwendung konfiguriert. Die Erkennungskomponente selbst ist dabei bewusst austauschbar. Der dauerhafte Wert liegt in der Betriebs- und Wissensarchitektur darum herum: versionierte Freigaben, nachvollziehbare Rückmeldungen und das wachsende Qualitätsgedächtnis. Jede Prüfentscheidung bleibt bis zu Bild, Prüfzustand und Freigabe rückverfolgbar. Damit entsteht nicht nur ein Prüfergebnis, sondern die Beweiskette für Audit, Reklamation und Bericht.
Der erste Aufbau
Bergmann richtet eine Station für gefräste Aluminiumgehäuse ein. Der aktuelle Claiber-Prototyp wurde auf einer von Baumer bereitgestellten AX-Smart-Camera als Leihgabe getestet[8]. Kamera, lokale Recheneinheit und Claiber-Software bilden dabei einen kompakten Prüfknoten an der Linie. Objektiv, kontrollierte Beleuchtung, definierte Bauteilposition, Trigger und ein industrieller Touchscreen vervollständigen die Station. Diese Ingenieursarbeit bleibt notwendig. Eine Kamera erkennt nur, was unter reproduzierbaren Bedingungen sichtbar ist.
Aufnahme und Auswertung laufen lokal an der Station. In der aktuell getesteten Konfiguration benötigt die reine Inferenz auf der Baumer AX ungefähr 450 Millisekunden pro Bild. Der Wert stammt aus internen Messungen des Prototyps und ist keine vollständige Taktzeit: Bildaufnahme, Datenübertragung, SPS-Kommunikation und eine mögliche Ausschleusung benötigen zusätzliche Zeit.
Die Software ist nicht grundsätzlich an ein einzelnes Kameramodell gebunden. Die derzeit beschriebenen Messwerte und Abläufe beziehen sich jedoch konkret auf die von Baumer als Leihgabe bereitgestellte AX-Smart-Camera. Die erreichbare Laufzeit hängt von Kameramodell, Rechenhardware, Bildauflösung und eingesetztem Prüfmodell ab.
Metin Aydin startet den ersten Auftrag direkt am Touchscreen der Station. Er wählt die Variante aus und führt fünf bestätigte Gutteile nacheinander durch den Prüfbereich. Aus diesen Gutbeobachtungen erzeugt die Station in ungefähr 90 Sekunden einen produktspezifischen Prüfzustand. Dieser Wert stammt aus internen Versuchen und ist kein unabhängiger Feldnachweis.
Bei Teil 23 markiert das System auf dem Touchscreen eine kleine Druckstelle im Kamerabild. Metin sieht den hervorgehobenen Bildbereich und bestätigt den Fehler. Bei Teil 61 meldet die Station eine schwächere Abweichung in der Materialstruktur. Metin prüft das reale Bauteil und stuft die Meldung am Touchscreen als zulässige Variation ein.
Beide Entscheidungen werden mit Bild, Zeitpunkt, Variante und aktivem Prüfzustand gespeichert. Die Rückmeldung zu Teil 61 ändert den freigegebenen Zustand noch nicht; erst mehrere geprüfte Rückmeldungen oder eine bewusst gestartete Neuinitialisierung führen zu einem neuen Kandidaten.
Metin hat dafür kein Modell ausgewählt, keine Bilder markiert und keine Defektklassen angelegt. Seine Bedienung bleibt auf den Produktionsablauf beschränkt: Variante starten, Gutteile bestätigen, Auffälligkeiten beurteilen und bei einer relevanten Prozessänderung eine Neuinitialisierung anstoßen.
Was technisch passiert
Ein vortrainiertes visuelles Modell übersetzt die Bilder in Merkmale für Form, Oberfläche und lokale Struktur. Aus den bestätigten Gutteilen berechnet die Station einen kompakten Normalraum der aktuellen Variante. Neue Aufnahmen werden damit verglichen; ungewöhnliche lokale Merkmale erscheinen als Auffälligkeit.
zulässige Textur · geringe Lageänderung · normale Reflexionsschwankung
Kratzer · Druckstelle · Verschmutzung · lokale Unterbrechung · neue Struktur
Das System kennt die Bedeutung einer Auffälligkeit nicht automatisch. Es zeigt, wo der beobachtete gute Zustand nicht ausreicht. Ob daraus ein Fehler, eine zulässige Variation oder eine neue Prozesslage folgt, entscheidet der Mensch.
