Automatisierte Fehlererkennung in Bildern wird in der industriellen Qualitätssicherung immer relevanter. Denn ob in der Fertigung, Logistik oder Infrastruktur – visuelle Inspektion ist in vielen Branchen unverzichtbar. Doch mit zunehmendem Produktionsvolumen stößt die manuelle Sichtprüfung an ihre Grenzen. Die Folge: relevante Fehler bleiben unentdeckt oder werden nur stichprobenartig erfasst.
Doch was wäre, wenn Maschinen lernen könnten, das zu sehen, was Expert:innen sehen – und das bei konstant hoher Qualität und in großem Maßstab?
Genau das haben wir in einem gemeinsamen Projekt mit der CCE Holding, einem internationalen Betreiber von erneuerbaren Energieanlagen, umgesetzt. Das Prinzip ist übertragbar: KI-gestützte Fehlererkennung in Bildern kann überall dort eingesetzt werden, wo visuelle Daten für Qualität und Sicherheit entscheidend sind.
In der Herstellung von Photovoltaik(PV)-Panels spielt visuelle Prüfung eine zentrale Rolle. Mithilfe von Elektrolumineszenz-Bildern (EL-Bildern) – einer Art Röntgenbild – lassen sich Mikrorisse, Zellbrüche oder Kontaktfehler aufdecken, die mit bloßem Auge nicht sichtbar wären.
Doch bei Lieferungen von zehntausenden Panels ist eine manuelle Auswertung aller EL-Bilder schlicht nicht realisierbar. Die CCE Holding suchte deshalb eine Lösung, die automatisierte Bildanalyse mit künstlicher Intelligenz ermöglicht – bei mindestens gleicher Präzision wie die manuelle Prüfung.
Gemeinsam entwickelten wir einen KI-Ansatz, der den gesamten visuellen Prüfprozess automatisiert – und dabei auf echten industriellen Bilddaten basiert. Der Prozess im Überblick:
1. Bildsegmentierung in Einzelzellen
Mit klassischen Computer-Vision-Verfahren wurden die Panelbilder in einzelne Zellen unterteilt. Dadurch lassen sich kleinste Strukturbestandteile gezielt analysieren – ein entscheidender Vorteil für die Trainierbarkeit des KI-Modells.
2. Datenannotation durch Expert:innen
Ein speziell entwickeltes Tool ermöglichte die schnelle und intuitive Markierung fehlerhafter Zellen durch Fachexpert:innen. So entstand ein hochwertiger, realitätsnaher Trainingsdatensatz – kombiniert aus menschlichem Know-how und effizientem Workflow.
3. Training und Modellarchitektur
Basierend auf aktuellen Forschungserkenntnissen wählten wir eine geeignete Modellarchitektur für die visuelle Klassifikation. Das Ergebnis: 87 % Erkennungsrate bei nur 2 % Falschpositiven, ein starker Wert für eine KI-Lösung in der industriellen Qualitätskontrolle.
Das Projekt überzeugt nicht nur durch Präzision, sondern auch durch seine Anwendbarkeit unter realen Produktionsbedingungen. Es zeigt, dass KI Menschen entlastet und systematisch die Qualitätssicherung verbessert.
Auch außerhalb der Solarindustrie gibt es zahlreiche Bereiche, in denen visuelle Qualitätsprüfung eine Rolle spielt. Ob bei Leiterplatten in der Elektronikproduktion, bei Oberflächenkontrollen im Maschinenbau oder bei Verpackungslinien in der Lebensmittelindustrie. Überall dort, wo Bilddaten bereits vorliegen, kann KI zur Unterstützung eingesetzt werden.
Der Schlüssel liegt in der Kombination aus:
Dieser Case zeigt: Automatisierte Fehlererkennung mit KI ist mehr als ein Forschungsprojekt – sie ist industrielle Realität. Wenn Technologie verständlich implementiert, mit Fachwissen trainiert und anwendungsnah umgesetzt wird, entsteht ein messbarer Mehrwert.
Haben Sie Fragen oder benötigen Unterstützung?
Wer ähnliche Herausforderungen kennt, sollte prüfen: Wo lassen sich visuelle Prüfprozesse durch KI unterstützen? Wo können wir Ressourcen sparen, ohne Qualität zu verlieren? Wo kann Technologie still, aber kraftvoll wirken?
Wir helfen gern, diese Fragen zu beantworten.
Sie möchten noch mehr Erfolgsgeschichten unserer Kunden kennenlernen? Auf unserer Website finden Sie eine Übersicht aller Champion Stories.