Automatisierung der Inspektion

— Die Aufrechterhaltung der Sauberkeit von Papiermaschinenbespannungen, z. B. gewebte Trockensiebe, ist entscheidend für eine effiziente Papierproduktion und hohe Produktqualität. Die traditionelle menschliche optische Inspektion während und nach dem Lauf auf der Papiermaschine ist zeitaufwendig und subjektiv. Diese Veröffentlichung stellt einen hybriden Ansatz zur automatisierten, pixelbasierten Verschmutzungserkennung vor, der klassische Bildverarbeitungs-Features mit modernen, aber interpretierbaren Machine-Learning-Algorithmen (Random Forest, XGBoost) kombiniert. Basierend auf nur neun initialen Mikroskop-Aufnahmen wurde durch eine pixelweise Betrachtung und umfassende Feature-Extraktion ein reichhaltiger Datensatz generiert. Die Ergebnisse belegen die deutliche Überlegenheit von ML gegenüber klassischen Schwellenwertverfahren. Insbesondere XGBoost, optimiert für Klassenungleichgewichte und ergänzt durch morphologische Dilatation im Post-Processing, erreichte robuste F1-Scores von über 93%. Entscheidend ist die Eignung des Ansatzes für den On-Premise-Betrieb auf bestehender, CPU-basierter Industrie-Infrastruktur, was Implementierungshürden senkt. Die Studie dient als Potentialanalyse. Sie zeigt, wie dateneffiziente, erklärbare KI (XAI) nicht nur technische Probleme löst, sondern auch schnelle Erkenntnisgewinne ermöglicht. Hierbei wird Erfahrungswissen formalisiert und ein pragmatischer Weg zur digitalen Transformation in der industriellen Qualitätskontrolle aufgezeigt. Die Untersuchung bietet auch Potentiale zu Antworten auf Fachkräftemangel und Kostendruck.