Vor Ort wird kein Grundmodell neu trainiert. Neu berechnet wird nur der kompakte produktspezifische Prüfzustand, der den zulässigen Normalbereich der aktuellen Variante beschreibt. In der aktuell getesteten Konfiguration entsteht und läuft er direkt auf der von Baumer bereitgestellten AX-Smart-Camera[8].
- Getestete Plattform: von Baumer bereitgestellte AX-Smart-Camera als Leihgabe
- Verarbeitung: lokal an der Linie
- Reine Inferenzzeit: ca. 450 ms je Bild
- Initialisierung: ca. 90 s aus fünf bestätigten Gutbeobachtungen
- Bedienung: industrieller Touchscreen an der Station
- Stand: interne Prototypmessungen, keine unabhängige Feldvalidierung
Der bekannte Produktwechsel bleibt ein Rezeptwechsel. Der relevante Fall ist eine neue oder wesentlich veränderte Variante, für die noch kein freigegebener Zustand existiert. Genau dort entscheidet sich, ob aus AI-Vision ein dauerhaft nutzbares Produktionswerkzeug wird.
Die kritische Woche
Mit einer neuen Materialcharge verändert sich die Reflexion der Oberfläche. Die Teile liegen innerhalb der Spezifikation, doch die Station meldet plötzlich viele Auffälligkeiten. Metin verliert nach kurzer Zeit das Vertrauen.
Die Erkennung funktioniert technisch weiterhin. Im Betrieb ist sie trotzdem wertlos, wenn gute Teile ständig angehalten werden. Pseudofehler erzeugen Zusatzarbeit und führen schnell dazu, dass Mitarbeiter das System umgehen.
Sandra gibt die Neuinitialisierung für die neue Materialcharge frei. Metin startet den Ablauf anschließend direkt am Touchscreen der Station; die Bedienoberfläche führt ihn durch die einzelnen Schritte: Variante und Anlass auswählen, bestätigte Gutteile der neuen Charge aufnehmen, den erzeugten Kandidaten gegen Referenzteile prüfen und das Ergebnis zur Freigabe an die Qualitätssicherung übergeben. Der neue Kandidat wird dabei direkt an der Station angelernt: Jede bestätigte Bewertung verfeinert ihn. Der freigegebene Zustand läuft währenddessen unverändert weiter. Erst nach der Freigabe durch die Qualitätssicherung wird der Kandidat versioniert aktiviert. Ein einzelner Bedienklick verändert den Produktionsstandard nie unsichtbar.
Der Ablauf trennt deshalb vier Dinge: den aktiven freigegebenen Zustand, neue Rückmeldungen, einen möglichen Kandidaten und dessen spätere Freigabe. Jede Version bleibt rückverfolgbar; bei Problemen kann Bergmann auf den vorherigen Zustand zurückkehren. Neuinitialisierung ist damit ein geplanter Betriebsablauf und kein heimliches Nachlernen.
Warum es Lean heißt
Die Arbeitsteilung folgt dem Jidoka-Gedanken des Toyota-Produktionssystems: Die Maschine erkennt Abweichungen und macht sie sichtbar. Der Mensch muss nicht jedes Teil dauerhaft beobachten und kann sich auf Einordnung, Ursache und Verbesserung konzentrieren[4].
Der freigegebene Prüfzustand bildet den aktuellen Standard. Rückmeldungen erzeugen Evidenz und gegebenenfalls einen neuen Kandidaten. Vergleich und Freigabe führen zum nächsten Standard. So entsteht Kaizen ohne schleichende Modelländerung; Standardarbeit und Verbesserung bleiben miteinander verbunden[9].
Das Qualitätswissen bleibt näher an der Linie. Der wiederkehrende Weg über Werker, QS, Projektingenieur und Vision-Spezialist wird kürzer. Optik, Mechanik und Validierung entfallen nicht. Reduziert werden Wartezeit, Übersetzungsarbeit und wiederholte Konfiguration bei jeder Variante.
