Wie erkennen Makro-Systeme Mikrorisse in Bauteilen, die das menschliche Auge übersieht?

In der Fertigungsindustrie, insbesondere im Automotive-Sektor, ist Ausschuss der grösste Feind der Profitabilität. Oft sind die Ursachen keine groben, offensichtlichen Mängel, sondern unsichtbare Gegner: Mikrorisse, Poren oder feinste Oberflächenfehler, die mit dem blossen Auge nicht zu erkennen sind. Ein einzelnes fehlerhaftes Bauteil kann eine ganze Charge entwerten oder, schlimmer noch, zu kostspieligen Rückrufaktionen führen. Die gängige Reaktion auf dieses Problem ist die Investition in ein automatisiertes optisches Inspektionssystem (AOI). Doch viele Qualitätsmanager stellen frustriert fest, dass die teure neue Kameraanlage nicht die erhoffte Null-Fehler-Quote liefert. Sie produziert Fehlalarme, übersieht kritische Defekte oder liefert inkonsistente Ergebnisse.

Der Grund für dieses Scheitern ist eine fundamentale Fehleinschätzung. Man kauft keine Lösung, man kauft nur ein Werkzeug. Der Erfolg eines AOI-Systems hängt nicht von der Marke des Sensors ab, sondern vom Verständnis der physikalischen Wechselwirkungen zwischen dem Prüfobjekt, der Beleuchtung, der Optik und der Auswertungssoftware. Es ist eine Gleichung mit mehreren Variablen, und nur wenn jede Variable korrekt justiert ist, wird aus der reinen Fehlerdokumentation eine echte Ausschuss-Eliminierung. Die Annahme, eine hochauflösende Kamera allein könne die Komplexität von Lichtreflexionen, Bewegungsunschärfe oder Materialeigenschaften bewältigen, ist der direkte Weg zu unzuverlässigen Ergebnissen und fortlaufendem Ausschuss.

Dieser Artikel bricht mit dem oberflächlichen Ansatz. Statt Systemen präsentieren wir die physikalischen Prinzipien. Wir behandeln die optische Inspektion nicht als Blackbox, sondern als ein lösbares Ingenieurproblem. Anstatt nur zu fragen „Welches System ist das beste?“, stellen wir die entscheidenden Fragen: Warum ist diffuses Licht bei Metallteilen unverzichtbar? Wann ist ein telezentrisches Objektiv einer Makro-Linse überlegen? Und wie unterscheidet ein intelligentes System einen echten Riss von einem harmlosen Staubkorn? Durch die Beantwortung dieser Kernfragen erlangen Sie die Kontrolle zurück und können ein System konfigurieren, das nicht nur Fehler findet, sondern deren Entstehung im Prozess verhindert.

Der folgende Leitfaden führt Sie durch die entscheidenden technischen Aspekte, die über den Erfolg oder Misserfolg Ihrer automatisierten Qualitätskontrolle bestimmen. Jeder Abschnitt widmet sich einer kritischen Variable der Inspektionsgleichung, um Ihnen eine fundierte, lösungsorientierte Entscheidungsgrundlage zu bieten.

Warum diffuses Licht bei reflektierenden Metallteilen über Fehlererkennung entscheidet?

Die Inspektion von reflektierenden oder polierten Metalloberflächen ist eine der grössten Herausforderungen in der AOI. Bei direkter Beleuchtung agiert die Oberfläche wie ein Spiegel: Es entstehen extreme Glanzlichter (Hotspots) und tiefe Schatten. In diesen über- oder unterbelichteten Bereichen ist eine zuverlässige Fehlererkennung unmöglich; feine Kratzer oder Risse werden entweder vom Glanz überstrahlt oder verschwinden im Dunkeln. Das Ergebnis ist eine hohe Zahl an nicht erkannten Fehlern (False Negatives). Die Lösung liegt in der Entkopplung der Beleuchtungsgeometrie von der Oberflächenreflexion. Hier ist diffuses Licht die physikalisch korrekte Antwort.

