Der größte Feind für KI in der Bildverarbeitung: Die Physik

Wie Objektgeometrie, Materialeigenschaften und Beleuchtung automatisierte Inspektionen beeinflussen

In diesem Beitrag beschäftigen wir uns mit der Frage, wie stark die geometrischen und optischen Eigenschaften des zu prüfenden Objekts die Auslegung eines Machine-Vision-Systems bestimmen – also mit dem Substrat, auf dem die Merkmale erscheinen.

In der Praxis entscheidet sich oft genau hier, ob eine Inspektion robust funktioniert oder an grundlegender Physik scheitert.

Wie die Geometrie eines Objekts die Leistung der Bildverarbeitung beeinflusst

Geometrie des Substrats: flach, gerippt, gekrümmt

Die Geometrie des Objekts spielt eine zentrale Rolle:

Flache, ebene Oberflächen lassen sich in der Regel mit klassischen Aufbauvarianten (koaxial, Dome, Flächenbeleuchtung) vergleichsweise einfach abbilden.
Gerippte, strukturierte oder gefräste Oberflächen erzeugen je nach Beleuchtungsrichtung starke Intensitätsunterschiede, die Defektkontraste überdecken oder imitieren können.
Gekrümmte oder stark dreidimensional geformte Teile führen zu stark variierenden Einfalls- und Reflexionswinkeln, was lokale Überbelichtungen und Schattenbildung verursacht.

All das hat direkte Auswirkungen auf die Platzierung von Kamera und Beleuchtung.

Die besten Beleuchtungsstrategien für unterschiedliche Oberflächen

Bei ebenen Flächen kann die optische Achse oft nahezu senkrecht auf das Objekt ausgerichtet werden. Die Beleuchtung sollte dann so gewählt, dass bestimmte reflektierende oder diffuse Anteile betont werden (z. B. koaxiale oder Dome-Beleuchtung).
Bei gerippten Strukturen ist oft eine Kombination mehrerer Beleuchtungsrichtungen sinnvoll, um richtungsabhängige Effekte zu minimieren. Alternativ kann eine gezielt schräge Beleuchtung bestimmte Kanten hervorheben und andere unterdrücken.
Bei gekrümmten Teilen ist eine punktförmige Lichtquelle fast immer problematisch. Große, möglichst umschließende Lichtquellen (Dome, große Flächenleuchten, Ringlichter mit großem Durchmesser) oder mehrere bzw. bewegte Beleuchtungspositionen sind in der Regel robuster.

Gerade für KI-Anwendungen sollte vermieden werden, dass rein geometriebedingte Artefakte (z. B. Hotspots auf gekrümmten Bereichen) als Defekte erlernt werden. Ein geometriebewusstes Beleuchtungskonzept ist daher essenziell.

Optische Eigenschaften: matt, reflektierend, transparent

Neben der Geometrie bestimmen die optischen Eigenschaften des Substrats den Weg des Lichts:

Matte, diffus reflektierende Oberflächen streuen Licht weitgehend unabhängig vom Einfallswinkel. Kontrast entsteht hauptsächlich durch Unterschiede im Reflexionsgrad.
Reflektierende, glänzende Oberflächen folgen dem Reflexionsgesetz stärker. Kleine Winkeländerungen können große Intensitätsunterschiede verursachen.
Transparente oder transluzente Materialien bringen zusätzlich Transmission, Brechung und Volumenstreuung ins Spiel.

All das hat direkten Einfluss auf die Wahl der Beleuchtung:

Glänzende Oberfläche

Gebürstete Oberfläche

Matte Oberfläche

Auswahl der perfekten Beleuchtung für unterschiedliche Materialien

Matte Oberflächen: Ziel ist eine homogene, stabile Beleuchtung mit hohem Signal-Rausch-Verhältnis. Flächenleuchten, Diffusoren und ggf. Polarisationsfilter auf Lichtquelle und Objektiv helfen Restreflexe zu reduzieren.
Glänzende Oberflächen: Hier muss bewusst entschieden werden, ob die spiegelnde Komponente genutzt oder unterdrückt werden soll. Koaxiale Beleuchtung eignet sich, um plane, spiegelähnliche Flächen gleichmäßig hell darzustellen, während Defekte (Kratzer, Rückstände) Kontrast erzeugen. Flatpanel- oder Dunkelfeldbeleuchtung betonen dagegen Kanten, Kratzer und topografische Defekte.
Transparente / transluzente Oberflächen: Durchlichtaufbauten sind oft sinnvoll, um Kanten und Inhomogenitäten sichtbar zu machen. Bei Oberflächendefekten hilft schräge oder koaxiale Beleuchtung, eventuell kombiniert mit Polarisation, um störende Reflexionen aus der Umgebung zu kontrollieren.