Diese Architektur schützt auch die Rolle der Beschäftigten. Der Werker wird nicht zum Klicklieferanten für ein selbstveränderndes Modell. Seine Entscheidung bleibt sichtbar und fließt kontrolliert in die Qualitätsarbeit ein. Die QS behält die Hoheit über Standard, Freigabe und Eskalation.
Wird ein Prüfknoten mit Ausschleusung oder Prozessstopp verbunden, kann er außerdem verhindern, dass auffällige Teile unbemerkt in den nächsten Prozess gelangen. Die eigentliche Stärke bleibt jedoch die Kombination aus maschineller Aufmerksamkeit und menschlichem Urteil.
Grenzen und Architektur
Was der Ansatz nicht ersetzt
Lean CV ist für sichtbare, schwer formal beschreibbare Abweichungen gedacht. Präzise Geometrie gehört zur Mess- oder 3D-Technik. OCR, Barcodes und Data-Matrix-Codes haben spezialisierte Verfahren. Stabile Anwesenheits- und Positionsprüfungen bleiben oft mit klassischer Vision einfacher. Verdeckte oder zu kleine Defekte erfordern andere Blickwinkel, Beleuchtung oder Messprinzipien.
Auch komplexe logische Fehler liegen außerhalb des Kernbereichs. Eine falsche Reihenfolge, ein fehlendes Bauteil oder eine semantisch falsche Montage kann zusätzliche Regeln, Klassifikation oder Prozessdaten benötigen. Der Prüfknoten soll kein mittelmäßiges Universalwerkzeug werden.
Lokale Prüfung, zentrale Übersicht
Die Prüfung läuft lokal auf industrieller Edge-Hardware. Das schafft kurze Reaktionszeiten und hält Routinebilder im Regelfall an der Station. Die zentrale Ebene verwaltet Geräte, Versionen, Freigaben und ausgewählte Qualitätsereignisse. Je nach Datenrichtlinie können relevante Bilder oder Ausschnitte kontrolliert zentral verarbeitet werden.
„Zentral“ kann je nach Kunde ein Server im Werk, eine Private Cloud oder eine andere freigegebene Infrastruktur bedeuten. Das Szenario legt keine einzelne Betriebsform fest. Entscheidend sind definierte Datenwege, Berechtigungen und Aufbewahrungsregeln. Die Prüfung an der Linie darf nicht von einer dauerhaften Internetverbindung abhängen.
Die zentrale Ebene speichert auch nicht automatisch jedes Vollbild. Für Flottensteuerung und Qualitätsgedächtnis reichen häufig Metadaten, Anomalieausschnitte und ausgewählte Fälle. So bleibt die Datenmenge beherrschbar und jeder zentrale Eintrag auf den lokalen Ursprung zurückführbar.
Aufnahme · Merkmalsberechnung · Vergleich · unmittelbares Prüfergebnis
Versionen · Freigaben · Ereignisse · Flottenübersicht · ausgewählte Fälle
Vom Prüfknoten zum Qualitätsgedächtnis
Im Szenario folgt der zweite Prüfknoten im Dezember 2026, der dritte im ersten Quartal 2027. Jede Installation liefert Bausteine für die nächste: passende Beleuchtungsgeometrien, Halterungen, Schnittstellen und Freigabeabläufe.
Nach dem Pilot folgen weitere Stationen. Wiederverwendbare Klassen für Beleuchtung, Optik, Mechanik und Schnittstellen reduzieren den Aufwand des nächsten Aufbaus. Die einzelnen Knoten bleiben dezentral prüffähig; zentral landen verdichtete Ereignisse statt einer unstrukturierten Bilderflut.
Ein Ereignis enthält beispielsweise Station, Variante, Prüfzustand, Zeit, Anomalieausschnitt, menschliche Entscheidung und später bestätigte Ursache. Ähnliche Ereignisse werden zu Fällen zusammengeführt. So kann Bergmann wiederkehrende Fehlercluster, verändertes Stationsverhalten und offene Grenzfälle über beide Werke verfolgen.