Anstelle eines gerichteten Lichtstrahls erzeugt eine diffuse Beleuchtung, beispielsweise durch eine Dom- oder eine Flat-Dome-Beleuchtung, ein extrem weiches, schattenfreies Licht aus unzähligen Winkeln. Dies neutralisiert die spiegelnden Eigenschaften des Metalls und sorgt für eine homogene Ausleuchtung der gesamten Oberfläche. Plötzlich werden Defekte nicht mehr durch Reflexionen maskiert, sondern treten als dunkle Signaturen auf einer gleichmässig hellen Fläche hervor. Eine fortschrittliche Methode ist die koaxiale Beleuchtung, bei der das Licht parallel zur optischen Achse der Kamera auf das Objekt gelenkt wird. Diese Technik ist besonders effektiv bei der Erkennung von Mikrorissen.

Systeme wie die von MIRTEC demonstrieren die Überlegenheit dieses Ansatzes. Ihr koaxiales 8-stufiges Beleuchtungssystem wurde speziell entwickelt, um defekte reflektierende Materialien und Mikrorisse zuverlässig zu erkennen. Durch die Kombination verschiedener Beleuchtungswinkel und -arten in einem System können selbst komplex geformte Teile aus allen Richtungen inspiziert werden. Für einen Qualitätsmanager ist die Erkenntnis klar: Bei reflektierenden Teilen ist die Investition in eine fortschrittliche, diffuse Beleuchtungstechnik kein Luxus, sondern die Grundvoraussetzung für eine funktionierende Inspektion.

Wie installiert man Kamerasysteme in High-Speed-Förderbändern ohne Bewegungsunschärfe?

Ein Inspektionssystem ist wertlos, wenn es den Takt der Produktionslinie verlangsamt. Die Herausforderung besteht darin, gestochen scharfe Bilder von Objekten zu erfassen, die sich mit hoher Geschwindigkeit bewegen. Das primäre Problem hierbei ist die Bewegungsunschärfe (Motion Blur). Sie entsteht, wenn sich das Objekt während der Belichtungszeit der Kamera signifikant weiterbewegt. Ein unscharfes Bild macht jede präzise Messung oder Fehlererkennung unmöglich. Die Lösung dieses Problems erfordert eine perfekte Synchronisation von drei Komponenten: extrem kurze Belichtungszeiten, eine hochintensive Blitzbeleuchtung und eine präzise Triggerung.

Anstatt auf Dauerlicht zu setzen, verwendet man eine Stroboskop-Beleuchtung. Diese erzeugt extrem kurze, aber sehr helle Lichtblitze, die die Bewegung des Prüfobjekts „einfrieren“. Die Belichtungszeit der Kamera wird exakt auf die Dauer des Lichtblitzes abgestimmt, oft im Bereich von wenigen Mikrosekunden. Dadurch hat das Objekt keine Zeit, sich während der Aufnahme sichtbar zu bewegen, und das Bild bleibt scharf. Um den exakten Moment der Aufnahme zu bestimmen, wird ein Trigger-Signal verwendet, das meist von einer Lichtschranke oder einem am Förderband montierten Drehencoder stammt. Der Encoder gibt kontinuierlich die exakte Position des Bandes an das System weiter, sodass die Kamera im perfekten Moment auslöst, wenn sich das Bauteil im Sichtfeld befindet.

Für kontinuierliche Prozesse, wie die Inspektion von Endlosmaterial (z. B. Blech- oder Papierbahnen), sind Zeilenkameras die überlegene Technologie. Im Gegensatz zu Flächenkameras, die ein 2D-Bild auf einmal aufnehmen, erfasst eine Zeilenkamera nur eine einzige Linie von Pixeln. Das vollständige Bild wird dann durch die Bewegung des Objekts unter der Kamera Zeile für Zeile zusammengesetzt. Dies eliminiert Bewegungsunschärfe in Bewegungsrichtung vollständig, solange die Zeilenfrequenz der Kamera exakt mit der Geschwindigkeit des Förderbandes synchronisiert ist. Die Kombination aus Zeilenkamera, Encoder-Synchronisation und Stroboskop-Beleuchtung ist die ultimative Lösung für fehlerfreie Inspektionen bei höchsten Geschwindigkeiten.

Die präzise Erfassung des Objekts ist somit keine Frage der Kameraauflösung allein, sondern des intelligenten Zusammenspiels aus Beleuchtungssteuerung und exakter Synchronisation mit der Mechanik der Produktionslinie. Diese Systemintegration ist entscheidend für die Aufrechterhaltung des Produktionstaktes ohne Kompromisse bei der Qualität.

Telezentrische Objektive oder Makro-Linsen: Was garantiert masshaltige Messungen?

