Rückblick: Vom klassischen ML zum Deep Learning
FOM Hochschule für Oekonomie & Management
Im ersten Teil dieser Artikelserie stand der Einstieg in die Künstliche Intelligenz über klassische Machine-Learning-Verfahren im Fokus. Entscheidungsbäume, Random Forests oder ähnliche Modelle bieten mittelständischen Unternehmen einen pragmatischen Zugang zu datengetriebener Optimierung. Sie sind transparent, vergleichsweise leicht zu implementieren und liefern robuste Ergebnisse – solange sich das Problem klar strukturieren lässt. Doch nicht jede industrielle Fragestellung lässt sich mit festen Regeln oder wenigen Entscheidungsdimensionen abbilden. Spätestens dann, wenn visuelle Informationen ins Spiel kommen oder kontinuierliche Zielgrößen vorhergesagt werden müssen, stoßen klassische ML-Ansätze an ihre Grenzen. An dieser Stelle beginnt die nächste Schicht der KI-Zwiebel: Deep Learning.
Die zweite Schicht: Deep Learning für visuelle Daten in der Produktion
FOM Hochschule für Oekonomie & Management
Deep Learning basiert auf künstlichen neuronalen Netzen mit vielen hintereinander geschalteten Schichten. Insbesondere sogenannte Convolutional Neural Networks (CNNs) haben sich in der industriellen Praxis bewährt, wenn es darum geht, Bilder zu analysieren, Muster zu erkennen oder Objekte zuverlässig zu klassifizieren. Der entscheidende Unterschied zu klassischen ML-Modellen liegt nicht nur in der Modellkomplexität, sondern in der Fähigkeit, relevante Merkmale selbstständig aus Rohdaten zu extrahieren. Während bei klassischen Verfahren die entscheidenden Einflussgrößen oft manuell definiert werden müssen, lernt ein neuronales Netz diese Merkmale direkt aus den Daten – etwa aus Kamerabildern in einer Produktionslinie.
Gerade in der Fertigung eröffnet das neue Möglichkeiten: visuelle Qualitätskontrolle, Positionsbestimmung, Ausrichtungsaufgaben oder die Erkennung kleinster Abweichungen, die mit regelbasierten Systemen kaum zuverlässig erfassbar wären.
Use Case: Deep Learning in der Getränkeindustrie
FOM Hochschule für Oekonomie & Management
Ein anschauliches Beispiel für den Einsatz von Deep Learning in der Produktion liefert die Getränkeindustrie. Im Zuge ambitionierter Nachhaltigkeitsziele ersetzte ein großer europäischer Brauereikonzern die herkömmliche Schrumpffolie für Sixpacks durch eine innovative Lösung mit Klebepunkten. Die Dosen werden nicht mehr eingeschweißt, sondern punktuell miteinander verbunden, wodurch jährlich erhebliche Mengen Kunststoff eingespart werden können.
Damit diese Verpackungslösung nicht nur nachhaltig, sondern auch markentauglich ist, musste eine zentrale Herausforderung gelöst werden: Die auf den einzelnen Dosen aufgedruckten Logos sollen im Sixpack gemeinsam eine durchgehende, gut lesbare Markenfläche bilden – sowohl auf der Vorder- als auch auf der Rückseite. Voraussetzung dafür ist, dass jede einzelne Dose vor dem Verkleben exakt ausgerichtet wird.
Ein klassischer Entscheidungsbaum oder ein regelbasiertes System wären hierfür ungeeignet. Die Aufgabe ist weder binär noch diskret. Stattdessen muss für jede Dose individuell bestimmt werden, um wie viele Grad sie rotiert werden muss, um an der vorgesehenen Position im Gebinde korrekt zu stehen. Die Zielgröße ist damit kontinuierlich und umfasst den gesamten Rotationsbereich von 0 bis 359 Grad.
Die Lösung basiert auf einem Deep-Learning-Modell mit CNNs. Kameras erfassen inline die aktuelle Orientierung jeder einzelnen Dose auf dem Förderband. Das neuronale Netz verarbeitet das Bild und erzeugt in der Ausgabeschicht eine fein aufgelöste Rotationsvorhersage: 360 Ausgabeneuronen repräsentieren die möglichen Drehwinkel. Aus der Differenz zwischen Ist- und Soll-Position ergibt sich unmittelbar die notwendige Rotationsbewegung, die anschließend automatisiert umgesetzt wird.
