KI-Bildverarbeitung für automatische Glasfehler-Erkennung

Das echte Ausmaß des Problems

Glasfehler lassen sich in drei Hauptgruppen einteilen: eingeschlossene Gasphase (Blasen, Knoten), feste Fremdkörper (Steinchen, Kristalleinschlüsse) und Oberflächenfehler (Kratzer, Schlieren, Beschichtungsdefekte). Alle drei entstehen an unterschiedlichen Stellen im Prozess und verlangen unterschiedliche Prüfmethoden, was manuelle Inspektion strukturell überfordert.

Eine belastbare, öffentlich zugängliche Branchenzahl für Ausschussquoten haben wir nicht gefunden. Eure eigene Quote steht in eurer Ausschussstatistik, und nur die zählt für den Business Case. Beim Umrechnen in Euro passieren zwei Fehler besonders oft:

• Ausschuss ist nicht Materialwert. Auf einer Floatlinie wandert aussortiertes Glas als Eigenscherben zurück ins Gemenge. Verloren sind Schmelzenergie und Kapazität, also der Deckungsbeitrag der Tonne, die ihr nicht verkaufen könnt, nicht ihr Verkaufspreis. Nur wer Glas zukauft und veredelt, verliert beim Aussortieren den ganzen Einkaufswert.
• Eine Kamera verhindert keinen Fehler. Die Blase ist in der Schmelze entstanden und bleibt im Glas, ob ein Mensch oder eine Kamera sie findet. Die Kamera verschiebt den Fundort nach vorn.

Genau diese Verschiebung ist das Geld, um das es geht:

• Späterkennungseffekt: Fehler, die bei der manuellen Prüfung erst nach dem Zuschnitt auffallen, haben die Schneid-, Schliff-, Vorspann- und Logistikkosten schon verbraucht
• Reklamationskosten: Defekte, die den Kunden erreichen, kosten ein Vielfaches des Materialwertes, Rücktransport, Nachlieferung, Montageaufwand, Regressforderungen
• Prozessblindheit: Ohne systematische Fehlerdokumentation fehlt die Datenbasis für Ursachenanalyse; der gleiche Schmelzfehler wiederholt sich, weil niemand den Zusammenhang sieht

Mit vs. ohne KI, ein ehrlicher Vergleich

Erkennungsraten in Prozent nennen wir bewusst nicht: Eine belastbare, öffentliche Vergleichsmessung zwischen manueller und KI-Prüfung für Flachglas haben wir nicht gefunden, und Herstellerangaben gelten für deren Testbedingungen. Die Rate für eure Fehlertypen misst ein Pilot im Parallelbetrieb, siehe Zeitplan.

Einschätzung auf einen Blick

Zeitersparnis, sehr hoch (5/5) Die manuelle Endkontrolle ist personalintensiv und begrenzt skalierbar. Bei zwei bis vier Schichtstellen pro Linie, die täglich vier bis acht Stunden Prüfaufwand leisten, entfällt durch Inline-Automatisierung der größte Teil dieser Zeit. Geld wird daraus erst, wenn diese Stellen anders besetzt werden. Der Abschnitt zur Einführung weiter unten rät ausdrücklich, das System nicht als Personalersatz zu positionieren, dann bleibt es beim Zeitgewinn.

Kosteneinsparung, mittel (3/5) Das Kamerasystem spart die Bearbeitung fehlerhafter Scheiben, die heute erst nach dem Zuschnitt auffallen, und Reklamationen, die heute beim Kunden ankommen. Den Ausschuss selbst senkt es nicht, das tut erst ein Prozesseingriff in der Schmelze auf Basis der Fehlerdaten. Dagegen stehen ab 80.000 € Einrichtung und 13.000 bis 60.000 € laufende Kosten im Jahr. Wie viel übrig bleibt, rechnet ihr mit euren Fundzahlen, siehe Kostenabschnitt.