Die Kameraposition ist eng mit den Materialeigenschaften verknüpft: Wird die spiegelnde Reflexion gezielt genutzt, sollte die Kamera in Reflexionsrichtung platziert werden. Ist Reflexion dagegen unerwünscht, wird die Optik bewusst aus diesen Winkeln herausgedreht

Homogenität vs. Variabilität: Rost, Alterung und Umwelteinflüsse

Besonders herausfordernd sind Szenarien, in denen das Substrat selbst stark variiert – entweder lokal innerhalb des Objekts oder global zwischen verschiedenen Objekten. Typische Beispiele hierfür sind:

Rost auf im Freien gelagerten Metallteilen
Verwitterte Bahnschwellen
Oberflächen, die durch Schmutz, Feuchtigkeit oder biologische Einflüsse verändert wurden

Hier überlagern sich mehrere Effekte:

Geometrische Veränderungen (Abplatzungen, Aufrauung, Verschleiß)
Optische Veränderungen (Farbverschiebungen, veränderte Rauheit und damit Reflexionseigenschaften)
Teilweise starke Inhomogenität sowohl innerhalb eines einzelnen Objekts als auch zwischen verschiedenen Exemplaren

Warum eine konsistente Beleuchtung für KI-Modelle entscheidend ist

"Ideale Referenzbilder" mit perfekter Homogenität sind praktisch unmöglich. Der Aufbau muss stattdessen möglichst robust gegenüber diesen Variationen sein.
Große, diffuse Lichtquellen (Dome, große Flächenleuchten) helfen, lokale Extremreflexionen zu vermeiden und mikroskopisch kleine Rauheiten zu mitteln.
Ein sorgfältig gewählter Einfallswinkel kann sicherstellen, dass raue, korrodierte Strukturen sichtbar bleiben, ohne dass jeder Rostfleck das Bild dominiert, wenn eigentlich andere Defekte (z. B. Risse oder strukturelle Schäden) im Fokus stehen.

Auch die zeitliche Stabilität spielt eine Rolle:

Systeme im Freien sind wechselnden Lichtverhältnissen, Schmutz und Feuchtigkeit ausgesetzt.
Abschirmung gegen Umgebungslicht, robuste, gekapselte Beleuchtungseinheiten und regelmäßige Rekalibrierung (ggf. mit Referenztargets) sind entscheidend.

KI-Modelle profitieren stark davon, wenn die Beleuchtung die normale Variabilität des Substrats konsistent abbildet, damit echte Anomalien trotz stark wechselnder Oberflächenbedingungen zuverlässig erkannt werden können.

Anordnung von Kamera und Beleuchtung: Die wichtigste Entscheidung beim Systemdesign

Alle vorgenannten Aspekte laufen in einer zentralen Entscheidung zusammen: der Position von Kamera und Beleuchtung im 3D-Raum.
Je nach Oberfläche und Art des Defekts sind unterschiedliche Konfigurationen notwendig:

On-Axis vs. Off-Axis: Wird das Licht entlang der optischen Achse eingekoppelt (koaxial) oder kommen geneigte Lichtquellen zum Einsatz?
Ring-, Linien-, Flächen- oder Dome-Beleuchtung: Soll das Licht stark gerichtet oder breit verteilt sein?
Statische vs. sequenzielle Aufbauten: Reicht eine Beleuchtungskonfiguration pro Aufnahme, oder werden mehrere Varianten nacheinander benötigt, um unterschiedliche Defekte und Oberflächeneffekte sichtbar zu machen?

