Ein falsches Ablehnen tritt auf, wenn ein Qualit\u00e4tskontrollsystem ein Teil zur\u00fcckweist, das tats\u00e4chlich den Spezifikationen entspricht. Das Teil ist in Ordnung. Das System sagt jedoch, dass es dies nicht ist.<\/p>\n\n\n\n
Dies unterscheidet sich von einem Falscher Akzeptanz<\/strong> (auch als \u201eEscape\u201c bezeichnet), bei dem ein tats\u00e4chlich defektes Teil die Pr\u00fcfung bestanden hat und zum Kunden geliefert wird. Qualit\u00e4tsteams konzentrieren sich in der Regel stark auf \u201eEscape\u201c-Probleme, da ein Defekt, der an den Kunden gelangt, sichtbar, kostspielig und reputational gesch\u00e4digend ist. Falsche Reaktionen werden viel weniger ber\u00fccksichtigt, obwohl sie in den meisten automatisierten Inspektionssystemen die h\u00e4ufigste Fehlerm\u00f6glichkeit darstellen.<\/strong>.<\/p>\n\n\n\n Die Branche verwendet f\u00fcr das gleiche Problem mehrere \u00fcberschneidende Begriffe:<\/p>\n\n\n\n Was auch immer man das Problem nennt, es geht immer um die gleiche Grundthematik: Produktionskapazit\u00e4ten, Materialien und Arbeitskr\u00e4fte werden daf\u00fcr eingesetzt, ein gutes Produkt herzustellen, und dann wird dieses Teil weggeworfen oder zur manuellen Nachbearbeitung ben\u00f6tigt, weil das Kontrollsystem einen Fehler gemacht hat.<\/p>\n\n\n\n Fehlerhafte Ausschl\u00fcsse werden selten durch eine einzige St\u00f6rung verursacht. Sie entstehen in der Regel durch eine Kombination optischer, mechanischer und logischer Probleme, die sich auf einer Produktionslinie ablagern, die nie mit Maschinenblicktoleranzen in Betracht gezogen wurde.<\/p>\n\n\n\n Beleuchtung und Oberfl\u00e4chenreflexion.<\/strong> Gl\u00e4nzende, reflektierende oder transparente Oberfl\u00e4chen ver\u00e4ndern ihr Erscheinungsbild bereits bei geringen \u00c4nderungen der Umgebungslichtverh\u00e4ltnisse oder der Lichtquelle. Ein traditionelles Visionssystem, das auf eine bestimmte Lichtverh\u00e4ltnisse eingestellt ist, wird denselben guten Bereich eine Stunde sp\u00e4ter anders interpretieren.<\/p>\n\n\n\n Nat\u00fcrliche Produktvariation.<\/strong> Die tats\u00e4chlichen Produktionsmengen variieren: die Oberfl\u00e4chenstruktur, die Farbe, die F\u00fcllungsgrad und die Platzierung der Etiketten. Regelbasierte Systeme behandeln jede Abweichung von einer festen Vorlage als Mangel, selbst wenn diese Abweichung deutlich innerhalb der zul\u00e4ssigen Toleranz liegt.<\/p>\n\n\n\n Sensor- und mechanische Verschiebung.<\/strong> Unstimmigkeiten bei der Kameraposition, der Vibration und der Belichtungszeit bei der Ausl\u00f6se- oder Belichtung reduzieren die Wiederholbarkeit der aufgenommenen Bilder und erh\u00f6hen die Fehlerkennungsraten im Laufe der Zeit.<\/p>\n\n\n\n Strenge, regelbasierte Logik.<\/strong> Dies ist die strukturelle Ursache f\u00fcr die meisten anderen Probleme. Traditionelle Bildverarbeitungssysteme sind mit festen Schwellenwerten programmiert: Messen Sie diese Entfernung, pr\u00fcfen Sie diesen Pixelwert und vergleichen Sie ihn mit einer Vorlage. Regelbasierte Systeme sind besonders anf\u00e4llig f\u00fcr hohe Fehlerraten bei Teilen mit nat\u00fcrlichen Oberfl\u00e4chenver\u00e4nderungen, da Regeln, die darauf ausgelegt sind, spezifische Defektmerkmale zu erkennen, auch legitime Variationen als falsche Alarmmeldung markieren. Das System kann den Unterschied zwischen \u201cdies ist ein Defekt\u201d und \u201cdies ist einfach so, wie gute Teile manchmal aussehen\u201d nicht erkennen, da es nie gen\u00fcgend reale Beispiele vorliegen hat, um diese Unterscheidung zu erlernen.