Wenn ein AOI-System nicht nur Fehler erkennen, sondern auch präzise Messungen durchführen soll (z. B. den Durchmesser einer Bohrung oder den Abstand zweier Kanten prüfen), wird die Wahl des Objektivs zur kritischsten Entscheidung. Hier stehen sich zwei grundlegend unterschiedliche Technologien gegenüber: herkömmliche Makro-Objektive und telezentrische Objektive. Für einen Laien mag der Unterschied gering erscheinen, doch für die Messintegrität ist er fundamental. Ein Standard-Makro-Objektiv leidet unter perspektivischer Verzeichnung: Objekte, die näher an der Linse sind, erscheinen grösser als solche, die weiter entfernt sind.

Dieser Effekt, den wir vom menschlichen Auge kennen, ist für die Messtechnik fatal. Schon eine minimale Abweichung des Bauteils in der Höhe (z. B. durch eine leichte Verkippung auf dem Förderband) führt zu einer Änderung der wahrgenommenen Grösse und damit zu einem Messfehler. Präzisionsmessungen haben gezeigt, dass bei einem Standardobjektiv bereits eine Positionsänderung des Objekts von nur 1 mm zu einem Messfehler von bis zu 50 µm führen kann. In der Präzisionsfertigung ist ein solcher Fehler inakzeptabel. Hier kommen telezentrische Objektive ins Spiel. Sie sind so konstruiert, dass sie nur Lichtstrahlen erfassen, die parallel zur optischen Achse verlaufen. Dadurch eliminieren sie die perspektivische Verzeichnung vollständig.

Mit einem telezentrischen Objektiv bleibt die Abbildungsgrösse eines Objekts konstant, unabhängig von seinem Abstand zum Objektiv innerhalb des Tiefenschärfebereichs. Derselbe Positionsversatz von 1 mm, der beim Makro-Objektiv einen Fehler von 50 µm verursachte, führt bei einem telezentrischen Objektiv zu einem Fehler von weniger als 1 µm. Diese Eigenschaft macht sie zum einzigen Werkzeug, das eine zuverlässige und wiederholgenaue 2D-Messtechnik ermöglicht. Der Kompromiss liegt im Preis und in der Baugrösse – telezentrische Objektive sind deutlich teurer und grösser als Makro-Linsen. Für den Qualitätsmanager lautet die entscheidende Frage also: „Muss ich nur ’sehen‘ oder muss ich ‚messen‘?“. Wenn Masshaltigkeit eine Anforderung ist, gibt es zur Telezentrie keine Alternative.

Die folgende Tabelle fasst die entscheidenden Unterschiede zusammen und dient als unmissverständliche Entscheidungsgrundlage für jede messtechnische Anwendung, wie sie durch eine detaillierte Analyse der Optik-Eigenschaften gestützt wird.

Das Risiko von „False Positives“ durch Staubkörner auf dem Sensor

Ein perfekt beleuchtetes und scharf abgebildetes Bauteil ist nur die halbe Miete. Die nächste Herausforderung liegt in der Interpretation der Bilddaten: die Unterscheidung zwischen einem echten Defekt und einer harmlosen Anomalie. Einer der häufigsten Gründe für Fehlalarme (False Positives) sind Staub, Schmutzpartikel oder winzige Öltröpfchen, die sich auf dem Bauteil oder dem Kamerasensor befinden. Für eine einfache, schwellenwertbasierte Bildverarbeitungssoftware sieht ein dunkles Staubkorn zunächst genauso aus wie eine Pore oder der Anfang eines Risses. Jeder dieser Fehlalarme erfordert eine manuelle Nachprüfung, was die Effizienz des automatisierten Systems untergräbt und unnötige Kosten verursacht.

Die Reduzierung der „Pseudo-Fehlerrate“, wie sie zum Beispiel durch ein vom Fraunhofer IPA entwickeltes KI-basiertes Bildverarbeitungssystem erreicht wird, ist daher entscheidend. Moderne AOI-Systeme setzen nicht mehr auf simple Algorithmen, sondern auf eine Kombination aus fortschrittlicher Bildvorverarbeitung und künstlicher Intelligenz. Statt nur „hell“ oder „dunkel“ zu klassifizieren, analysieren Deep-Learning-Modelle die Morphologie der erkannten Objekte. Ein Staubkorn ist typischerweise klein, rund und hat scharfe Kanten. Ein Mikroriss hingegen ist linear, oft verzweigt und weist einen weicheren Kantenverlauf auf. Ein neuronales Netz, das mit Tausenden von Bildern von echten Fehlern und Störfaktoren trainiert wurde, kann diese feinen Unterschiede mit hoher Zuverlässigkeit erkennen.

