Floatglas-Blasenerkennung: Mikrodefekte inline erkennen

Das echte Ausmaß des Problems

Eine Floatglaslinie läuft kontinuierlich, rund um die Uhr, 330 bis 360 Tage im Jahr. Das Glas bewegt sich mit 100 bis 600 Metern pro Minute aus dem Schmelzofen durch das Zinnbad in den Kühltunnel. In dieser Geschwindigkeit ist eine vollständige manuelle Inspektion physikalisch ausgeschlossen: Das menschliche Auge kann einen Punkt im Band für wenige Hundertstelsekunden fixieren. Eine Blase von 0,3 mm ist dabei nicht erkennbar.

Floatglas-Linien mit industriellem Maßstab produzieren zwischen 600 und mehr als 6.000 Quadratmeter pro Stunde, je nach Bandbreite und Produkttyp. Eine Ausschussquote von 2,5% bei einer mittleren Linie mit 1.500 m²/h bedeutet 37,5 m² verlorenes Material pro Stunde. Bei einem Verkaufspreis von 12 bis 25 Euro pro Quadratmeter für Architekturglas ergibt das direkte Materialverluste von 450 bis 940 Euro pro Stunde, nicht mitgezählt die Folgekosten aus Reklamationen, Pönalen und Imageschäden beim Verarbeiter.

Besonders gravierend ist die zeitliche Entkopplung: Ein Defekt, der im Zinnbad um 03:15 Uhr entsteht, wird nach dem Zuschnitt um 08:30 Uhr erkannt, wenn überhaupt. Der Prozessparameter, der ihn verursacht hat (Schutzgasanteil zu hoch, Temperaturprofil falsch, Zinnoxidation lokal erhöht), ist längst Geschichte. Es gibt keine Information mehr, die eine gezielte Korrektur ermöglichen würde.

Laut Marktanalysen verursachen Defekte in der Floatglas-Produktion branchenweit jährliche Ausschusskosten in einer Größenordnung von mehreren Hundert Millionen Euro. Für individuelle Produzenten liegen die monatlichen Verluste durch unerkannte Inline-Defekte, je nach Linienkapazität und Qualitätsstufe, zwischen 50.000 und 200.000 Euro, konservativ gerechnet und ohne Reklamationsfolgekosten.

Das strukturelle Problem ist nicht mangelnde Sorgfalt, sondern das Fehlen eines Systems, das schnell genug und präzise genug ist, um das Glasband lückenlos zu überwachen.

Mit vs. ohne KI, ein ehrlicher Vergleich

Defekterfassungsrate: Angabe basiert auf publizierten Herstellerdaten (ISRA Vision, Dr. Schenk) und akademischen Studien zur CNN-basierten Glasdefekterkennung. Praxiswerte variieren stark je nach Defektgröße, Glastyp und Kalibrierungsqualität.

Einschätzung auf einen Blick

Zeitersparnis, maximal (5/5) Manuelle Bandinspektion bei 15 m/min Bandgeschwindigkeit ist schlicht nicht möglich, nicht weil es teuer wäre, sondern weil das Auge physikalisch nicht folgen kann. Das Inline-KI-System ersetzt 4–6 Stunden Schichtarbeit je Prüfer vollständig und macht dabei Defekte sichtbar, die manuell prinzipiell nicht erkennbar wären. Kein anderer Anwendungsfall in dieser Kategorie hat einen so absoluten Zeitersparnis-Effekt: Das System schlägt nicht die manuelle Methode auf Effizienz, es macht etwas möglich, das zuvor strukturell unmöglich war.

Kosteneinsparung, maximal (5/5) Bei 50.000 bis 200.000 Euro monatlichen Ausschusskosten je nach Linienkapazität sprechen wir von den größten absoluten Einsparpotenzialen in dieser Kategorie. Selbst wenn das System nur 30–40% der Verluste abfängt (realistischer Wert in den ersten 12 Betriebsmonaten), liegt die jährliche Kostenwirkung deutlich über einer Million Euro für mittlere bis große Linien. Kein anderer Anwendungsfall in dieser Kategorie bewegt ähnliche Summen.

Schnelle Umsetzung, gering (2/5) Die Installation eines Inline-Kamerasystems auf einer laufenden Floatglaslinie ist eines der aufwändigsten Projekte in dieser Kategorie. Kameraköpfe müssen in den Kühltunnel eingebaut werden, idealerweise während eines geplanten Relining-Stopps, da eine unplanmäßige Installation die Produktion unterbricht. Modelltraining auf produktionsspezifische Defektmuster dauert weitere Monate. MES-Integration, Validierungsphase und Abnahme: gesamt 6–18 Monate, oft näher an 18. Einstiegswert 2 ist ehrlich.

