KI-Qualitätskontrolle: Was automatisierte visuelle Inspektion wirklich erfordert
Ein 3,5-monatiger Pilot machte aus bereits vorhandenen Fotos ein prüfbares Qualitätssignal und zeigte, was zuverlässige automatisierte visuelle Inspektion kosten würde.
Die Ausgangslage
Das Unternehmen betreibt Reinigungsleistungen für Carsharing-Flotten in mehreren europäischen Ländern und arbeitet mit einem grossen Netzwerk freier Mitarbeitender. Nach der Reinigung jedes Fahrzeugs mussten die Mitarbeitenden das fertige Fahrzeug fotografieren. Die Fotos wurden gespeichert, aber nie systematisch geprüft: Eine manuelle Prüfung hätte bedeutet, dass Vorgesetzte täglich Hunderte oder Tausende Bilder kontrollieren.
Wenn Qualitätsprobleme auftraten, wurden sie meistens durch Kundenbeschwerden oder gelegentliche Einzelprüfungen entdeckt. Die Frage war, ob ein KI-System die Fotos prüfen und schlechte Arbeit erkennen konnte, bevor die Person den Auftrag abschloss.
Die Herausforderung
Die Schwierigkeit lag nicht in der Bildverarbeitung. Entscheidend war, ob ein Modell unter echten Bedingungen zuverlässig den Schmutz erkennen konnte, der wirklich relevant war: verschiedene Fahrzeugwinkel, Tag und Nacht, Winter und Sommer und alle Lichtverhältnisse dazwischen. Meist ging es nicht um offensichtlich schmutzige Fahrzeuge, sondern um kleine Stellen, die übersehen worden waren.
Kein öffentliches Dataset passte ausreichend. Automotive-Datasets decken Fahrzeuge, Schäden, Dellen und Kratzer ab – nicht subtile Reinigungsqualität. Deshalb musste das Dataset aus den eigenen Bildern des Unternehmens aufgebaut und beschriftet werden.
Wir testeten drei Ansätze. Allgemeine generative Vision-Modelle wurden innerhalb von etwa einer Woche ausgeschlossen, weil dasselbe Bild in verschiedenen Durchläufen unterschiedlich bewertet werden konnte. Das ist für Qualitätskontrolle ungeeignet. Ein verwalteter Computer-Vision-Dienst auf Microsoft Azure war deterministischer, aber seine rechteckigen Bounding Boxes bildeten unregelmässige Schmutzflächen schlecht ab. Das Modell konnte ein Fahrzeugteil wie die hintere Stossstange mit Schmutz verbinden, statt die Form der verschmutzten Fläche selbst zu lernen.
Ein eigenes YOLO-basiertes Modell in Roboflow erlaubte die Beschriftung von Schmutz mit Polygonen. Es bot die nötige Kontrolle und domänenspezifische Genauigkeit, erforderte aber deutlich mehr Arbeit an Dataset-Aufbau, Beschriftung, Prüfung und Iteration.
Diese Abwägung war das Ergebnis.
Was wir gebaut haben
Wir bauten eine Vision-Pipeline über den Fotos, die die Mitarbeitenden ohnehin aufnahmen. Zuerst wurde jedes Bild nach Fahrzeugwinkel klassifiziert. So wusste das System, welchen Teil des Fahrzeugs es prüfte, und das Management konnte sehen, ob alle geforderten Winkel aufgenommen worden waren. Danach folgte eine zweite KI-Vision-Stufe für sichtbaren Schmutz und übersehene Bereiche.
Das Dataset bestand aus historischen Unternehmensbildern, die manuell geprüft und mit Unterstützung der automatischen Beschriftung gelabelt wurden. Es wurde über Winkel, Jahreszeiten, Lichtverhältnisse und Reinigungssituationen ausbalanciert. Während des Piloten lief die Inferenz auf eigener Cloud-Infrastruktur statt auf dem gehosteten Roboflow-Dienst, damit Durchsatz und Kosten kontrollierbar blieben.
Zusätzlich bauten wir ein Management-Dashboard für Reinigungsaktivitäten nach Standort und Mitarbeitenden. Das Management konnte den vorherigen Tag, die Woche oder einen eigenen Zeitraum prüfen, den Anteil markierter Fahrzeuge vergleichen und Unterschiede zwischen Mitarbeitenden sehen. Ein mobiles Formular ersetzte die Tabelle, die bei der Prüfung neuer Mitarbeitender verwendet worden war.
Prozessdiagramm
Aktueller Stand
Der Pilot lief mehrere Monate. Er zeigte, dass die vorhandenen Fotos in ein nutzbares Qualitätssignal verwandelt werden konnten. Spätere Modellversionen lieferten Ergebnisse, mit denen das Management arbeiten konnte. Gleichzeitig wurde sichtbar, wie viele domänenspezifische Daten, Beschriftungen und weitere Verbesserungen für einen zuverlässigen Produktionseinsatz nötig wären.
Die Winkelklassifikation erwies sich im Pilot als zuverlässig. Die Schmutzerkennung benötigte weitere beschriftete Beispiele. Deshalb pausierte der Kunde die Weiterentwicklung, während er die Investition gegen den operativen Nutzen abwog.
Nächste Referenz
Recherche, die sich selbst aktualisiert. Urteilsvermögen, das es nicht tut.
Bereit für bessere Geschäftsergebnisse mit KI-Automatisierung?
Buchen Sie ein 30-minütiges Operations-Review. Wir schauen gemeinsam, wo manuelle Arbeit Ihren Betrieb bremst und ob es eine konkrete Möglichkeit gibt, Kapazität zu schaffen.
Operations-Review buchenSwiss precision. Valley speed.