Zusätzlich zur intelligenten Software gibt es technische Massnahmen, um das Problem an der Wurzel zu packen. Die Flat-Field-Correction (FFC) ist eine Kalibrierungsmethode, bei der das System eine Referenzaufnahme einer sauberen, homogenen Fläche macht. Staubpartikel, die fest auf dem Sensor oder der Optik sitzen, werden so digital „herausgerechnet“ und bei den nachfolgenden Inspektionen ignoriert. Eine weitere Strategie ist der Einsatz mehrerer Kameras aus verschiedenen Winkeln. Ein Staubkorn erscheint in allen Ansichten, während ein echter 3D-Defekt wie ein Kratzer je nach Blickwinkel unterschiedlich aussieht. Diese Kreuzvalidierung erhöht die Zuverlässigkeit der Entscheidung erheblich.

Ab welcher Stückzahl amortisiert sich ein automatisiertes optisches Prüfsystem?

Die Frage nach dem Return on Investment (ROI) ist für jeden Qualitätsmanager von zentraler Bedeutung. Die Anschaffung eines AOI-Systems, das von einigen zehntausend bis zu mehreren hunderttausend Euro kosten kann, muss sich wirtschaftlich rechtfertigen lassen. Eine einfache Amortisationsrechnung, die nur die eingesparten Personalkosten für manuelle Sichtprüfer berücksichtigt, greift jedoch zu kurz. Der wahre Wert eines intelligenten AOI-Systems liegt in seiner Fähigkeit, den gesamten Fertigungsprozess zu optimieren und nicht nur fehlerhafte Endprodukte auszusortieren.

Die Amortisation beginnt nicht bei einer festen Stückzahl, sondern an dem Punkt, an dem die Kosten durch Ausschuss, Nacharbeit und Reklamationen die Investitions- und Betriebskosten des Systems übersteigen. Angesichts der Tatsache, dass der globale Markt für automatisierte optische Inspektion im Jahr 2024 bereits 1,2 Milliarden USD erreichte und mit einer jährlichen Wachstumsrate von fast 20 % weiterwächst, wird deutlich, dass die Industrie den ROI zunehmend erkennt. Die entscheidenden Faktoren für eine schnelle Amortisation sind:

• Reduzierung der Ausschussquote: Die direkteste Einsparung. Jedes frühzeitig erkannte fehlerhafte Teil spart die Kosten für weitere Verarbeitungsschritte.
• Vermeidung von Feld-Ausfällen: Die Kosten für einen Rückruf aufgrund eines unentdeckten Mikrorisses können die Kosten des AOI-Systems um ein Vielfaches übersteigen.
• Prozessoptimierung durch Datenanalyse: Dies ist der grösste Hebel. Moderne Systeme wie die 3D-AOI-Systeme von Koh Young speichern die Messergebnisse jedes inspizierten Boards zentral. Dadurch werden wiederkehrende Fehler und negative Trends in der Produktion sichtbar. Man kann gezielt in den Prozess eingreifen, bevor systematische Fehler überhaupt in Serie entstehen.
• Steigerung des Durchsatzes: Die 100%-Kontrolle bei voller Produktionsgeschwindigkeit eliminiert Engpässe, die durch manuelle Stichprobenkontrollen entstehen.

Die Berechnung des ROI ist somit eine multifaktorielle Analyse. Sie muss die „Kosten der schlechten Qualität“ (Cost of Poor Quality) vollständig erfassen. Wenn ein Unternehmen mit hohen Stückzahlen, engen Toleranzen und hohen Folgekosten bei Fehlern konfrontiert ist, amortisiert sich ein AOI-System oft schon innerhalb von 12 bis 24 Monaten – nicht weil es Mitarbeiter ersetzt, sondern weil es systematisch Ausschuss verhindert und die Prozessstabilität erhöht.

Was unterscheidet Infrarot-Reflektografie von UV-Fluoreszenz bei der Materialanalyse?