Schnelle Umsetzung, niedrig (2/5) Hier ist Realismus gefragt: Eine Inline-Inspektion lässt sich nicht in wenigen Wochen einrichten. Die Kamerainstallation erfordert Halterungen und Sicherheitsabstände am laufenden Band, das Lichtdesign für transparente Materialien ist eine eigene Disziplin, das Modelltraining braucht Tausende annotierter Fehlerbilder aus eurer spezifischen Produktion. Vier bis zwölf Monate bis zum produktiven Einsatz sind realistisch, das macht diesen Anwendungsfall zu einem der aufwändigsten Einstiege in dieser Kategorie.

ROI-Sicherheit, mittel (3/5) Messbar ist viel: Funde je Fehlertyp, Fundort vorher und nachher, Reklamationsrate. Eine Kausalität zwischen Kamera und weniger Ausschuss gibt es aber nicht direkt, weil die Kamera Fehler findet und nicht verhindert. Sinkt der Ausschuss, dann durch einen Eingriff in der Schmelze, und den müsst ihr getrennt planen und messen. Wer im Business Case beides zusammenzieht, verspricht der Geschäftsführung eine Zahl, die das Kamerasystem allein nicht liefern kann.

Skalierbarkeit, mittel (3/5) Jede weitere Produktionslinie braucht eine eigene Kamerainstallation, Kalibrierung und ggf. angepasstes Modell, wegen unterschiedlicher Glastypen, Bandgeschwindigkeiten und Fehlerspektren. Das ist nicht trivial. Auf breiter Basis skalierfähig ist das System nur, wenn Linien ähnliche Produkte herstellen und Modelle übertragen werden können.

Richtwerte, stark abhängig von Glastyp, Bandgeschwindigkeit, Fehlerspektrum und vorhandener Produktionsinfrastruktur.

Was das System konkret macht

Das technische Prinzip: Eine oder mehrere Industriekameras (Zeilenkameras oder Flächenkameras, je nach Bandbreite und Geschwindigkeit) scannen das Glasband kontinuierlich. Das Lichtdesign ist dabei entscheidend, bei transparentem Glas arbeitet man typischerweise mit Durchlichtverfahren (Gegenlicht sichtbar durch das Material) für Blasen und Einschlüsse sowie mit Streulichtverfahren (schräger Auflicht) für Oberflächenkratzer. Manche Systeme kombinieren beide Methoden.

Das aufgenommene Bild wird in Echtzeit durch ein Deep Learning-Modell analysiert, ein Convolutional Neural Network (CNN), das auf Tausenden gelabelter Fehlerbilder aus eurer Produktion trainiert wurde. Das Modell liefert innerhalb von 50–200 Millisekunden:

• Fehlertyp: Blase, Einschluss, Kratzer, Schliere, Beschichtungsfehler
• Position: Koordinaten auf der Glasscheibe (für spätere Zuschnittsoptimierung oder Ausschleusmarkierung)
• Schweregrad: Abweichung von Spezifikation (Klasse A, B, C je nach Kundennorm)
• Schmelz-Zeitkorrelation: Zurückrechnung, zu welchem Zeitpunkt dieses Bandstück die Schmelze verlassen hat

Der letzte Punkt ist für Prozessverbesserungen besonders wertvoll: Häufen sich Blasen zu einem bestimmten Schmelzzeitpunkt, hat das System gerade einen Parameter-Drift erlebt, und das Maschinenprotokoll kann gezielt auf dieses Zeitfenster hin analysiert werden.

Was das System nicht kann

Kein Kamerasystem erkennt 100% aller Defekte, das ist physikalisch unmöglich bei optischen Methoden. Defekte, die kleiner als die optische Auflösung der verwendeten Kamera sind, bleiben unsichtbar. Bei sehr schnell laufenden Bändern (über 20 m/min) kann die Belichtungszeit zu kurz werden, was die Erkennungsrate für kleine Defekte senkt. Diese Grenzen müssen beim Systemdesign berücksichtigt und in den Prüfvorschriften dokumentiert werden.

