Visuelle Fehlererkennung mit Edge AI auf SCAiLX

Das Projekt auf einen Blick: Videology und Promwad entwickelten gemeinsam eine Demo für die automatisierte visuelle Qualitätsprüfung mit einer einzigen Embedded-Kamera. Ein von Promwad trainiertes YOLOv8-Modell läuft auf der SCAiLX-Plattform von Videology, einem 42 × 42 mm großen System-on-Module mit integrierter NPU und einer typischen Leistungsaufnahme von 2 W. Es erkennt fehlende Bauteile, beschädigte Komponenten und Farbabweichungen auf einer simulierten Fertigungslinie. Die gesamte Verarbeitung erfolgt direkt auf dem Gerät, sodass keine Videodaten an einen Server übertragen werden. Wir trainierten das Modell mit synthetischen Daten, die wir in Blender renderten. So erhielten wir einen annotierten Datensatz für eine Fertigungslinie, die physisch nicht existiert. Besucher der electronica 2026 können gegen das Modell antreten und versuchen, Fehler schneller als die KI zu erkennen.

Herausforderung

Die visuelle Qualitätsprüfung gehört zu den häufigsten Aufgaben der industriellen Bildverarbeitung an Fertigungslinien. Überall dort, wo sich Bauteile auf einem Förderband bewegen, muss eine Kamera innerhalb der kurzen Durchlaufzeit erkennen, ob ein Bauteil vollständig, unbeschädigt und in der richtigen Farbe ist.

Die meisten Systeme übertragen die Videodaten zur Auswertung an einen Server. Die damit verbundenen Kosten steigen mit jedem zusätzlichen Prüfpunkt. Ein einzelner Full-HD-Videostream benötigt bis zu 10 Mbit/s. Ein Werk mit Dutzenden Kameras muss daher in Netzwerkbandbreite, Serverhardware und eine Netzwerkinfrastruktur investieren, die keine Bildverluste zulässt. Zudem verlassen die Produktionsaufnahmen die Fertigungslinie, was viele Hersteller nicht erlauben.

Eine weitere Herausforderung sind die Trainingsdaten. Ein KI-Modell benötigt Tausende annotierte Beispiele für jede Fehlerklasse. Eine laufende Fertigungslinie produziert jedoch überwiegend fehlerfreie Bauteile, und die gezielte Herstellung fehlerhafter Teile verursacht zusätzliche Kosten. Bei dieser Demo kam eine weitere Einschränkung hinzu: Die Fertigungslinie ist simuliert, sodass keinerlei reale Videoaufnahmen davon existieren.

Lösung

Die Demo kombiniert die SCAiLX-Plattform von Videology mit einem Erkennungsmodell, das Promwad speziell für diese Bauteile und Fehlerklassen trainiert hat.

Die Plattform. SCAiLX ist eine modulare Embedded-Vision-Plattform für OEM-Systeme. Sie vereint flexible Kameraintegration, Videobildverarbeitung für zwei Kameras und lokale KI-Inferenz in einem kompakten Modul.

Das Modell. Promwad trainierte ein YOLOv8-Modell zur Erkennung von drei Fehlerklassen: fehlende Bauteile, beschädigte Komponenten und Farbabweichungen. Wir entschieden uns für YOLOv8, da es zu den schnellsten Architekturen zur Objekterkennung gehört und auch bei begrenzter Rechenleistung eine hohe Erkennungsgenauigkeit bietet.

Die Trainingsdaten. Die Fertigungslinie dieser Demo existiert nicht als physische Anlage. Daher standen keine realen Videoaufnahmen für das Training zur Verfügung. Wir renderten die Fertigungslinie in Blender und trainierten das Modell mit den generierten Bildern. Durch das Rendering konnten wir jeden Fehler präzise annotieren und die Beleuchtung, den Kamerawinkel sowie die Häufigkeit der Fehler gezielt steuern. Bei einer realen Fertigungslinie eines Kunden würden wir den Datensatz anhand seiner Bauteile auf dem eigenen Förderband erstellen.

So funktioniert es

• Simulierte Fertigungslinie. Bauteile bewegen sich in festgelegten Zeitabständen an einem stationären Prüfpunkt vorbei. Einige davon sind fehlerhaft. 

• SCAiLX-Kamera. Die Kamera erfasst den Videostream und überträgt die Einzelbilder direkt an die integrierte NPU. Die Videodaten verlassen das Modul nicht. 

• KI-Modell von Promwad. Das YOLOv8-Erkennungsmodell analysiert jedes Einzelbild und gibt für jeden erkannten Fehler die Fehlerklasse und einen Konfidenzwert aus. 

• Ergebnis der Fehlererkennung. Das Bauteil wird auf dem Bildschirm als OK oder FEHLERHAFT gekennzeichnet. Erkannte Fehler werden durch einen Begrenzungsrahmen hervorgehoben. 

Auf der electronica 2026 wird die Demo als Spiel präsentiert. Besucher sehen denselben Videostream wie das KI-Modell und drücken eine Taste, sobald sie einen Fehler entdecken. Die Ergebnisanzeige vergleicht die Leistung des Besuchers mit der des Modells. 

Wichtigste Vorteile und Ergebnisse

Skalierbarkeit und mögliche Anwendungsbereiche

Die Bauteile auf der simulierten Fertigungslinie stehen stellvertretend für beliebige Produkte eines Kunden. Der Ansatz lässt sich an unterschiedliche Produkte anpassen: Ein Hersteller stellt uns seine Produkte und eine Liste der zu erkennenden Fehler zur Verfügung. Wir erstellen den Datensatz und trainieren ein Modell für diese Bauteile. Die SCAiLX-Hardware bleibt dabei unverändert und wird mit dem jeweils angepassten Modell ausgeliefert.

Das Erkennungsmodell kann für neue Fehlerklassen und Betriebsbedingungen erneut trainiert werden. Derselbe Technologie-Stack eignet sich für:

• automatisierte Qualitätsprüfung;

• Überprüfung von Baugruppen und Komponenten;

• Überwachung von Förderlinien;

• Produktsortierung und -klassifizierung.

Die Kombination aus Videologys Bildverarbeitungstechnologie und Promwads Edge AI deckt das Anwendungsspektrum ab, auf das die Partnerschaft ausgerichtet ist: Erkennen, Prüfen, Klassifizieren, Überwachen und Automatisieren.

Weitere Leistungen im Bereich industrielle Bildverarbeitung

• Entwicklung industrieller Bildverarbeitungssysteme: Entdecken Sie unsere Hardware- und Softwareentwicklungsleistungen für die industrielle Bildverarbeitung – von der KI-basierten Fehlererkennung und Qualitätsprüfung bis zur Rückverfolgbarkeit von Bauteilen.

• Training eines neuronalen Netzes zur Personenzählung: Erfahren Sie, wie unsere Ingenieure ein Erkennungsmodell für eine konkrete Aufgabe entwickeln und trainieren – von der Erstellung des Datensatzes bis zur Bereitstellung.

• Konversationelle Edge AI direkt auf dem Gerät: Lesen Sie unsere Fallstudie über die Analyse von Daten mehrerer Kameras und einen lokalen LLM-Agenten, die vollständig auf NXP-Hardware ohne Cloud-Anbindung laufen.