Die zentrale Abstraktion entsteht stufenweise. Routinebilder bleiben an der Station. Nur relevante Ereignisse werden übernommen, ähnliche Meldungen zusammengeführt und später mit bestätigten Ursachen und Maßnahmen ergänzt. Dadurch wächst ein Qualitätsgedächtnis, ohne dass die QS Millionen Bilder durchsuchen muss.
Flottenverwaltung bedeutet außerdem mehr als eine Geräteliste. Bergmann sieht, welche Version an welcher Station aktiv ist, wo sich das Meldeverhalten verändert und welche Knoten häufig menschliche Hilfe benötigen. Ein lokaler Ausfall bleibt lokal; ein systematisches Muster wird zentral sichtbar.
Die Prüfung wird Teil des QS-Prozesses
Mit den ersten Stationen erkennt Sandra ein strukturelles Problem: Die Kamera liefert Bilder und Entscheidungen, während Reklamationen, Freigaben und Audits in getrennten Systemen bearbeitet werden. Ihr Team überträgt Daten, sucht Belege und rekonstruiert später, welcher Prüfzustand aktiv war. Lilly nimmt deshalb die gesamte Kette in den Blick — von der Aufnahme an der Linie bis zum freigegebenen Qualitätsbericht.
Hier setzt der Artificial Quality Engineer an. Für Bergmann verbindet er die belegten Fälle des Werks mit den geltenden Branchenanforderungen und den vorhandenen Berichtsvorlagen. Aus Bildern, Prüfzuständen, Entscheidungen, Ursachen und Maßnahmen bereitet er beispielsweise einen 8D-Bericht oder Requalifikationsnachweis vor. Jeder verwendete Beleg bleibt auf seinen Ursprung zurückführbar; fehlende Angaben werden offen markiert.
Damit verschiebt sich die Systemgrenze. Computer Vision und QS-Software werden als zusammenhängender Prozess entwickelt: Die Prüfung erzeugt strukturierte Evidenz, der QS-Prozess liefert Freigaben und fachliche Rückmeldungen an die Prüfung zurück. Metin dokumentiert seine Entscheidung nur einmal. Sandra erhält schneller vollständige Unterlagen. Lilly kann Abläufe und wiederkehrende Fehler über beide Werke vergleichen.
Die fachliche Freigabe bleibt bei Bergmann. Ursachen, Maßnahmen, Wirksamkeit und Berichte werden von den verantwortlichen Mitarbeitern geprüft. Das ist notwendig, weil sprachbasierte Modelle plausible Fehler erzeugen können[9]. Der AQE befindet sich noch in einer frühen Prototypphase.
Claiber sucht ein Unternehmen aus einer klar abgegrenzten Branche mit einem konkreten visuellen Prüfprozess, einem verantwortlichen QS-Ansprechpartner und realen Audit- oder Berichtspflichten. Der Partner stellt Prozesswissen, Vorlagen und Bewertungskriterien bereit; Claiber integriert Prüfung und AQE im Shadow Mode. Ziel ist ein fachlich freigabefähiger Bericht aus realen Prüfdaten. Unternehmensverbünde und Verbände sind besonders geeignet, wenn dieselben Anforderungen an mehreren Standorten oder Mitgliedsunternehmen gelten.
Pilot und Kennzahlen
Ein sinnvoller Pilot beginnt mit einer klar abgegrenzten Sichtprüfung, stabiler Bildentstehung und verfügbaren Gutteilen. Die Einführung verläuft in vier Phasen:
Geeignet sind Aufgaben mit sichtbaren Defekten, wiederholbarer Teilelage und einer realistischen Chance auf ausreichend stabile Beleuchtung. Ungeeignet sind Piloten, bei denen gleichzeitig Kamera, Mechanik, Prozessführung und Qualitätsdefinition ungeklärt sind. Dann lässt sich später nicht unterscheiden, woran das Ergebnis gescheitert ist.