Konkrete Werkzeuge, was wann passt

ISRA VISION , Marktführer für Flachglas-Inspektion mit jahrzehntelanger Spezialisierung auf transparente und reflektierende Materialien. Systeme für Floatglas, Autoscheiben, Display-Glas und Solarmodule. Vollständige Hardware-Software-Pakete inklusive Lichtdesign, Kamerasystem und Defektklassifikation. Empfehlenswert für Hersteller, die ein produktionserprobtes Gesamtpaket wollen, ohne interne ML-Kompetenz aufzubauen. Kosten: Einstiegssysteme für Flachglas ab rund 80.000 €, die vollständige Inline-Inspektion einer Floatlinie ab rund 300.000 € bis über eine Million, abhängig von Linienbreite und Bandgeschwindigkeit. Kein Self-Service-Einstieg, projektbasiertes Vorgehen.

Cognex Vision , Weltmarktführer für industrielle Bildverarbeitungssysteme. Breite Produktpalette von einfachen Barcode-Readern bis zu vollständigen Deep-Learning-Prüfsystemen (VisionPro mit Deep Learning). Gut etabliert in deutschen Fertigungsbetrieben, deutschsprachiger Support. Geeignet wenn ihr Kamerahardware, Beleuchtung und Software lieber separat konfigurieren wollt, mehr Flexibilität, aber mehr Integrationsaufwand. Ab ca. 5.000–30.000 € pro Prüfstation für einfachere Setups.

Keyence , Eigene Hochgeschwindigkeits-Kameraprodukte mit integrierter Bildverarbeitungssoftware. Stärke: sehr schnelle Inbetriebnahme durch All-in-One-Lösungen, einfache regelbasierte Konfiguration. Für gut definierte, stabile Fehlertypen ausreichend. Grenzen: KI-basierte Klassifikation komplexer Fehlerformen (wie kristalline Einschlüsse oder subtile Schlieren) ist schwächer als spezialisierte Deep-Learning-Systeme.

Landing AI , No-Code-Plattform für den Proof-of-Concept. Wenn ihr beweisen wollt, dass KI-Fehlererkennung für eure spezifischen Defekttypen funktioniert, bevor ihr in industrielle Hardware investiert. Trainiert ein erstes Modell mit 50–200 Bildern eurer typischen Glasfehler. Kein deutschsprachiger Support, US-Hosting. Als Pilottool geeignet; für Inline-Produktion auf Bandgeschwindigkeit nicht ausreichend.

Zusammenfassung: Wann welcher Ansatz

• Flachglas-Inline mit Vollpaket-Anspruch → ISRA VISION
• Flexible Konfiguration, gute deutsche Referenzen → Cognex
• Schneller Einstieg mit eigener Hardware → Keyence
• Interner PoC vor Investitionsentscheid → Landing AI

Was ihr hardware-seitig braucht

Ein Punkt, der in Planungsgesprächen oft unterschätzt wird: Die Kamerasoftware ist das Einfachste. Das Schwierige sind die mechanischen und optischen Voraussetzungen.

Für eine Inline-Glasinspektion braucht ihr:

• Kamerahalterung: stabile, erschütterungsfreie Konstruktion am Band; jede Vibration produziert Bewegungsunschärfe
• Lichtarchitektur: Durchlicht-Panele für Blasen/Einschlüsse, Streulicht für Kratzer, getrennte Steuerung, Abschirmung gegen Fremdlicht aus der Produktionshalle
• Trigger-System: Bandgeschwindigkeitsmessung (Encoder) für synchrone Kameraauslösung, ohne das entstehen verzerrte Bilder bei unterschiedlicher Bandgeschwindigkeit
• Reinigung: Glasstaub und Schleifmittelreste auf Linsen zerstören die Bildqualität innerhalb von Stunden; automatische Reinigungszyklen sind Pflicht
• Temperaturmanagement: Produktionsöfen neben dem Band erzeugen Hitze und Vibrationen, Kameragehäuse müssen für Temperaturen bis 60 °C ausgelegt sein

Diese Hardware-Anforderungen kosten Zeit und Geld, und sind der Hauptgrund, warum Inline-Glasinspektion längere Implementierungszeiten hat als reine Software-Lösungen.

