🏭 Visueller Fehlerdetektor — CNN-Qualitätsprüflinie

Die Kerngewichte hier sind fest und handverlesen, nicht durch Gradientenabstieg an gelabelten Fehlerdaten gelernt. Das ist eine bewusste Vereinfachung. Was die Simulation originalgetreu wiedergibt, ist die Forward-Pass-Berechnung, die jedes CNN zur Inferenzzeit durchführt: Faltung → Schwellenwertbildung der Feature-Map → Gruppierung zusammenhängender Komponenten zu Begrenzungsrahmen → Bestehen/Durchfallen-Entscheidung — dieselbe Pipeline, die ein trainiertes Fehlererkennungsnetz durchläuft, nur mit von Hand gewählten statt aus Tausenden gelabelten Teilen gelernten Gewichten.

Jedes Teil beginnt als gebürstete Metall-Basistextur: gerichtetes Rauschen plus eine schwache sinusförmige Maserung. Ein Kratzer wird als dünne, zufällig gewinkelte Linie gezeichnet, deren Pixel entlang eines leicht verwackelten Pfads mit weichem Abfall zu beiden Seiten abgedunkelt werden. Eine Delle ist eine kreisförmige gaußsche Intensitätsvertiefung mit leicht aufgehelltem Rand, die nachahmt, wie Licht die erhöhte Kante einer echten Delle einfängt. Fehlausrichtung wird simuliert, indem der erwartete Rand des Teils auf einer Seite nach innen oder außen verschoben wird, wodurch eine harte Intensitätsdiskontinuität innerhalb des Rahmens entsteht, wo das CNN keine erwartet. Alle drei sind echte pixelgenaue Änderungen am Raster, über das die Faltung tatsächlich läuft.

Nach der Schwellenwertbildung gruppiert die Simulation benachbarte markierte Pixel mittels 4-Konnektivitäts-Flutfüllung (derselbe Kernalgorithmus, der für die Kennzeichnung zusammenhängender Komponenten in echten Computer-Vision-Pipelines verwendet wird) zu zusammenhängenden Komponenten. Komponenten unterhalb einer Mindestpixelzahl werden als Rauschen verworfen. Der Begrenzungsrahmen jeder überlebenden Komponente wird über die vergrößerte Teilansicht gezeichnet, und ihre mittlere Aktivierung fließt direkt in die Bestehen/Durchfallen-Entscheidung und den Konfidenzwert ein — jeder Rahmen auf dem Bildschirm entspricht also einem echten Cluster von schwellenwertbasiertem Faltungsergebnis, keiner dekorativen Überlagerung.

Jedes Teil wird mit einer bekannten Ground Truth erzeugt (ob tatsächlich ein Kratzer, eine Delle oder eine Fehlausrichtung eingefügt wurde) und einem CNN-Urteil (bestanden oder durchgefallen), das rein aus der schwellenwertbasierten Aktivierungskarte abgeleitet wird. Der Vergleich beider erzeugt eine Live-Wahrheitsmatrix: echt positiv (echter Fehler, korrekt durchgefallen), falsch positiv (sauberes Teil, fälschlich durchgefallen), echt negativ (sauberes Teil, korrekt bestanden) und falsch negativ (echter Fehler, übersehen). Die Bestehensquote ist einfach bestanden/gesamt über die laufende Sitzung. Diese Zahlen zu beobachten, während Sie den Empfindlichkeitsregler bewegen, ist dieselbe Übung, die ein Qualitätsingenieur beim Einstellen des Alarmschwellenwerts einer echten Prüflinie durchführt.

Der Wechsel des Erkennungskerns zwischen nur Sobel, nur Laplace und der kombinierten Max-Fusion verändert, welche Aktivierungskarte tatsächlich die Bestehen/Durchfallen-Entscheidung steuert, nicht nur, was angezeigt wird. Bei ausgewähltem „nur Sobel“ rutschen verbeulte Teile häufig als falsch negativ durch, da eine glatte Vertiefung wenig Gradienten erzeugt; bei „nur Laplace“ werden dünne Kratzer oft übersehen, da ihr Krümmungssignal schwach ist. Nur die kombinierte Karte erfasst zuverlässig alle drei Fehlerklassen bei einem einzigen Schwellenwert, was der praktische Grund ist, warum echte Prüf-CNNs viele Faltungskanäle statt eines einzigen, wie gut auch immer abgestimmten, Filters verwenden.