ROI-Sicherheit, mittel (3/5) Der ROI ist mathematisch klar berechenbar, aber nur, wenn die Voraussetzungen stimmen. Für Linien mit über 1.000 m²/Stunde und bestehender MES-Infrastruktur ist der Break-even typisch in 8 bis 14 Monaten erreichbar. Für kleinere Linien oder bei Fehlen strukturierter Prozessdaten kann der Payback auf 3–5 Jahre anwachsen, dann ist der Business Case schwach. Die Investition von 300.000 bis 600.000 Euro für eine vollständige Inline-Installation ist real, nicht amortisierbar für jeden Betrieb.

Skalierbarkeit, mittel (3/5) Das trainierte Klassifikationsmodell lässt sich auf weitere Linien übertragen, aber jede Linie braucht eine eigene Kalibrierung, da Beleuchtung, Bandbreite und Produktprofil variieren. Retraining mit linieneigenen Defektdaten ist bei jeder Inbetriebnahme notwendig. Wer drei Linien im selben Werk betreibt, kann von den ersten Erfahrungen profitieren, aber ein “einmal einrichten, überall ausrollen” ist nicht realistisch.

Richtwerte, stark abhängig von Linienkapazität, Glastyp (Architektur, Solar, Automotive) und vorhandener MES-Infrastruktur.

Die Physik hinter den Defekten, warum Blasen genau hier entstehen

Um zu verstehen, was das KI-System klassifiziert und warum die Korrelation mit Prozessparametern so wertvoll ist, hilft ein kurzer Blick auf die Defektentstehung im Floatprozess.

Was im Zinnbad passiert

Das flüssige Glas (ca. 1.100 °C am Einlauf) schwimmt im Zinnbad auf einem Spiegel aus flüssigem Zinn (450–500 °C). Die physikalischen Eigenschaften sind eigentlich ideal: Das Glas verteilt sich durch die Oberflächenspannung zu einem gleichmäßigen Band, ohne Formgebungswerkzeuge zu brauchen. Das Problem entsteht durch chemische Reaktionen an der Glas-Zinn-Grenzfläche.

Sulfatblasen: Glasrohstoffe enthalten Sulfate (hauptsächlich Natriumsulfat, Na₂SO₄). Im reduktiven Zinnbad-Milieu, das Schutzgas ist ein Gemisch aus Stickstoff und 5–10% Wasserstoff, können Sulfatreste aus der Schmelze Sulfid-Gase (SO₂, H₂S) bilden. Diese Gase können als Blasen von 0,3–2 mm Durchmesser im erstarrenden Glas eingeschlossen werden.

Zinnoxidblasen: Zinnoxid (SnO, SnO₂) entsteht, wenn die Schutzgasatmosphäre nicht vollständig homogen ist oder wenn lokale Temperaturgradienten zu Oxidationsspots führen. Zinnoxidteilchen können sich in der Glasoberfläche einbetten (Zinneinschlüsse) oder sekundäre Blasen verursachen.

CO₂-Blasen: Verbleibende Karbonate im Glas, die in der Schmelze nicht vollständig ausgetrieben wurden, können als Kohlendioxid-Blasen in das Floatband wandern.

Was das CNN-Modell tatsächlich unterscheidet

Auf dem Kamerabild erscheinen diese Defekte optisch ähnlich, alle als helle Punkte oder Ringe im Durchlicht. Aber ihre Form, ihr Graustufenprofil und ihre räumliche Verteilung auf dem Band unterscheiden sich charakteristisch:

• Blasen (sphärische Gasblasen): runder heller Kern mit dunklem Rand, gleichmäßige Form
• Einschlüsse (feste Fremdpartikel): unregelmäßige Form, höherer Kontrastunterschied, oft asymmetrisch
• Zinneinschlüsse (SnO₂-Partikel): flach, oft streifenförmig entlang der Bandlaufrichtung
• Schlieren (Ream): lineare Brechungsindexvariationen, erkennbar als Streifen im Polarisationslicht
• Oberflächenkratzer: nur auf einer Glasseite sichtbar, unterschiedliches Reflexionsmuster je nach Lichtrichtung

Ein gut trainiertes CNN-Modell trennt diese Klassen mit Genauigkeiten von 95 bis 99%, wobei Blasen und Einschlüsse in akademischen Studien die höchsten Klassifikationsraten erreichen (laut Forschungen an der IEEE und ACM, 2020–2024). Kratzer und Schlieren sind schwieriger zu klassifizieren, weil sie stärker von Beleuchtungswinkel und Glasdicke abhängen.

Warum die Prozesskorrelation wertvoll ist

Wenn das Inspektionssystem einen Blasencluster erkennt, 12 Blasen in einem 3-Meter-Abschnitt, alle vom Sulfattyp, und dieser Zeitpunkt mit einem Schutzgasdruckabfall von 0,3 mbar um 02:48 Uhr korreliert wird, hat dein Prozessleiter zum ersten Mal eine Hypothese, die er testen kann. Das ist qualitativ anderes Wissen als “heute Nacht war die Ausschussquote höher als normal.”