Datenschutz und Datenhaltung

Glasproduktions-Bilddaten enthalten keine personenbezogenen Daten, die DSGVO ist für diesen Anwendungsfall nur insofern relevant, als dass auf dem Betriebsgelände aufgenommene Daten auch Informationen über Produktionsmethoden und proprietäre Glasrezepturen enthalten können.

Der relevante Schutzbereich ist hier Betriebs- und Geschäftsgeheimnisse: Produktionsbilder von Glas geben implizit Auskunft über Fertigungsverfahren, die wettbewerbsrelevant sind. Das spricht für:

• On-Premise-Verarbeitung: Die Bildauswertung sollte im eigenen Netzwerk stattfinden, nicht in einer US-Cloud. Cognex und ISRA VISION bieten lokale Verarbeitung.
• EU-Hosting bei Cloud-Komponenten: Wenn ihr Landing AI für den PoC nutzt, liegen Trainingsbilder auf US-Servern, vor dem Hochladen mit der Rechtsabteilung klären, ob Produktionsbilder als vertraulich eingestuft sind.
• Netzwerksegmentierung: Das Kamerasystem sollte im OT-Netzwerk bleiben und keinen direkten Internet-Zugang haben. Updates und Modell-Uploads über eine gesicherte Verbindung.

Sprecht außerdem euren Betriebsrat an, bevor ihr das System einführt: In einigen Produktionsumgebungen werden Bilder vom Band als Überwachungsmaßnahme interpretiert, auch wenn sie auf Glasqualität fokussieren. Eine klare Kommunikation, was aufgenommen wird, wie lange gespeichert, wer Zugriff hat, verhindert unnötige Widerstände.

Was es kostet, realistisch gerechnet

Investitionskosten (einmalig)

• ISRA VISION: Einstiegssystem für Flachglas ab rund 80.000 €, vollständige Inline-Inspektion einer Floatlinie ab rund 300.000 € bis über eine Million
• Cognex-basiertes Custom-Setup: 40.000–150.000 € (Hardware + Systemintegration)
• Mechanik, Licht, Trigger-Verkabelung: 10.000–50.000 € zusätzlich (oft unterschätzt)
• Modelltraining und Validierungsprojekt: 20.000–60.000 € (wenn extern begleitet)

Laufende Kosten (jährlich)

• Wartungsvertrag: 8.000–40.000 € (typisch 10–15 % des Systemwertes)
• Modell-Updates bei neuen Fehlertypen oder Produktwechsel: projektabhängig, 5.000–20.000 €
• Zusammen 13.000–60.000 € im Jahr, rund 1.100 bis 5.000 € im Monat

Gegenzurechnen Rechne nicht mit dem Materialwert des Ausschusses, siehe oben: Das Kamerasystem verhindert keinen Fehler, und auf einer Floatlinie geht aussortiertes Glas als Eigenscherben zurück in die Schmelze. Was das System spart, sind zwei Posten, die du einzeln mit deinen Zahlen rechnest:

1. Bearbeitung, die nicht mehr in fehlerhafte Scheiben fließt. Rechenweg: Zahl der Scheiben, die heute erst nach dem Zuschnitt oder beim Kunden als fehlerhaft auffallen, mal die Kosten der Schritte, die zwischen Kamera und heutigem Fundort liegen (Zuschnitt, Kantenbearbeitung, Vorspannen, Verpackung, Transport).
2. Reklamationen, die nicht mehr entstehen. Rechenweg: Glasfehler-Reklamationen pro Jahr mal Kosten je Fall, soweit die Fehler zu den Typen gehören, die das System im Pilot tatsächlich findet.