Die visuelle Inspektion ist auf das für den Menschen sichtbare Lichtspektrum (ca. 400-700 nm) beschränkt. Viele Materialeigenschaften oder Defekte werden jedoch erst in anderen Wellenlängenbereichen sichtbar. Hier eröffnen Techniken wie die Infrarot- (IR) und Ultraviolett- (UV) Bildgebung völlig neue Möglichkeiten. Obwohl beide im „unsichtbaren“ Bereich arbeiten, basieren sie auf fundamental unterschiedlichen physikalischen Prinzipien und detektieren verschiedene Phänomene.

Die Infrarot-Reflektografie oder Thermografie erfasst die von einem Objekt emittierte Wärmestrahlung. Wie der Experte von Maysun Solar in einem Leitfaden erklärt, funktioniert die Infrarotbildgebung, indem sie Temperaturunterschiede visualisiert. Ein Mikroriss in einem Solarmodul oder eine fehlerhafte Schweissnaht an einem Metallteil kann einen veränderten elektrischen Widerstand aufweisen. Unter Last erwärmt sich diese Stelle anders als ihre Umgebung, was als Hotspot im Wärmebild sofort sichtbar wird. IR-Bildgebung detektiert also funktionale, oft wärmebedingte Anomalien, die auf einen strukturellen Defekt hinweisen.

Die Infrarotbildgebung funktioniert durch das Erfassen der von einem Objekt emittierten Wärmestrahlung, wodurch Temperaturunterschiede erkennbar werden, die auf Defekte oder Unregelmässigkeiten hinweisen.

– Maysun Solar GmbH, Inspektions- und Präventionsleitfaden 2024

Die UV-Fluoreszenz hingegen basiert auf der Eigenschaft bestimmter Materialien, bei Bestrahlung mit kurzwelligem UV-Licht selbst Licht in einer längeren, oft sichtbaren Wellenlänge zu emittieren (Fluoreszenz). Diese Technik wird eingesetzt, um Materialien zu erkennen, die diese Eigenschaft besitzen. Beispielsweise können Klebstoffe, Lacke oder Dichtungsmaterialien mit fluoreszierenden Markern versetzt werden. Bei der Inspektion unter UV-Licht leuchten nur die Bereiche, in denen das Material korrekt aufgetragen wurde. Fehlstellen oder Risse in einer Schutzlackierung werden so als dunkle, nicht leuchtende Bereiche sofort sichtbar. UV-Fluoreszenz detektiert also das Vorhandensein oder die Verteilung spezifischer, „markierter“ Substanzen.

Zusammenfassend lässt sich sagen: Infrarot „sieht“ Wärme und damit funktionale Defekte, während UV-Fluoreszenz das Leuchten spezifischer Materialien „sieht“ und damit deren Anwesenheit oder Integrität prüft. Die Wahl der richtigen Methode hängt also direkt davon ab, welche Art von Fehler physikalisch nachgewiesen werden soll.

Bandpass oder Longpass: Welcher Filter isoliert Pigmente am präzisesten?

Die multispektrale Bildgebung, bei der ein Objekt unter verschiedenen, eng definierten Wellenlängen des Lichts betrachtet wird, ist ein extrem leistungsfähiges Werkzeug zur Materialanalyse. Der Schlüssel zu dieser Technik liegt im Einsatz von optischen Filtern. Diese Filter blockieren unerwünschte Anteile des Lichts und lassen nur den für die Analyse relevanten Spektralbereich zum Kamerasensor durch. Die zwei gebräuchlichsten Filtertypen für diese Aufgabe sind Bandpass- und Longpass-Filter, deren Auswahl über die Präzision der Materialidentifikation entscheidet.

Ein Bandpass-Filter lässt nur einen sehr schmalen Wellenlängenbereich passieren und blockiert sowohl kürzere als auch längere Wellenlängen. Er ist die richtige Wahl, wenn die exakte spektrale Signatur eines Materials bekannt ist. Möchte man beispielsweise ein spezifisches rotes Pigment, das sein Reflexionsmaximum bei genau 650 nm hat, von einem anderen roten Pigment mit einem Maximum bei 670 nm unterscheiden, würde man einen Bandpass-Filter mit einer Mittenwellenlänge von 650 nm verwenden. Nur das Licht, das vom Zielpigment reflektiert wird, erreicht den Sensor, wodurch es im Bild stark hervorgehoben wird.