Was das System konkret macht

Computer Vision-Systeme für die Floatglas-Inspektion bestehen aus drei technischen Hauptkomponenten, die eng zusammenwirken müssen:

1. Die Kameraeinheit

Industrielle Zeilenkameras (Line-Scan-Kameras) scannen das Band transversal, quer zur Laufrichtung, mit Auflösungen von 0,1 bis 0,3 mm pro Pixel. Für ein Floatglas-Band von 3.400 mm Breite braucht man typisch 3 bis 6 Kameraköpfe, die gestaffelt überlappend angeordnet sind.

Die Beleuchtung ist kritisch: Durchlichtbeleuchtung (von unten durch das Band) macht voluminöse Defekte wie Blasen und Einschlüsse sichtbar; Auflichtbeleuchtung (von oben) zeigt Oberflächenkratzer und Beschichtungsfehler. Hochwertige Systeme kombinieren beide Beleuchtungsgeometrien, manche mit polarisiertem Licht zur Schlierenerkennung. ISRA Vision setzt in seiner FLOATSCAN-Linie auf eine proprietäre Kombination aus Durchlicht und 5D-Beleuchtungsgeometrie; Dr. Schenk nutzt die MIDA-Technologie mit mehreren Bildaufnahmen pro Defekt aus verschiedenen Winkeln.

2. Das KI-Klassifikationsmodell

Das eigentliche Machine Learning-Modell ist typisch ein Deep Learning-CNN (Convolutional Neural Network), ein neuronales Netzwerk, das auf tausenden manuell beschrifteten Defektbildern trainiert wird. Vortrainierte Architekturen (ResNet, EfficientNet, YOLOv8) werden auf branchenspezifische Defektbilder feinabgestimmt.

Die Inferenz muss in Echtzeit laufen: Bei 15 m/min Bandgeschwindigkeit und 0,2 mm Pixelauflösung erzeugt das System etwa 1,5 Gigapixel pro Sekunde. Die Verarbeitungszeit je Defektkandidat liegt unter 50 Millisekunden, notwendig, um auf einem 100 m langen Kühltunnel noch rechtzeitig eine Ausschleusmarkierung setzen zu können.

3. Die Entscheidungslogik und Aktion

Das Modell liefert für jeden erkannten Kandidaten: Defektklasse, Konfidenzwert, Position auf dem Band (x/y-Koordinaten), Zeitstempel. Die Entscheidungslogik darüber bestimmt: Was wird markiert? Was wird als Ausschuss aus dem Schnittplan entfernt? Ab welcher Defektdichte löst das System einen Prozessalarm aus?

Diese Entscheidungslogik ist nicht trivial und muss auf die Produktspezifikationen des Käufers zugeschnitten werden: Ein Blase von 0,8 mm in einer Solarpanel-Scheibe ist kritisch; in einer einfachen Fensterscheibe für den Wohnungsbau möglicherweise tolerierbar.

Integrations-Realität: MES, ERP und Prozesskorrelation

Das Kamerasystem liefert Defektdaten. Der eigentliche Wert entsteht erst, wenn diese Daten mit Prozessparametern aus dem Zinnbad und mit den ERP-Daten zur Produktionszuordnung verknüpft werden. Diese Integration ist in der Praxis der aufwändigste Teil des Projekts, nicht das Kamerasystem selbst.

Was aus dem MES kommen muss

Für eine sinnvolle Prozesskorrelation braucht das Inspektionssystem Zeitreihen aus dem Zinnbad mit Zeitstempel und Bandposition:

• Temperaturprofile: Schmelzofenaustrittstemperatur, Zinnbad-Zonenprofil (typisch 8–12 Zonen), Kühlkurve im Kühltunnel
• Schutzgasparameter: H₂/N₂-Verhältnis, Gasdruck in jeder Badzone, Dichtheit (Leckagealarme)
• Geometrieparameter: Bandbreite, Ziehergeschwindigkeit, Glasdicke (aus Gamma-Dickenmessung)
• Chargendaten: Rohstoffcharge, Scherbenanteil, Läuterungsparameter aus der Schmelze

Wenn diese Daten nicht strukturiert im MES vorliegen, sondern nur als Papierprotokoll oder in proprietären Anlagensteuerungen ohne Export-Schnittstelle, dann ist die Prozesskorrelation nicht realisierbar. Das Kamerasystem läuft dann als reines Sortiersystem, nicht als Prozessoptimierungswerkzeug. Das ist weniger wert.

Anbindung an SAP und MES

Siemens Opcenter und SAP Digital Manufacturing sind die häufigsten MES-Plattformen in dieser Industrie. Die Datenübertragung vom Inspektionssystem in diese Plattformen erfolgt typisch über OPC UA (offener Industriestandard), REST API oder direkte Datenbankverbindung.