Ein dritter Posten, weniger Ausschuss, entsteht erst, wenn jemand die Fehlerdaten nutzt und in der Schmelze nachsteuert. Das ist ein eigenes Prozessprojekt. Setzt es im Business Case erst an, wenn ihr den Effekt gemessen habt.

Die Schwelle ist dann schnell ausgerechnet: Ein System für 150.000 € ist nach einem Jahr bezahlt, wenn die Posten 1 und 2 zusammen 163.000 bis 210.000 € im Jahr bringen (150.000 € Investition plus 13.000 bis 60.000 € laufende Kosten). Bringen sie weniger als die laufenden Kosten, amortisiert es sich nie.

Wie du den ROI tatsächlich misst Nicht als Schätzung, sondern als Messung: Dokumentiert vier Wochen lang eure aktuellen Fehler mit Fehlertyp und Fundort (am Band, nach dem Zuschnitt, beim Kunden), das ist eure Baseline. Nach Systemeinführung vergleicht ihr, wie viele Fehler vorn am Band gefunden werden statt hinten. Der Unterschied mal die Bearbeitungskosten dazwischen ist eure belegte Einsparung.

Drei typische Einstiegsfehler

1. Das Lichtdesign als Nachgedanke behandeln. Fast jedes Inline-Glasinspektionsprojekt, das scheitert oder weit hinter den Erwartungen zurückbleibt, hat dasselbe Problem: Das Beleuchtungssystem wurde zu spät geplant oder zu günstig eingekauft. Für transparentes Glas ist das Licht nicht eine Begleitkomponente, es ist der Kern der Fehlererkennung. Blasen werden im Durchlicht sichtbar, Kratzer nur unter bestimmten Streulicht-Winkeln. Wer die Lichtarchitektur als Standardzubehör behandelt und das erstbeste Industrielicht einbaut, trainiert sein Modell auf schlechten Bildern, und wundert sich, warum die Erkennungsrate im Pilot auf einem Niveau stagniert, das die manuelle Prüfung kaum schlägt. Lösung: Das Lichtdesign als erstes in Auftrag geben, nicht als letztes. Vor der Kameraauswahl.

2. Mit zu wenigen und zu einseitigen Fehlerbildern trainieren. Ein CNN-Modell ist nur so gut wie die Beispiele, die es gesehen hat. Wer 200 Bilder von Blasen einpflegt und 20 von Kratzer und 0 von Schlieren, bekommt ein Modell, das Blasen gut erkennt und den Rest halluziniert oder ignoriert. Typisches Szenario: Das System ist in der Testphase beeindruckend, aber nach dem Go-Live tauchen in der Reklamation Fehlertypen auf, die das Modell als “kein Defekt” klassifiziert. Lösung: Vor dem Training systematisch alle Fehlertypen erheben und proportional annotieren, auch die seltenen. Das kostet extra Zeit in der Anlaufphase, aber deutlich weniger als ein Retraining nach dem Launch.

3. Das Modell nicht kontinuierlich aktualisieren. Glas-Produktionsparameter ändern sich: neue Rohstoffchargen, andere Zinnbadchemie, Temperaturregime-Anpassungen. Was der Schmelzofen heute als Blase produziert, kann sich im Erscheinungsbild leicht von dem unterscheiden, was das Modell vor einem Jahr gelernt hat. Systeme, die nach dem Launch nicht regelmäßig mit aktuellen Produktionsdaten nachtrainiert werden, driften in der Erkennungsleistung nach unten, still und ohne Alarm. Lösung: Quartalsweises Review der Modellperformance einplanen (gemessen an: Ausschlusspräzision vs. manuelle Stichproben). Neue Fehlerbilder sammeln und einpflegen, wenn Produktparameter wechseln.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik funktioniert schneller als erwartet, die Organisation reagiert langsamer als erhofft.