Im Shadow Mode urteilt das System bereits über jedes Teil. Seine Einschätzungen werden mit den menschlichen Entscheidungen über denselben Zeitraum verglichen; Bestätigungen und Korrekturen verfeinern den Kandidaten direkt an der Linie. Eine Wirkung auf die Linie hat das System in dieser Phase nicht. Im assistierten Betrieb zeigt der Knoten IO- und NIO-Einschätzungen samt Unsicherheit am Bildschirm; die Entscheidung trifft der Mensch. Erst eine geregelte Freigabe erlaubt, dass Ergebnisse automatisch weitergegeben, ausgeschleust oder gestoppt werden.
Ob ein Knoten diese Freigabe erhält, ist eine Frage der Evidenz, nicht der Zeit. Bei kleinen Losen reicht die Stückzahl für den statistischen Nachweis oft nicht aus. Viele Anwendungen bleiben deshalb dauerhaft assistiert. Das kann wirtschaftlich und qualitativ richtig sein.
Prüfleistung
Betriebsleistung
Feste Zielwerte hängen von Fehlerkritikalität, Prozess und Kundenanforderung ab. Ein Pilot sollte sie vor Beginn definieren und nicht nachträglich an das Ergebnis anpassen. Neben Erkennungsleistung zählen Einrichtungszeit, Zahl der Eingriffe, Anlagenverfügbarkeit und tatsächliche Entlastung der Mitarbeiter.
Ein AQE-Pilot ist erfolgreich, wenn Sandra den erzeugten Bericht nach fachlicher Prüfung im realen Kunden-, Reklamations- oder Auditprozess verwenden kann.
Der Pilot endet mit einer nüchternen Entscheidung: ausrollen, enger begrenzen, Stationsaufbau verbessern oder stoppen.
Bergmanns Fabrik
Einundzwanzig Monate nach dem ersten Pilotprojekt betreibt Bergmann im Szenario elf klassische Vision-Systeme, sieben spezialisierte Mess- und Identifikationssysteme und 56 Lean-CV-Knoten. Die Systeme ergänzen einander.
Die 56 Knoten laufen nicht alle gleich. Ein Teil arbeitet nach geregelter Freigabe innerhalb enger Betriebsfenster. Andere bleiben dauerhaft assistiert, weil seltene Varianten, hohe Fehlerkritikalität oder unklare Grenzfälle menschliche Bestätigung sinnvoll machen.
Neue Varianten starten an geeigneten Knoten mit wenigen bestätigten Gutteilen. Die Zentrale sieht wiederkehrende Fehlercluster, neue Auffälligkeiten, offene Grenzfälle und die dazugehörigen Maßnahmen. Jeder Fall lässt sich zu Station, Variante und freigegebenem Prüfzustand zurückverfolgen.
Für den Mitarbeiter an der Linie ist der Ablauf kurz geblieben: Auftrag starten, bestätigte Gutteile zeigen, Meldungen bearbeiten und relevante Änderungen kennzeichnen. Die komplexere Governance liegt in Versionierung, Freigaben und zentraler Rückverfolgbarkeit.
Eine erste AQE-Version zeigt Sandra bei einem neuen Cluster von Druckstellen einen ähnlichen Fall aus dem anderen Werk. Damals war ein verschlissenes Spannwerkzeug die bestätigte Ursache. Das System übernimmt Bilder, Prüfzustand und Fallverweise in Bergmanns 8D-Vorlage, markiert noch fehlende Nachweise und bereitet eine mögliche Sofortmaßnahme vor. Sandra prüft Ursache und Normbezüge, ergänzt die fehlende Evidenz und gibt den Bericht frei. Recherche und Dokumentation dauern Minuten statt eines halben Tages.
Der Treffer ist ein Recherchehinweis, kein Beweis für dieselbe Ursache. Sandra vergleicht Werkzeugzustand, Material und Prozessdaten des aktuellen Falls. Erst nach dieser Prüfung wird aus der Ähnlichkeit eine belastbare Hypothese.
Diese AQE-Funktion bleibt auch im Szenario ein Assistent. Unsicherheit wird sichtbar, Rückmeldungen bleiben nachvollziehbar und die fachliche Hoheit liegt bei den verantwortlichen Menschen.