Was konkret konfiguriert werden muss:

• Fertigungsauftrag-Zuweisung: Welche Scheiben in welchem Schnittplan gehören zu welchem Kundenprojekt?
• Defektkarte pro Glasband-Abschnitt: Positionsgenaue Fehlerverteilung, die der automatische Schnittoptimierer nutzen kann, um Fehlerstellen aus den Zuschnittplänen herauszuschneiden
• Qualitätsmeldungen: Automatische Eskalation in SAP-QM bei Überschreiten von Defektklassen-Grenzwerten
• Reklamationsmanagement: Defektdokumentation für Lieferreklamationen, mit Zeitstempel, Bildnachweis und Prozessprotokoll

Der Aufwand für diese Integration liegt erfahrungsgemäß bei 2–5 Personenmonaten auf Kundenseite, nicht mitgezählt die Konfigurationszeit beim MES-Anbieter. Wer diesen Aufwand nicht eingeplant hat, hat den Projektumfang unterschätzt.

Modelltraining und Retraining-Zyklus

Der erste Trainingsdatensatz ist die entscheidende Engstelle, nicht die Kamerainstallation, nicht die Software-Konfiguration.

Der Labelingaufwand

Ein produktionsfähiges CNN-Modell braucht pro Defektklasse mindestens 200–500 beschriftete Beispiele. Bei sechs Defektklassen (Blasen, Einschlüsse, Zinneinschlüsse, Schlieren, Kratzer, Beschichtungsfehler) sind das 1.200 bis 3.000 manuell annotierte Defektbilder als Minimum. Hochwertige Modelle verwenden 5.000 bis 20.000 Beispiele pro Klasse.

Wer liefert diese Labels? Nicht der Systemanbieter, er stellt die Software und die Annotationswerkzeuge bereit, aber die Kenntnis darüber, ob ein Graufleck auf einem Bild eine Blase oder ein Zinneinschluss ist, kommt aus eurem Erfahrungswissen. Die Qualitätsprüfer mit den besten Defektkenntnissen müssen für 4–8 Wochen in die Labelarbeit einbezogen werden. Das ist kein Nebenher-Projekt.

Drift und Retraining-Auslöser

Ein einmal trainiertes Modell läuft nicht unbegrenzt stabil. Drei Ereignisse lösen in der Praxis einen Retraining-Bedarf aus:

1. Rohstoffwechsel: Neuer Sandlieferant, geänderter Scherbenanteil oder neue Läuterungsmittel verändern das chemische Profil der Schmelze, und damit die Defektcharakteristik
2. Relining: Nach einem Schmelzofenrelining (alle 10–15 Jahre, aber auch partielle Reparaturen) ändert sich das Temperaturprofil des Zinnbads; neue Defektmuster können entstehen
3. Kamera-/Beleuchtungsänderungen: Schon ein Lampenwechsel verändert das Bild so, dass Konfidenzwerte einbrechen und Falsch-Positiv-Raten ansteigen

Faustregel aus der Praxis: Plant ein vollständiges Retraining alle 18–24 Monate oder nach jedem der genannten Ereignisse ein. Zwischen den Zyklen genügen meist Feinabstimmungen (Fine-Tuning mit neuen Beispielen), wenn ein dedizierter Systembetreuer die Modellperformance aktiv überwacht.

Konkrete Werkzeuge, was wann passt

Es gibt keine Einheitslösung. Welches System passt, hängt von Linienkapazität, Glastyp und intern verfügbarer ML-Kompetenz ab.

ISRA Vision (FLOATSCAN), für große Floatglas-Produzenten Die Referenzlösung für Hochkapazitätslinien. FLOATSCAN-Systeme sind für Linien mit über 1.000 m²/Stunde ausgelegt und bieten die tiefste Integration in MES-Systeme über OPC UA und SAP-Konnektoren. Besondere Stärke: Jahrzehnte Glasinspektion-Erfahrung mit 50+ klassifizierbaren Fehlertypen und einer lückenlosen Rückverfolgungsdokumentation, die bei Reklamationsfällen Gold wert ist. Investition: 300.000–1.000.000+ Euro für vollständige Inline-Linien. Wartung: 10–15% des Anschaffungswertes pro Jahr.

Dr. Schenk (GlassInspect mit MIDA), spezialisierter Europaalternative Der unabhängige Spezialist aus Gräfelfing für Architekturglas, Solarglas und Automobilglas. Die MIDA-Technologie (mehrere Bilder pro Defekt aus verschiedenen Winkeln) ist ein differenzierender Ansatz bei der Klassifikation kleiner Defekte ab 0,3 mm. Gut geeignet für mittelgroße Linien (600–1.500 m²/h) und Hersteller, die eine Alternative zu ISRA Vision im Atlas-Copco-Konzern bevorzugen. Investition: 250.000–700.000+ Euro.