Mehrfach Beleuchtung für robuste KI-Inspektion - bessere Daten für bessere Entscheidungen

Bei stark variablen oder komplexen Substraten ist es oft sinnvoll:

die Szene mit mehreren unterschiedlich ausgerichteten Lichtquellen aufzunehmen,
mehrere Bilder mit unterschiedlichen Beleuchtungsaufbauten zu erzeugen (z. B. Kombination aus Dunkelfeld-, koaxialer und Dome-Beleuchtung),
diese Bilder zu einem kombinierten „Beleuchtungsbild“ zu fusionieren (z. B. kanalweise, mittels Max-/Min-Operationen oder gewichteter Mittelung),
und erst dieses abgeleitete Multi-Beleuchtungsbild in das KI-Modell zur Auswertung einzuspielen.

Das macht die Inspektion weniger empfindlich gegenüber lokalen Ausreißern (Hotspots, Schatten) und hilft sowohl klassischen als auch KI-basierten Verfahren, relevante Intensitätsmuster besser von solchen zu trennen, die ausschließlich durch Material- und Beleuchtungseffekte entstehen.

Warum Physikverständnis KI-gestützte Bildverarbeitung entscheidend ist

Eine sorgfältige Analyse der geometrischen und optischen Eigenschaften des Substrats ist daher kein theoretischer Luxus, sondern die Grundlage jeder robusten Bildverarbeitungslösung.

Wer diesen Schritt überspringt und „einfach eine Kamera auswählt“, riskiert,
dass sowohl klassische Algorithmen als auch KI-Modelle ihr volles Potenzial nie ausschöpfen können.

FAQ – Machine vision, AI inspection & illumination

Warum scheitern KI Inspektionssysteme trotz guter Modelle

In vielen Fällen liegt das Problem nicht am Modell, sondern an der Bildqualität. Wenn Beleuchtung, Geometrie und Materialeigenschaften nicht richtig kontrolliert werden, lernt das System instabile oder irrelevante Merkmale. Selbst die beste KI kann schlechte physikalische Bedingungen nicht ausgleichen.

Welche Beleuchtung eignet sich am Besten für Bildverarbeitung?

Es gibt keine universelle Lösung. Die optimale Beleuchtung hängt von der Geometrie und dem Material des Objekts ab. Flache Oberflächen funktionieren oft gut mit koaxialer oder diffuser Beleuchtung, während strukturierte oder gekrümmte Teile in der Regel eine multidirektionale oder großflächige Ausleuchtung erfordern.

Warum sind reflektierende oder glänzende Oberflächen so schwer zu inspizieren?

Weil kleine Änderungen im Winkel große Schwankungen in der Intensität des reflektierten Lichts verursachen können. Das führt zu Blendungen, hellen Flecken und instabilem Kontrast, was sowohl klassische Algorithmen als auch KI-Modelle verwirren kann.

Können mehr Trainingsdaten schlechte Beleuchtungsbedingungen ausgleichen?

Nur begrenzt. Zwar können mehr Daten helfen, aber sie können inkonsistente oder physikalisch mangelhafte Bildaufnahme nicht vollständig kompensieren. Die Verbesserung des Beleuchtungsaufbaus ist oft deutlich effektiver als eine Vergrößerung des Datensatzes.

Wie kann ich mein KI-Inspektionssystem robuster machen?

Konzentrieren Sie sich auf eine konsistente und physikalisch fundierte Bildaufnahme. Verwenden Sie stabile Beleuchtung, reduzieren Sie unerwünschte Reflexionen und gestalten Sie Ihr Setup so, dass es natürliche Variationen von Materialien und Oberflächen berücksichtigt. In vielen Fällen verbessert die Kombination mehrerer Beleuchtungsstrategien die Zuverlässigkeit deutlich.

Ihre KI ist nur so gut wie Ihre Bilder

Wenn Ihr Inspektionssystem mit Fehlalarmen, instabilen Ergebnissen oder schlechter Generalisierung zu kämpfen hat, liegt die Ursache oft im physikalischen Aufbau und nicht im Algorithmus.

Wir helfen Ihnen, Bildverarbeitungssysteme zu entwickeln, die unter realen Bedingungen zuverlässig funktionieren, indem wir Beleuchtung, Kamerapositionierung und Materialverhalten von Anfang an aufeinander abstimmen.

Kontaktieren Sie uns, um Ihre Anwendung zu besprechen und Ihre Inspektion in eine robuste, skalierbare Lösung zu verwandeln.