<\/p>\n\n\n\n Produktauswechsel.<\/strong> Jedes Mal, wenn eine Produktvariante ge\u00e4ndert wird, muss ein regelbasiertes System typischerweise von einem Spezialisten neu programmiert und justiert werden. Bis diese Nejustierung stimmt, steigen die falschen Ablehnungsraten sprunghaft an.<\/p>\n\n\n\n Die ehrliche Antwort ist, dass die meisten Hersteller das nicht wissen, da falsche Ablehnungen nur selten als eigene Kennzahl ausgewiesen werden. Sie werden in den Gesamtsummen f\u00fcr Ausschuss, Nacharbeit oder \u201cQualit\u00e4tskosten\u201d zusammengefasst, ohne getrennt ausgewiesen zu werden, was bedeutet, dass die tats\u00e4chliche finanzielle Auswirkung von \u00dcberproduktion fast immer untersch\u00e4tzt wird.<\/p>\n\n\n\n Was die verf\u00fcgbaren Daten uns sagen:<\/p>\n\n\n\n Falsche Ablehnungen f\u00fchren zu Kosten durch mehrere Kan\u00e4le gleichzeitig:<\/p>\n\n\n\n Direkter Materialabfall.<\/strong> Jeder falsch abgelehntes Teil stellt Material, Energie und bereits verbrachte Arbeit dar, wobei kein Wert wiederhergestellt wird.<\/p>\n\n\n\n Verlorenes Durchsatzvolumen.<\/strong> Eine Linie, die gutes Produkt stoppt oder umleitet, arbeitet nicht in ihrer vollen Kapazit\u00e4t, selbst wenn der Produktionsbericht die Linie als \u201caktiv\u201d anzeigt.\u201d<\/p>\n\n\n\n Manuelle Nachbearbeitung und erneute Inspektion.<\/strong> Abgestorbene Teile verschwinden nicht. Jemand oder ein anderer Prozess muss sie \u00fcberpr\u00fcfen, sortieren oder umarbeiten, was die Arbeitskosten erh\u00f6ht, die ein ordnungsgem\u00e4\u00df funktionierendes Kontrollsystem niemals entstehen lassen w\u00fcrde.<\/p>\n\n\n\n Verlust des Vertrauens der Betreiber.<\/strong> Diese Kosten sind schwieriger zu quantifizieren, aber ebenso real. Wenn die Falschabwehrraten hoch sind, beginnen die Betreiber, das Inspektionssystem vollst\u00e4ndig zu umgehen oder zu umgehen \u2013 was den eigentlichen Zweck automatisierter Qualit\u00e4tssicherung \u00fcberhaupt untergr\u00e4bt. Ein System mit einer starken Papiergenauigkeit, der niemand im Betrieb vertraut ist, liefert tats\u00e4chlich keine Qualit\u00e4tssicherung.<\/p>\n\n\n\n Nachfolgende Auswirkungen auf Hochmix-Produktionslinien.<\/strong> Hersteller, die mehrere SKU-Varianten anbieten oder h\u00e4ufig \u00c4nderungen vornehmen, sind besonders anf\u00e4llig, da jeder Wechsel eine neue Gelegenheit darstellt, bei der die Grenzwerte eines regelbasierten Systems nicht mehr richtig funktionieren, bis sie manuell neu eingestellt werden.<\/p>\n\n\n\n Die Senkung der Falsch-Ablehnungsraten h\u00e4ngt von der Verringerung des Unterschieds zwischen dem, was ein Inspektionssystem erwarten sollte, und dem, wie die tats\u00e4chliche Produktion tats\u00e4chlich aussieht. Es gibt drei Faktoren, die entscheidend sind:.