Cognex (VisionPro Deep Learning), für Hybridanwendungen Wo Floatglas-Hersteller auch Beschichtungs- oder Veredelungslinien betreiben (z.B. Beschichtung, Laminierung), ist Cognex als zweite Plattform für nachgelagerte Prüfaufgaben sinnvoll. VisionPro Deep Learning erlaubt eigenes CNN-Training mit proprietären Defektbildern. Weniger spezialisiert auf Floatglas als ISRA oder Dr. Schenk, aber flexibler für Mischbetriebe. Einstieg ab 50.000–100.000 Euro für Teilaufgaben.

KEYENCE, für Zuschnittkontrolle und Randinspektionen Für die nachgelagerte Kontrolle, Kantenprüfung am Zuschnitt, Maßkontrolle, Beschriftungsverifikation, ist Keyence eine kosteneffizientere Option als ein vollständiges Inline-System. Kein Ersatz für Inline-Blasenerkennung am Band, aber als Ergänzungssystem wertvoller Qualitätsabsicherungspunkt. Einstieg ab 10.000–40.000 Euro.

Custom CNN auf PyTorch, für interne ML-Teams Wer eine eigene Machine-Learning-Abteilung hat oder aufbauen will, kann auf Basis von PyTorch-Standardarchitekturen (YOLOv8, EfficientDet) eigene Klassifikationsmodelle trainieren. Das erfordert eine taugliche Kamerainfrastruktur (Industriekameras mit Echtzeit-Bilderfassung) und einen erfahrenen ML-Engineer. Die Vorteile: volle Kontrolle über Modellarchitektur und Retraining; die Nachteile: kein Support, kein industriell getestetes System, deutlich längere Anlaufzeit. Realistisch nur für interne R&D-Linien oder als Prototyping-Tool.

Zusammenfassung: Wann welcher Ansatz

• Linie über 1.500 m²/h, SAP-MES vorhanden → ISRA Vision FLOATSCAN
• Linie 600–1.500 m²/h, flexiblerer Budgetrahmen → Dr. Schenk GlassInspect
• Ergänzende Prüfaufgaben neben Floatglas → Cognex VisionPro
• Zuschnittkontrolle und Kanteninspektion → KEYENCE
• Eigene ML-Expertise vorhanden, Prototyp gewünscht → Custom PyTorch

Datenschutz und Datenhaltung

Floatglas-Inspektionsdaten sind primär Produktionsprozessdaten, keine personenbezogenen Daten im Sinne der DSGVO. Die Konsequenz: Das DSGVO-Risiko ist hier vergleichsweise gering.

Trotzdem gibt es datenschutzrelevante Aspekte:

Fernwartung und Support-Zugriffe: Alle genannten Anbieter bieten Remote-Wartung über VPN an, ISRA Vision und Dr. Schenk haben Hauptsitze in Deutschland, betrieben jedoch Fernwartung über gesicherte Verbindungen. Diese Fernzugriffe sollten vertraglich geregelt, zeitlich begrenzt und protokolliert werden. Ein Auftragsverarbeitungsvertrag ist bei Cloud-Monitoring-Features oder Remote-Diagnose-Plattformen zu empfehlen.

Produktionsdaten als Geschäftsgeheimnis: Defektkarten, Prozessparameter-Zeitreihen und Ausschussstatistiken sind sensible Geschäftsdaten. Diese sollten nicht automatisch in Cloud-Plattformen hochgeladen werden, Standard bei ISRA Vision und Dr. Schenk ist lokale On-Premises-Speicherung mit expliziter Freigabe für Remote-Uploads.

MES-Integration: Bei der Anbindung an SAP oder Siemens Opcenter via OPC UA läuft der Datenaustausch typisch im lokalen Netzwerk, kein Cloud-Pfad. Das entspricht dem Industriestandard und ist datenschutzrechtlich unkritisch.

Empfehlung: Mit dem Systemanbieter vor Vertragsabschluss explizit klären, welche Daten bei Remote-Funktionen in welche Systeme fließen. Fernwartungszugriffe protokollieren. Für Cloud-Analytics-Features (wenn angeboten) separaten AVV mit dem Anbieter abschließen.

Was es kostet, realistisch gerechnet

Einmalige Investitionskosten

Angaben basieren auf dem verifizierten Tool-Profil von ISRA Vision auf ki-syndikat.de (April 2026) und Dr. Schenk für mittelgroße Floatglas-Linien. Abweichungen nach oben bei Enterprise-Installationen mit mehreren Linien oder sehr breiten Bändern (über 3.400 mm) sind realistisch.

Laufende Kosten (jährlich)

• Wartungsvertrag Kamerasystem: 10–15% der Hardwareinvestition = 25.000–60.000 €/Jahr
• Softwarewartung + Updates: typisch in Wartungsvertrag enthalten
• Modell-Retraining (alle 18–24 Monate): intern 2–4 Wochen, oder externer Service ca. 10.000–25.000 €

Der ROI, ehrlich gerechnet

Ausgangsbasis: Floatglas-Linie mit 1.200 m²/h Durchsatz, Ausschussquote 2,8%, Verkaufspreis 18 €/m², Betrieb 7.500 Stunden/Jahr.