Ein Longpass-Filter hingegen blockiert alle Wellenlängen unterhalb einer bestimmten Grenzwellenlänge und lässt alle längeren Wellenlängen passieren. Er wird oft in Fluoreszenzanwendungen eingesetzt. Wie im vorherigen Kapitel beschrieben, regt UV-Licht (kurze Wellenlänge) ein Material zum Leuchten in einem sichtbaren Bereich (längere Wellenlänge) an. Ein Longpass-Filter, der vor der Kamera platziert wird, blockiert das anregende UV-Licht und lässt nur das emittierte Fluoreszenzlicht passieren. Ohne den Filter würde das intensive Anregungslicht das schwache Fluoreszenzsignal komplett überstrahlen.

Die präzise Auswahl des Filters ist ein systematischer Prozess, der das Wissen über die spektralen Eigenschaften des Materials und das Ziel der Analyse erfordert:

1. Bestimmung des Spektralbereichs: Zuerst muss der relevante Wellenlängenbereich des zu isolierenden Materials (UV, sichtbar, NIR) identifiziert werden.
2. Wahl des Filtertyps: Soll eine spezifische Wellenlänge isoliert werden (Bandpass) oder soll alles unterhalb einer Grenze blockiert werden (Longpass für Fluoreszenz)?
3. Berücksichtigung des Kamerasensors: Für maximale spektrale Auflösung wird ein Monochrom-Sensor bevorzugt, da ein Standard-Farbsensor (RGB-Bayer-Filter) bereits eine interne, breite Filterung vornimmt.
4. Kalibrierung: Das System muss auf die spezifischen Reflexions- oder Emissionseigenschaften des Materials im gewählten Spektralbereich kalibriert werden.

Wie revolutioniert multispektrale Bildgebung die medizinische Diagnostik in deutschen Kliniken?

Die Prinzipien der automatisierten optischen Inspektion, die in der deutschen Industrie zur Perfektion gebracht wurden, finden zunehmend Anwendung in einem der anspruchsvollsten Bereiche überhaupt: der medizinischen Diagnostik. Hier sind die Anforderungen an Präzision und Zuverlässigkeit absolut – ein „False Negative“ kann fatale Folgen haben. Technologien wie die multispektrale Bildgebung, die in der Materialanalyse zur Unterscheidung von Pigmenten eingesetzt wird, revolutionieren hier die Art und Weise, wie Ärzte Gewebe analysieren und Krankheiten diagnostizieren.

Ein klassisches Beispiel ist die Dermatologie bei der Früherkennung von Hautkrebs. Ein bösartiges Melanom unterscheidet sich von einem harmlosen Muttermal durch subtile Unterschiede in der Pigmentverteilung und der Blutgefässstruktur unter der Haut. Für das menschliche Auge sind diese Unterschiede im Frühstadium oft nicht eindeutig zu erkennen. Ein multispektrales Kamerasystem nimmt jedoch Dutzende von Bildern derselben Hautstelle auf, jedes bei einer anderen, exakt definierten Wellenlänge von UV über sichtbar bis Infrarot. Jeder Gewebetyp und jeder Pigmenttyp (z. B. Melanin und Hämoglobin) hat eine einzigartige „spektrale Signatur“, also ein charakteristisches Reflexions- und Absorptionsverhalten über die verschiedenen Wellenlängen.

Die KI-gestützte Software analysiert diesen vieldimensionalen Datenwürfel und kann so die Konzentration und Verteilung der verschiedenen Chromophore im Gewebe quantifizieren. Sie erstellt eine digitale Karte, die Bereiche mit unregelmässiger Pigmentierung oder abnormaler Vaskularisierung präzise hervorhebt – oft lange bevor diese mit blossem Auge sichtbar wären. Dieser Ansatz, der direkt von den Methoden der industriellen Oberflächenanalyse abgeleitet ist, bietet eine objektive, reproduzierbare und hochsensible diagnostische Grundlage. Er transformiert eine subjektive visuelle Einschätzung in eine quantitative, datenbasierte Analyse und hilft deutschen Kliniken, die Genauigkeit der Diagnostik zu erhöhen und unnötige Biopsien zu vermeiden.

Die Übertragung dieser Technologie von der Fabrikhalle in den Operationssaal zeigt eindrücklich die Leistungsfähigkeit eines physikalisch fundierten Ansatzes. Die Fähigkeit, das Unsichtbare sichtbar und messbar zu machen, ist der gemeinsame Nenner, der die Qualitätskontrolle in der Industrie und die Präzisionsdiagnostik in der Medizin vorantreibt.