<\/p>\n\n\n\n Ein gro\u00dfer Teil der falschen Ablehnungen entsteht bereits in der Bildaufnahmeschritt, bevor eine Entscheidungsschaltung aktiv wird. Stabilisierung der Beleuchtung (diffuse oder Kuppelbeleuchtung zur Reduzierung von Reflexionen), die Kontrolle von st\u00f6rendem Umgebungslicht und die Konsistenz der Kameraposition und des Triggerzeitpunkts reduzieren die anf\u00e4nglich unvermeidliche Variabilit\u00e4t, die das Inspektionssystem interpretieren muss. Dies ist unabh\u00e4ngig von der eingesetzten Inspektionstechnologie von Bedeutung.<\/p>\n\n\n\n Dies ist die strukturelle L\u00f6sung. Eine regelbasierte Regelung kann den Unterschied zwischen einem echten Defekt und akzeptablen nat\u00fcrlichen Variationen nicht erkennen, da nie gezeigt wurde, dass diese Variationen direkt vorhanden sind, sondern nur mit einem statischen Schwellenwert programmiert werden.<\/p>\n\n\n\n Die KI-basierte Inspektion funktioniert anders: Sie lernt die Grenze zwischen Gut und Schlecht anhand realer, gekennzeichneter Beispiele, einschlie\u00dflich der wirklich schwierigen Grenzf\u00e4lle, die die starren Regeln durcheinander bringen. Dieses Prinzip steht im Mittelpunkt der AFSA-Plattform von MarshallAI<\/a>, das auf einem neuen Produkt, einer Defektart oder einer Variante direkt aus Produktionsbildern trainiert werden kann, wobei vollst\u00e4ndige Modelle bereits in weniger als 100 Minuten aus nur 10 Referenzbildern erstellt und bereitgestellt werden k\u00f6nnen.<\/p>\n\n\n\n Diese Geschwindigkeit ist besonders wichtig bei falschen Ablehnungen: Wenn ein Produkt ge\u00e4ndert wird, l\u00e4uft ein System, das Wochen dauern kann, um neu zu programmieren, f\u00fcr Wochen mit erh\u00f6htem \u00dcberma\u00df an Arbeit. Ein System, das in weniger als zwei Stunden neu programmiert wird, schlie\u00dft dieses Aussetzungsfenster fast sofort.<\/p>\n\n\n\n Für Hersteller, die mehrere Produktvarianten auf einer gleichen Linie anbieten, verhindert die Möglichkeit, zwischen den SKU-Nummern zu unterscheiden, ohne eine manuelle Neukalibrierung, direkt die überlasteten Anstiege falscher Ablehnungen, die oben beschrieben wurden. Dies war die zentrale Herausforderung, die MarshallAI erfolgreich bewältigt hat. <a href="\/de\/%e2%80%9dhttps%3a\/\/marshallai.com\/taerosol-automatisierte-qa-in-einer-hochmixigen-fertigung\/%e2%80%9d\/">Taerosol<\/a>, ein Hersteller von kosmetischen Aerosolen mit hoher Varianz, der häufige Wechsel von Produkten durchlief, wobei starre, regelbasierte Grenzwerte sonst jedes Mal neu angepasst werden müssten, wenn die Produktvariationen in der Linie geändert wurden.<\/p>\n\n\n\n Ein System, das nicht mit der tats\u00e4chlichen Liniengeschwindigkeit arbeiten kann, f\u00fchrt zu eigenen Qualit\u00e4tsproblemen: Teile werden schneller in die Warteschlange gedr\u00e4ngt, als sie inspiziert werden k\u00f6nnen, was den Druck erh\u00f6ht, die Linie entweder zu verlangsamen oder die Grenzwerte zu lockern \u2013 beide Ma\u00dfnahmen f\u00fchren zu direkten Kosten. Die Implementierung von MarshallAI bei einem gro\u00dfen finnischen Getr\u00e4nkehersteller f\u00fchrt zur automatisierten Qualit\u00e4tskontrolle mit 2.000 Dosen pro Minute und einer Genauigkeit von 99,9995 % bei der Erkennung von Fehlprodukten, der \u00dcberpr\u00fcfung der Datumsangabe und der Erkennung von Rissen oder Kratzern \u2013 dies zeigt, dass hohe Liniengeschwindigkeit und ein niedriger Fehleranteil nicht gegenseitig ausschlie\u00dfen, wenn die Pr\u00fcflogik korrekt trainiert wurde.