Jährlicher Materialausschuss ohne KI: 1.200 m²/h × 2,8% × 18 €/m² × 7.500 h = 4.536.000 €

Mit KI-System: Ausschussquote sinkt auf 1,4% (50% Reduktion, konservativer Wert): Jährliche Einsparung = 2.268.000 € minus die Kosten durch unvermeidliche Restausschuss

Netto-Einsparung nach Wartungskosten (40.000 €/Jahr): ca. 2.200.000 €/Jahr

Payback auf eine Investition von 400.000 €: unter 3 Monate für dieses Szenario.

Diese Rechnung gilt für die große Linie. Verkleinere den Durchsatz auf 400 m²/h und dieselbe Ausschussquote: Jährliche Einsparung: ~750.000 €/Jahr → Payback auf 400.000 € Investition: ca. 6–7 Monate.

Kritische Untergrenze: Bei Durchsätzen unter ca. 300 m²/h und Ausschussquoten unter 1,5% liegt der Payback bei 3–5 Jahren, dann ist der Business Case schwach und andere Maßnahmen (bessere Prozessführung im Zinnbad, optimierte Rohstoffauswahl) haben einen besseren ROI.

Vier typische Einstiegsfehler

1. Die Kamerainstallation außerhalb des Relining-Fensters planen. Floatglas-Linien laufen ohne Unterbrechung. Eine Kamerainstallation am laufenden Band ist möglich, aber teuer (Produktionsunterbrechung für 4–10 Tage) und mit Risiken für die Optik durch Temperatur und Kondensation verbunden. Wer das Relining-Fenster (alle 5–10 Jahre, manchmal alle 2–3 Jahre für partielle Reparaturen) nicht nutzt, zahlt bis zu 50.000 Euro Mehrkosten für Installation bei laufendem Betrieb. Plant früh.

2. Mit einem unvollständigen Defektlabeling starten. Das häufigste Frühproblem: Das Modell läuft in Produktion, aber die Falsch-Positiv-Rate ist so hoch (20–30% der Alarme sind keine echten Defekte), dass die Prüfer das System ignorieren oder manuell übersteuern. Ursache: ungenügende Labelqualität oder zu wenig Trainingsbeispiele bei seltenen Defektklassen. Voraussetzung für den Start: mindestens 300 beschriftete Beispiele pro Klasse, von qualifizierten Prüfern validiert.

3. Die MES-Integration unterschätzen. Viele Projekte planen 4–6 Wochen für die MES-Anbindung ein und brauchen dann 4–6 Monate. Die Schnittstellen zwischen Inspektionssystem (OPC UA), MES und SAP-QM sind nicht standardisiert, jede Installation ist anders. Ohne einen dedizierten IT-Projektleiter auf Kundenseite, der diese Integration führt, stockt das Projekt hier.

4. Das System einführen und das Modell danach nicht pflegen. Das ist der gefährlichste Fehler, weil er still passiert.

Ein CNN-Modell, das einmal trainiert und dann sich selbst überlassen wird, beginnt nach 12–24 Monaten zu driften: Neue Defektmuster entstehen durch Rohstoffwechsel oder Prozessänderungen, das Modell klassifiziert sie falsch, die Ausschussquote steigt wieder an, aber niemand bemerkt es, weil das System weiterhin Alarme ausgibt und diese weiterhin abgearbeitet werden. Ohne eine aktiv überwachende Person, die Modellkennzahlen (Falsch-Positiv-Rate, nicht erkannte Defekte, Konfidenzwerteverteilung) regelmäßig prüft, hat man nach zwei Jahren wieder das ursprüngliche Problem, bei laufenden Wartungskosten.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist das Lösbarste. Die Widerstände kommen von woanders.

Der erfahrene Schichtleiter, der nie einen Fehler übersehen wollte. Wer 15 Jahre lang mit dem besten Blick auf der Linie die Qualitätsprüfung verantwortet hat, reagiert auf ein System, das “alles besser sieht”, mit einer Mischung aus Skepsis und leicht verletztem Stolz. Das ist nachvollziehbar. Einbindung geht hier über Ausweichmanöver: Lass diese Person den Labelingprozess begleiten und die Defektbeschreibungen validieren. Ihr Erfahrungswissen ist buchstäblich der Trainings-Datensatz, ohne ihn ist das Modell schlechter.

Die IT-Abteilung, die nicht für Produktionssysteme zuständig war. In vielen Glasherstellern gibt es eine harte Grenze zwischen OT (Operational Technology, die Anlagensteuerung, das MES) und IT (die Büro-IT, SAP). Das Inspektionssystem sitzt auf der OT-Seite, aber die Integration in SAP läuft über die IT-Grenze. Wer diese Grenze nicht frühzeitig mit einem klaren Zuständigkeitsmodell adressiert, landet in einem Kompetenzkonflikt, der das Projekt um Monate verzögert.

