Wenn wir über Fertigung sprechen, begegnen uns in der Qualitätssicherung dieselben Herausforderungen: ermüdete Mitarbeiter, unentdeckte Defekte, späte Fehlererkennung und lange Einarbeitungsprozesse. Das menschliche Auge ist ein faszinierendes Organ, für die moderne Industrie aber schlichtweg zu limitiert: Wir sehen nur 380 bis 750 nm des elektromagnetischen Spektrums. Doch was wäre, wenn wir diesen Bereich erweitern könnten? Hyperspektrale künstliche Intelligenz (KI) erweitert diesen Bereich auf bis zu 15.000 nm. Die aus der Raumfahrt stammende Technologie detektiert industrielle Defekte, die für uns unsichtbar sind, in Echtzeit.
Um das Potenzial zu verstehen, müssen wir die Stufen der optischen Inspektion. Der visuelle Bereich deckt Oberflächen- und Strukturfehler ab. Im Infrarotbereich werden thermische Signaturen und Anomalien bis zu 0,01 Grad Celsius sichtbar – ideal, um kalte Lötstellen auf bestromten Leiterplatten zu identifizieren. Multispektral arbeiten wir mit vier bis acht Bildebenen. So trennt eine Kamera beim Sortieren von Walnüssen Kern und Schale über Absorptionskurven und stellt sie in Falschfarben dar. Die Königsklasse ist die hyperspektrale Inspektion: bis zu 154 Bildebenen, mehr als 300-mal pro Sekunde. Bei Fleisch und Lebensmitteln ermöglicht uns dies, nicht nur Fremdkörper wie Kunststoffe zu finden, sondern sie exakt zu bestimmen – etwa Polyvinylchlorid (PVC) vom Förderband, Polypropylen (PP) von der Transportbox oder Polycarbonat (PC) von der Schutzbrille. Auch Haare, Insekten und Holzspäne lassen sich zurückverfolgen.
Bei Gestalt Automation verfolgen wir einen pragmatischen Ansatz: KI muss sich wirtschaftlich und technologisch messen lassen. Für klare Ja-Nein-Entscheidungen starten wir mit regelbasierter Bildverarbeitung, da KI bei Taktzeiten von wenigen Millisekunden oft zu langsam ist. Darüber legen wir eine Anomalieerkennung mittels Few-Shot-Learning (FSL). Das Geniale daran ist, dass wir kein Hardcore-Training mit tausenden Bildern benötigen. Mit vier bis fünf Gutmustern lernt das System den Soll-Zustand und erkennt kleinste Abweichungen. Erst bei genügend Bildmaterial setzen wir Deep-Learning (DL) mit neuronalen Netzen ein, um Fehlerklassen wie Kratzer oder Dellen zu kategorisieren.
Die Anwendungsbeispiele erstrecken sich über sämtliche Industrien ohne jede Limitierung. In der Pharmaindustrie unterscheiden wir Paracetamol, Aspirin oder Ibuprofen anhand chemischer Absorptionskurven und kontrollieren durch dünne Blisterverpackungen, ob ein falsches Medikament in die Schachtel gelangt ist. In der Lebensmittelbranche prüfen wir Siegelnähte von Wurstverpackungen bei 1.450 nmn auf Fett-, Feuchtigkeits- oder Papierreste, die den Verschluss gefährden. Bei Brennstoffzellen detektieren wir Ölreste bei 3.300 nmn und differenzieren sie nach Ölsorten. In der Stahlindustrie scannen wir glühendes Metall in Echtzeit auf Restwasser oder Fremdmetalle.
Die Technologie kann auch makroskopische Dimensionen annehmen. Für die Schieneninfrastruktur haben wir ein System entwickelt, bei dem ein kompletter Intercity-Express (ICE) der Deutschen Bahn durch ein Tor mit 32 Kameras. Das System vergleicht den Zug mit dem digitalen Gutzustand und meldet Anomalien an Bremsscheiben oder Hochvoltkomponenten an den Leitstand. Noch einen Schritt weiter gehen wir in der Luftfahrt in einem Projekt für Qatar Airways. Hier konzipieren wir die vollautomatische Inspektion einer Boeing 777. Durch die Sensorfusion von hochauflösenden visuellen Kameras, einem präzisen 3D-Scan, hyperspektraler Materialidentifikation und Infrarot-Thermografie erstellt einen digitalen Zwilling (DZ). So sinkt die Inspektionszeit von 24 Stunden um über 70 Prozent; Fahrerlose Transportsysteme (FTS) und Roboterarme erfassen schwer zugängliche Bereiche.
Früher scheiterte die Einführung an den Kosten hyperspektraler Kameras von 20.000 bis über 100.000 Euro. Durch Partner mit modernen Sensorchips und speziellen Kristallen werden wir die Hardwarekosten in naher Zukunft auf ein Zehntel senken. Damit wird die Technologie massentauglich. Unsere Projekterfahrung zeigt rund 50 Prozent weniger Produktionsausschuss und 20 Prozent höhere Gesamtqualität. Bei einem Return-on-Invest (ROI) von sechs bis zwölf Monaten amortisieren sich die Systeme schnell, da sie das Risiko von kostspieligen Reklamationen und Rückrufen drastisch minimieren. Hyperspektrale KI ist bereit, die industrielle Qualitätskontrolle neu zu definieren.