<\/p>\n\n\n\n Die Genauigkeit der Inspektion ist nicht statisch. Proze\u00dfbedingungen \u00e4ndern sich, Materialien wechseln den Lieferanten, und Leuchten verfallen. Die kontinuierliche \u00dcberwachung der Fehlzuweisungs- und Fluchtraten nach der Inbetriebnahme \u2013 und nicht nur w\u00e4hrend der ersten Validierung \u2013 ist der Schl\u00fcssel, um Abweichungen zu erkennen, bevor sie zu einem kostspieligen Ph\u00e4nomen werden.<\/p>\n\n\n\n Fehlerhafte Ausschussraten sind ein kostspieliges und ungen\u00fcgend gemessenes Problem, das sich in den umfassenderen Kosten f\u00fcr Qualit\u00e4t bei den meisten Herstellern verbirgt. Sie resultieren aus einer Kombination aus optischer Ungenauigkeit, tats\u00e4chlichen Produktunterschieden und einer Inspektionlogik, die zu restriktiv ist, um den Unterschied zwischen einem Defekt und einem vollkommen akzeptablen Teil zu erkennen.<\/p>\n\n\n\n Die L\u00f6sung besteht nicht in einer einzelnen Einstellung. Sie besteht darin, die Kluft zwischen dem, was das Inspektionssystem zu erwarten hat, und dem zu realen Produktionsbedingungen entspricht, zu schlie\u00dfen \u2013 genau das, was eine strukturierte, regelbasierte Machine Vision nicht leisten kann und was eine auf realen Daten trainierte KI-basierte Inspektion aus\u00fcbt.<\/p>\n\n\n\n Wenn falsche Ablehnungen als unerkl\u00e4rliche Ausschl\u00fcsse angezeigt werden, verlangsamt sich der Durchsatz oder die Bediener \u00fcberschreiben die Inspektionseinheit stillschweigend, ist das in der Regel ein Anzeichen daf\u00fcr, dass die zugrunde liegende Inspektionlogik, nicht die Produktionslinie, das eigentliche Problem darstellt.<\/p>\n\n\n\n Erfahren Sie, wie die AOI-Plattform von MarshallAI falsche Ablehnungen reduziert<\/a> oder Anfrage nach einer Demo<\/a> um es anhand Ihrer eigenen Produktionsdaten zu bewerten.<\/p>\n\n\n\n Was ist ein falscher Ablehnungsstatus in der Qualit\u00e4tskontrolle im Fertigungsprozess?<\/strong> Ein falscher Ablehnungsstatus entsteht, wenn ein Inspektionssystem ein Produkt mit entsprechenden Eigenschaften falsch als fehlerhaft einstufen und es aus der Produktion entfernen l\u00e4sst. Dies wird auch als \u00dcberpr\u00fcfung \u00fcbertrieben, falscher Positivbefund oder Pseudo-Abfall bezeichnet.<\/p>\n\n\n\n Was ist der Unterschied zwischen einer falschen Ablehnung und einer falschen Annahme?<\/strong> Ein falscher Ablehnen (\u00dcberkill) weist f\u00e4lschlicherweise einen guten Teil zur\u00fcck. Ein falscher Akzeptieren oder Ausweichen verweigert f\u00e4lschlicherweise einen fehlerhaften Teil. Beide f\u00fchren zu tats\u00e4chlichen Kosten, doch sind Ausweichversuche deutlich sichtbarer, da sie den Kunden erreichen, w\u00e4hrend falsche Ablehnungen normalerweise als Abfall oder Nacharbeit unbemerkt absorbiert werden.<\/p>\n\n\n\n Wie berechnen Sie die falsche Ablehnungsrate (FRR)?<\/strong> False Reject Rate ist der Prozentsatz der wirklich guten Teile, die ein Inspektionssystem falsch zur\u00fcckweist, berechnet als die Anzahl der zur\u00fcckgewiesenen guten Teile geteilt durch die Gesamtzahl der inspizierten guten Teile.<\/p>\n\n\n\n Kann KI die Falschabwehrmengen im Vergleich zu herk\u00f6mmlichen Bildverarbeitungssystemen reduzieren?