Die Erwartung sofortiger Vollautomatisierung. Viele Teams starten mit dem Ziel “kein Prüfer mehr am Band”. Realistisch ist: In den ersten 6 Monaten läuft das KI-System parallel zur manuellen Kontrolle. Das ist kein Projektrückschritt, es ist die Validierungsphase, in der das Modell mit echtem Produktionsverhalten kalibriert wird. Die Prüfer bleiben zunächst, aber ihre Rolle ändert sich: von “kontinuierlicher Sichtkontrolle” zu “Validierung von System-Alarmen und Labeling-Unterstützung”.

Was konkret hilft:

• Projektkick-off mit Schichtleitern, QM-Leitung und IT-Vertretern, alle müssen die Rollenverteilung verstehen, bevor die Kamera eingebaut wird
• Klares Kommunikationsziel: Das System ersetzt keine Expertise, es gibt ihr eine Infrastruktur
• 90-Tage-Messung: Defekterfassungsrate vor/nach, Falsch-Positiv-Rate, Nutzungsquote durch Prüfer, damit Fortschritt sichtbar wird

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Wir haben bereits eine Endkontrolle am Zuschnitt.” Die Endkontrolle am Zuschnitt ist reaktiv, sie sortiert Ausschuss aus, verhindert aber nicht seine Entstehung. Der eigentliche Wert einer Inline-Inspektion am Band liegt in der Prozesskorrelation: Wenn das System um 03:15 Uhr einen Blasencluster erkennt und das Zinnbad-Log um 03:12 Uhr einen Schutzgasdruckabfall zeigt, hat der Prozessleiter erstmals eine Hypothese zur Ursache. Die Endkontrolle kann das nicht leisten.

„Die Investition ist für uns zu groß.” Das ist für mittelgroße Linien ein ehrlich zu diskutierender Einwand. Bei Durchsätzen unter 300 m²/h und Ausschussquoten unter 1,5% ist der ROI-Zeitraum tatsächlich 3–5 Jahre, dann ist das Projekt wirtschaftlich grenzwertig. Die Alternative: Erst die Prozessstabilität im Zinnbad erhöhen (Schutzgasführung optimieren, Rohstoffqualität verbessern) und erst dann in Inline-Inspektion investieren, wenn die Baseline-Ausschussquote dokumentiert und die Verbesserungspotenziale klar sind.

„Wir haben keine ML-Kompetenz intern.” Das stimmt für die meisten Glasunternehmen. Die gute Nachricht: Für den Betrieb eines fertig konfigurierten ISRA- oder Dr.-Schenk-Systems braucht man keine eigenen ML-Ingenieure, die Anbieter betreiben und warten die Modelle im Wartungsvertrag. Was intern gebraucht wird: eine Person, die die Modellperformance-Kennzahlen versteht und weiß, wann ein Retraining-Auftrag ausgelöst werden muss. Das ist eine 2-Tage-Schulung, kein Hochschulabschluss.

„Das System wird nicht funktionieren, weil unser Glas zu variabel ist.” Variabilität (verschiedene Dicken, verschiedene Beschichtungen) ist ein legitimes Kalibrierungsproblem, kein prinzipielles Ausschlusskriterium. Moderne Inspektionssysteme können produktspezifische Toleranzprofile verwalten, ein Wechsel von 4 mm Klarglas auf 6 mm Sonnenschutzglas wird erkannt und ruft automatisch das passende Defektprofil auf. Der Aufwand liegt in der initialen Konfiguration, nicht im Betrieb.

Woran du merkst, dass das zu dir passt

Grüne Signale, du bist ein guter Kandidat:

• Deine Linie produziert mehr als 600 m² Floatglas pro Stunde, davon mindestens 40% Qualitätsstufen mit engen Defekttoleranzklassen (Architektur, Solar, Automotive)
• Deine monatlichen Reklamationskosten aus unerkannten Defekten liegen über 30.000 Euro, nicht als Einzelfall, sondern strukturell wiederkehrend
• Du hast ein MES-System, das Prozessparameter aus dem Zinnbad mit Zeitstempel und Bandposition protokolliert
• Dein nächstes Relining ist innerhalb der nächsten 24 Monate geplant, du hast ein Installationsfenster

Drei harte Ausschlusskriterien:

1. Durchsatz unter 300 m²/h und Ausschussquote unter 1,5%: Der Business Case ist bei diesem Produktionsvolumen rechnerisch schwach, eine Investition von 300.000 bis 500.000 Euro zahlt sich über 4–5 Jahre aus, wenn überhaupt. Für diese Unternehmensgröße ist zuerst Prozessoptimierung im Zinnbad sinnvoller (Schutzgasführung, Rohstoffqualität), bevor die Inline-Inspektion nachzieht.

