Moderne Verfahren der visuellen Anomalie- und Fehlerdetektion werden überwiegend anhand von Laboraufnahmen oder stark kontrollierten Bedingungen entwickelt und evaluiert. Untersuchungen, die solche Modelle in realen Instandhaltungsszenarien mit komplexen und dynamischen Einsatzbedingungen betrachten, sind jedoch selten. Die vorliegende Arbeit adressiert diese Lücke, indem aktuelle bildbasierte Lernverfahren in realweltlichen Szenen der industriellen Instandhaltung getestet und hinsichtlich ihrer Einsatzfähigkeit bewertet werden. Im Mittelpunkt steht der Übergang von einer rein framezentrierten hin zu einer umgebungs- und szenenzentrierten Anomalieerkennung, die variierende Hintergründe und Betriebsbedingungen berücksichtigt. Die bislang überwiegend manuellen Inspektionen sollen durch KI-gestützte Verfahren ergänzt werden, um schwer zugängliche Bereiche leichter prüfbar zu machen, Prüfungen häufiger und kosteneffizienter durchzuführen und eine konsistente Bewertungsqualität zu ermöglichen. Zugleich bleibt der Mensch ein wesentlicher Bestandteil des Prüfprozesses, da die hier betrachteten Verfahren vor allem als assistive Unterstützung ausgelegt sind und ihre Anwendung zunächst durch das Prüfpersonal erlernt werden muss. Die Nachvollziehbarkeit der Modelle ist dabei sowohl für eine potenzielle (Teil-)Automatisierung als auch für die juristische und sicherheitsbezogene Zertifizierbarkeit unerlässlich und bildet einen wesentlichen wissenschaftlichen Anspruch dieser Arbeit.