<\/strong> Ja. Die KI-basierte Inspektion lernt die Entscheidungsgrenzen aus realen, gekennzeichneten Produktionsdaten, einschlie\u00dflich Grenzfallbeispielen, anstatt sich auf feste Regeln zu verlassen, die echte M\u00e4ngel von akzeptablen nat\u00fcrlichen Variationen nicht unterscheiden k\u00f6nnen. Dies f\u00fchrt in der Regel zu wesentlich geringeren Fehlerraten bei der Ablehnung als bei regelbasierten Systemen, insbesondere bei Produkten mit Oberfl\u00e4chenver\u00e4nderungen, Textur oder h\u00e4ufigen Modifikationseingriffen.<\/p>\n\n\n\n Welche Branchen sind am st\u00e4rksten von falschen Ablehnungen betroffen?<\/strong> Jedes Produktionsumfeld mit hoher Geschwindigkeit oder einem breiten Spektrum an Produkten ist anf\u00e4llig f\u00fcr St\u00f6rungen, wobei die Kosten am deutlichsten bei der Herstellung von Lebensmitteln und Getr\u00e4nken, Kosmetika, Arzneimitteln und Elektronikwaren zu verzeichnen sind, wo die Produktionsgeschwindigkeit hoch ist und Variationen bei Produkten oder Verpackungen h\u00e4ufig vorkommen.<\/p>\n\n\n\n Quellen: American Society for Quality (ASQ), Institute of Industrial and Systems Engineers (IISE), APQC Open Standards Benchmarking, MDPI Journal of Manufacturing and Materials Processing.<\/em><\/p>","protected":false},"excerpt":{"rendered":" Falsche Ablehnungen (\u00dcberaussteuerung) k\u00f6nnen Herstellern 2-5 % des Produktionswertes kosten. Erfahren Sie, was die hohen Falschabbrechungsraten in der Qualit\u00e4tssicherung f\u00fcr maschinelles Sehen verursacht und wie KI diese reduziert.<\/p>","protected":false},"author":1,"featured_media":1385,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"content-type":"","footnotes":""},"categories":[4],"tags":[82,80,81],"class_list":["post-3129","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-article","tag-false-reject-rate","tag-false-rejects","tag-overkill"],"_links":{"self":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/posts\/3129","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/comments?post=3129"}],"version-history":[{"count":1,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/posts\/3129\/revisions"}],"predecessor-version":[{"id":3130,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/posts\/3129\/revisions\/3130"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/media\/1385"}],"wp:attachment":[{"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/media?parent=3129"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/categories?post=3129"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marshallai.com\/de\/wp-json\/wp\/v2\/tags?post=3129"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\n
Was verursacht falsche Ablehnungen?<\/h2>\n\n\n\n
Wie hoch sind die Kosten f\u00fcr falsche Ablehnungen?<\/h2>\n\n\n\n
\n
So senken Sie Falschverwerfungen<\/h2>\n\n\n\n
1. Korrigieren Sie das, was die Kamera sieht, nicht nur das, was die Software bestimmt.<\/h3>\n\n\n\n
2. Festgestellte Schwellenwerte durch Modelle ersetzen, die auf realen Daten trainiert wurden<\/h3>\n\n\n\n
3. Handeln Sie bei hoher Varianz der Produktion ohne, dass Sie jede \u00c4nderung neu einstellen m\u00fcssen.<\/h3>\n\n\n\n
4. Prozess bei Line-Geschwindigkeit, nicht bei der Geschwindigkeit des falschen Ablehnungs-Backlogs<\/h3>\n\n\n\n
5. \u00dcberwachung w\u00e4hrend der Produktion, nicht nur bei der Bereitstellung<\/h3>\n\n\n\n
Zusammenfassung<\/h2>\n\n\n\n
\n\n\n\nFAQ<\/h2>\n\n\n\n
\n\n\n\n