Das System arbeitet robust gegenüber wechselnden Lichtverhältnissen, Druckabweichungen oder leichten Verschmutzungen und ist für hohe Liniengeschwindigkeiten ausgelegt. Gleichzeitig ermöglicht es eine erhebliche Reduktion von Verpackungsmaterial und Energieeinsatz – ein Beispiel dafür, wie Deep Learning nicht nur Effizienz, sondern auch Nachhaltigkeit in der Produktion unterstützt. Dieser Anwendungsfall verdeutlicht: Deep Learning kommt dort zum Einsatz, wo klassische ML-Methoden an ihre strukturellen Grenzen stoßen – nicht aus technischer Spielerei, sondern aus funktionaler Notwendigkeit.
Integration von Deep Learning im Mittelstand
Der Einsatz von Deep Learning wird häufig mit hohen Einstiegshürden assoziiert. In der Praxis zeigt sich jedoch, dass sich auch diese Technologie schrittweise und kontrolliert in mittelständische Strukturen integrieren lässt. Entscheidend sind dabei weniger spektakuläre Modelle als vielmehr ein sauberes Gesamtkonzept.
Zentrale Erfolgsfaktoren sind qualitativ hochwertige Daten, eine stabile Infrastruktur sowie die enge Verzahnung von Fachwissen und Datenkompetenz. Viele Deep-Learning-Anwendungen in der Produktion lassen sich heute direkt an der Linie realisieren – etwa über Edge-Systeme, die Kameradaten lokal verarbeiten und nur aggregierte Ergebnisse weitergeben. Ein bewährter Ansatz besteht darin, mit klar abgegrenzten Pilotprojekten zu starten. Diese liefern nicht nur technische Erkenntnisse, sondern schaffen auch Akzeptanz bei den Mitarbeitenden. Transparente Zielsetzungen, nachvollziehbare Ergebnisse und eine enge Einbindung der operativen Teams sind entscheidend dafür, dass Deep Learning nicht als Black Box wahrgenommen wird, sondern als unterstützendes Werkzeug im Produktionsalltag.
Use Case: Deep Learning in der Lackprüfung der Automobilproduktion
Die automatisierte Prüfung lackierter Oberflächen zählt zu einer der anspruchsvollen Aufgaben der visuellen Qualitätskontrolle in der Automobilproduktion. Glänzende Lacke, feine Texturen und wechselnde Reflexionen erschweren eine objektive Beurteilung mit klassischen, regelbasierten Methoden. Gleichzeitig bestehen höchste Anforderungen an Konsistenz und Reproduzierbarkeit, was die Lackprüfung zu einem idealen und zentralen Anwendungsfeld für Deep-Learning-basierte Bildauswertung macht.
Deep-Learning-Ansätze, insbesondere CNNs, lernen relevante visuelle Merkmale direkt aus den Bilddaten. Anhand vieler annotierter Beispiele lernt das System, welche visuellen Merkmale für bestimmte, bekannte Defektarten charakteristisch sind und wie sich diese von fehlerfreien Oberflächen unterscheiden. Dies macht die Ergebnisse robuster gegenüber leichten Variationen in Beleuchtung, Farbe oder Oberflächenstruktur. In der Praxis können solche Modelle Defekte nicht nur klassifizieren, sondern auch räumlich zuordnen, indem betroffene Bereiche pixelgenau segmentiert oder – zur Visualisierung – in Form von Heatmaps hervorgehoben werden.