2. Kein strukturiertes MES mit Zinnbad-Prozessdaten: Ein Inline-Inspektionssystem ohne Prozessdatenanbindung ist ein teures Sortiersystem, aber kein Prozessoptimierungswerkzeug. Der entscheidende Mehrwert, Defektcluster mit Prozessparametern korrelieren, ist nicht realisierbar, wenn Temperaturprofile und Schutzgasparameter nicht digital und zeitstempelgenau vorliegen. Erst das MES vollständig, dann das Kamerasystem.

3. Kein gelabelter Defektdatensatz mit mindestens 300 Beispielen pro Klasse: Ein CNN-Modell ohne repräsentative Trainingsdaten aus eurer Produktion ist nicht produktionstauglich. Wer erwartet, dass der Anbieter ein funktionsfähiges Modell out-of-the-box liefert, wird enttäuscht: Das Basismodell kennt keine produktionsspezifischen Varianten. Die Labelarbeit muss vor der Installation beginnen, nicht danach.

Das kannst du heute noch tun

Der sinnvollste erste Schritt kostet nichts, und hilft dir, den Business Case zu konkretisieren, bevor du einen Anbieter kontaktierst:

Schritt 1: Zieh die letzten 12 Monate Ausschussstatistik deiner Linie. Berechne: Durchsatz × Ausschussquote × Preis pro m² × Betriebsstunden. Das ist dein theoretisches Einsparpotenzial.

Schritt 2: Prüf, ob dein MES strukturierte Prozessdaten aus dem Zinnbad mit Zeitstempel und Bandpositionszuordnung liefert. Das ist die technische Kernvoraussetzung.

Schritt 3: Frag bei ISRA Vision oder Dr. Schenk eine Machbarkeitsstudie an, beide bieten das kostenlos für qualifizierte Interessenten an. Du brauchst dafür: Glastyp, Bandbreite, aktuelle Bandgeschwindigkeit, Fehlerkatalog (Fotos sind Gold wert) und aktuelle Ausschussquote.

Für die interne Entscheidungsvorbereitung ist ein strukturierter Prompt hilfreich:

Quellen & Methodik

• Glasstec 2024, “Deep Learning KI in der Maschinentechnologie der Flachglasindustrie”: Bericht auf glasstec.de (Messe Düsseldorf, 2024); nennt ISRA Vision, Grenzebach und Siemens Digital Industries als aktive Anbieter in der KI-gestützten Floatglasinspection; enthält EPROMI-Systembeispiel für Defektdaten-Visualisierung. URL: glasstec.de/de/Media_News/Magazin/Stories_Hintergr%C3%BCnde/Deep_Learning_KI_…
• ACM, “AI-based Automatic Optical Inspection of Glass Bubble Defects” (2020): Proceedings of the 2nd International Conference on Management Science and Industrial Engineering, ACM Digital Library. Demonstriert CNN-basierte Klassifikation von Glasblasendefekten mit 95+ % Genauigkeit; Blasen und Einschlüsse erreichen die höchsten Klassifikationsraten unter fünf Defektklassen. URL: dl.acm.org/doi/10.1145/3396743.3396768
• ResearchGate, “An online defect classification method for float glass fabrication” (2014, aktualisiert): Akademische Studie zu Methoden der Echtzeit-Defektklassifikation bei Floatglas, publiziert im International Journal of Advanced Manufacturing Technology. Grundlagenreferenz für CNN-Ansätze in der Glasindustrieanwendung.
• ISRA Vision, FLOATSCAN-Systemdokumentation: Technische Produktseite (isravision.com/en-en/industries/glass/float-glass, April 2026); beschreibt Inline-Inspektion von Defekten bis in den Mikrometerbereich bei vollständiger Bandgeschwindigkeit, Defektklassen Blasen/Kratzer/Einschlüsse. Kein Pricing öffentlich verfügbar.
• Dr. Schenk GmbH, GlassInspect-Produktseite: (schenkvision.com, April 2026); MIDA-Technologie, Defektklassen Blasen/Einschlüsse/Zinndefekte/Ream, 35+ Jahre Branchenerfahrung. Glasstec 2024 Aussteller.
• Investitionskosten: Basierend auf dem verifizierten Tool-Profil von ISRA Vision auf ki-syndikat.de (April 2026): Einstiegssysteme 80.000–200.000 €, vollständige Inline-Linien 300.000–1.000.000+ €. Marktrichtwerte, keine öffentlichen Listenpreise verfügbar.
• Defektklassifikations-Genauigkeit: Mehrere akademische Studien (2020–2024) auf ResearchGate und MDPI berichten konsistent 95–99% Klassifikationsgenauigkeit für Blasen- und Einschlussdefekte bei gut trainierten CNN-Modellen. Praxiswerte liegen erfahrungsgemäß bei 90–97% je nach Trainingsqualität.

Du willst wissen, ob sich die Investition für eure Linie konkret lohnt und welcher Anbieter am besten passt? Meld dich, wir helfen dir bei der Anforderungsanalyse und dem Anbietergespräch.