Die Rollen verschieben sich
Mitarbeiter an der Linie
- Gutteile bestätigen
- Grenzfälle einordnen
- Änderungen melden
Qualitätssicherung
- Prüfzustände freigeben
- Ursachen und Maßnahmen prüfen
- Wirksamkeit nachweisen
Vision Engineering
- Optik und Beleuchtung
- Stationsklassen und Grenzen
- Flotten- und Systemarchitektur
Das Ende des wiederkehrenden Vision-Projekts
Lean Computer Vision ersetzt weder erfahrene Mitarbeiter noch bewährte Bildverarbeitung. Es trennt den einmaligen Aufbau eines guten Prüfpunktes von der wiederkehrenden Einrichtung jeder neuen Variante. Der AQE verbindet die daraus entstehende Prüfevidenz mit dem branchenspezifischen Qualitätsprozess. Dadurch kann aus vielen einzelnen Anwendungen eine visuelle Qualitätsinfrastruktur entstehen.
Nachwort: Einordnung und Transparenz
Dieser Text ist ein Szenario, kein neutraler Marktbericht und keine sichere Prognose. Form und Zeithorizont orientieren sich an AI 2027[1] und Europe 2031[2]. Bergmann, alle Personen, Installationszahlen und künftigen Ereignisse sind fiktiv. Claiber hat den Bericht verfasst und besitzt ein wirtschaftliches Interesse an der beschriebenen Entwicklung.
Der visuelle Claiber-Prototyp wurde auf einer von Baumer bereitgestellten AX-Smart-Camera als Leihgabe getestet. Er erzeugt nach fünf bestätigten Gutbeobachtungen in internen Versuchen innerhalb von ungefähr 90 Sekunden einen lokalen Prüfzustand; die reine Inferenz benötigt dort ungefähr 450 Millisekunden pro Bild. Alle Laufzeitangaben sind interne Prototypmessungen. Der technische Kern wurde intern auf mehr als 110 GB industrieller Bilddaten und auf eigenen Bauteilen unter realen Kamera- und Beleuchtungsbedingungen evaluiert. Das ersetzt keine unabhängige Feldstudie oder veröffentlichte Prozessfähigkeitsuntersuchung.
Der AQE hat einen deutlich früheren Reifegrad. Er existiert als interner Prototyp mit ersten Ergebnissen, dessen Stabilität noch nicht systematisch nachgewiesen wurde. Die AQE-Passagen beschreiben eine Entwicklungsrichtung.
Quellen
- Kokotajlo, D. et al.: AI 2027. AI Futures Project, 2025.
https://ai-2027.com - Fox, P. et al.: Europe 2031 — What getting AI wrong means for us. Juni 2026.
https://europe2031.ai - Machine vision in manufacturing SMEs: a review. Systematische Übersicht über 770 Veröffentlichungen. Discover Applied Sciences, 2025.
springer.com/article/10.1007/s42452-025-06923-4 - Toyota Motor Corporation: Toyota Production System. Jidoka, Kaizen und Trennung menschlicher und maschineller Arbeit.
global.toyota/en/company/vision-and-philosophy/production-system - Siemens: Inspekto — AI-based Visual Quality Inspection.
siemens.com/…/inspekto - SICK: Deep Learning accessible and easy-to-use with SICK's anomaly detection tool. 2022.
sick.com/…/intelligent-inspection - Cognex: Produktdokumentation zu Good-only-Anomalieerkennung und unbekannten Defekten.
https://www.cognex.com - Baumer: AX series smart cameras for AI applications.
https://www.baumer.com - Shook, J.: Standardized Work or Kaizen? Yes. Lean Enterprise Institute, 2018.
lean.org/…/standardized-work-or-kaizen-yes - NIST: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). 2024.
nvlpubs.nist.gov/…/NIST.AI.600-1.pdf
LeanCV-Pilot besprechen
Für die nächste Entwicklungsstufe sucht Claiber einen Industriepartner mit einem realen Sichtprüfprozess, klaren Nachweispflichten und der Bereitschaft zu einem gemeinsamen Shadow-Test.
Kontakt aufnehmen →