Die größte Herausforderung in der Praxis liegt oft in der Bereitstellung ausreichender, qualitativ hochwertiger und annotierter Trainingsdaten. Um den Aufwand zu minimieren, wird in der Industrie häufig auf sogenannte Transfer-Learning-Ansätze zurückgegriffen. Dabei wird ein an Millionen von allgemeinen Bildern vortrainiertes Netzwerk an die spezifische Aufgabe der Lackprüfung angepasst, indem nur die letzten Schichten neu trainiert werden. Als Ergänzung dazu gewinnen synthetische Daten, generiert durch Methoden wie Generative Adversarial Networks (GANs) oder aus CAD-Modellen, an Bedeutung, um seltene Defekte künstlich zu erzeugen und so die Datenbasis zu erweitern. Je nach Zielsetzung und Datenlage lassen sich in der automatisierten Lackprüfung unterschiedliche Deep-Learning-Ansätze unterscheiden. Bei der Defektklassifikation wird das Modell darauf trainiert, spezifische, bekannte Defektarten wie Lackeinschlüsse, Krater oder Läufer gezielt zu erkennen und zu unterscheiden. Grundlage hierfür sind umfangreiche, gekennzeichnete Trainingsdaten. Die Anomalieerkennung verfolgt einen ergänzenden Ansatz. Hier lernt das Modell primär das Erscheinungsbild fehlerfreier Lackoberflächen. Abweichungen vom gelernten Normalzustand werden als Auffälligkeiten markiert, ohne sie zwingend einer konkreten Defektklasse zuzuordnen. Dieser Ansatz eignet sich besonders, wenn Defekte selten sind, stark variieren oder nicht vollständig katalogisiert werden können. In industriellen Anwendungen werden beide Methoden häufig kombiniert, um sowohl bekannte Fehler gezielt zu identifizieren als auch bislang unbekannte Abweichungen frühzeitig zu erkennen. In der industriellen Umsetzung werden Deep-Learning-Systeme schrittweise in bestehende Produktionsprozesse integriert. Die Bildaufnahme erfolgt entweder inline, also direkt im Produktionsfluss, oder near-line an separaten Prüfstationen. Die Leistungsfähigkeit des Gesamtsystems hängt dabei nicht allein vom neuronalen Netzwerk ab, sondern maßgeblich von einer geeigneten Sensor- und Beleuchtungsauslegung. Insbesondere bei glänzenden Lackoberflächen spielen reproduzierbare Lichtverhältnisse, oft mittels Deflektometrie-Systemen, eine zentrale Rolle, um relevante Strukturen sichtbar zu machen. Dies wird oft durch Kooperationen mit Forschungseinrichtungen adressiert, um effiziente Lösungen zu entwickeln.
In vielen Fällen dienen Deep-Learning-basierte Systeme zunächst als Assistenz für bestehende Sichtprüfungen. Menschliche Prüfer bleiben eingebunden, man spricht hier vom sogenannten „Human in the Loop“- oder „Mensch in der Schleife“-Prinzip. Prüfer profitieren von konsistenter Vorbewertung und objektiven Hinweisen durch die KI, was die Fehlererkennungsrate erhöht und gleichzeitig die Mitarbeiter entlastet. Mit zunehmender Reife können solche Systeme stärker in den Prozess eingebunden werden, etwa zur automatisierten Ausschleusung von Bauteilen oder zur systematischen Erfassung von Qualitätskennzahlen. Damit wird deutlich, dass Deep Learning in der Lage ist, komplexe industrielle Herausforderungen zu lösen, wo klassische Methoden an ihre Grenzen stoßen, und so maßgeblich zu Effizienz und Nachhaltigkeit in der Produktion beiträgt.
Fazit und Ausblick auf Teil 3
Deep Learning markiert eine wichtige Erweiterung des Werkzeugkastens Künstlicher Intelligenz in der industriellen Praxis. Während klassische Machine-Learning-Modelle einen hervorragenden Einstieg bieten, eröffnen neuronale Netze dort neue Möglichkeiten, wo visuelle Daten, komplexe Muster oder kontinuierliche Zielgrößen eine Rolle spielen.
Der Blick auf die KI-Zwiebel zeigt: Nicht jede Anwendung erfordert den Sprung ins Zentrum. Doch wenn die Anforderungen steigen, lohnt es sich, eine Schicht tiefer zu gehen – mit klarer Zielsetzung, realistischen Erwartungen und einem starken Praxisbezug.
Im nächsten Teil dieser Serie wird dieser Weg konsequent fortgesetzt. Dann geht es um Deep Learning in der Klassifikation komplexer visueller Daten, etwa in der Landwirtschaft, und darüber hinaus um moderne Architekturen, welche über klassische neuronale Netze hinausgehen.
Weitere Informationen:
Prof. Dr. rer. nat. Alexander Lutz: Alexander_Maximilian.Lutz@fom.de
Prof. Dr. rer. nat. Manuel Mayer: manuel.mayer@fom.de
Prof. Dr. Ing. Peter Vatter: Peter.Vatter@fom.de
FOM Hochschule für Oekonomie & Management gemeinnützige Gesellschaft mbH
Internet: https://www.fom.de