Ein typisches Muster: Das Kamerasystem läuft, die Erkennungsrate liegt beim Piloten bei 93 %, alle sind beeindruckt. Dann der Go-Live. Und plötzlich blockiert das System die Linie, weil es einen Kratzer als kritisch einstuft, den erfahrene Prüferinnen als “innerhalb der Toleranz” kennen. Die Schicht stoppt das System manuell. Der Qualitätsleiter bekommt am nächsten Tag die Rückmeldung: “Das System ist zu streng.”

Das ist kein technisches Versagen, es ist ein Kalibrierungsproblem mit organisatorischer Konsequenz. Die Schwellenwerte für Fehlerschwere müssen gemeinsam mit den Prüferinnen und den Qualitätsstandards ausgehandelt werden, bevor das System in den Produktivbetrieb geht. Wer das als technisches Detailproblem abtut, verliert das Vertrauen der Schicht in die ersten Wochen.

Weitere Widerstands-Muster:

Die erfahrenen Prüferinnen und Prüfer, die jahrelang “mit dem Auge” geprüft haben, erleben das System oft als Kritik an ihrer Arbeit. Wichtig: Das System nicht als Ersatz positionieren, sondern als Unterstützung für die Fälle, die das Auge bei acht Stunden Schicht nicht mehr zuverlässig sieht, die Sub-Millimeter-Defekte nach Stunde sechs.

Die Produktionsleitung, die auf Durchsatz optimiert, akzeptiert Linien-Stopps nur, wenn der Nutzen klar größer ist als die Ausfallzeit. Das erfordert eine Rückkopplung: Wie viele Fehler hat das System diese Woche vor dem Zuschnitt gefunden, und was hätte ihre Weiterbearbeitung gekostet? Diese Zahl muss sichtbar sein, im Schichtprotokoll, im Monatsbericht.

Was konkret hilft:

• System im Advisory-Modus starten: Empfehlungen anzeigen, aber Bediener entscheidet, bis Vertrauen aufgebaut ist
• Monatliche Qualitätsrunden mit den Schichtteams: Was hat das System richtig erkannt? Was hat es übersehen?
• Fehler, die das System verpasst hat und die in der Reklamation auftauchten, umgehend ins Trainingsdatenset aufnehmen

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Fehler sind zu vielfältig, das kann kein Modell lernen.” Das ist der häufigste Einwand, und er stimmt in einer Frühphase. Kein Modell lernt 40 Fehlertypen von Anfang an. Das ist aber kein Argument gegen das System, sondern für eine priorisierte Einführung: Die drei häufigsten und teuersten Fehlertypen zuerst. Oft machen wenige Fehlertypen den Großteil des Ausschusses aus, ob das bei euch so ist, zeigt die Fehlerdokumentation aus dem Abschnitt „Das kannst du heute noch tun”. Wenn ja, liefert ein Modell, das diese Typen zuverlässig erkennt, bereits den Großteil des wirtschaftlichen Nutzens.

„Wir haben keine Bilder für das Training.” Das ist ein lösbares Problem, aber ein reales. Bilder müssen aus der laufenden Produktion gesammelt werden, bevor das Training starten kann. Das dauert je nach Fehler-Häufigkeit vier bis zwölf Wochen. Schneller geht es, wenn ihr die manuellen Prüferinnen und Prüfer von Anfang an einbindet: Sie markieren Defekte direkt am Band mit einer einfachen App, das System lernt in Echtzeit.

„Das ist zu teuer für uns.” Für kleine Betriebe stimmt das oft. Ob es für euch stimmt, ist eine Rechnung, keine Haltungsfrage: Reklamationskosten durch Glasfehler der letzten zwei Jahre, geteilt durch zwei, plus die Bearbeitungskosten auf Scheiben, die heute erst nach dem Zuschnitt auffallen. Liegt das nicht deutlich über den laufenden Kosten von 13.000 bis 60.000 € im Jahr, trägt sich das System nicht, egal wie gut es erkennt.

Woran du merkst, dass das zu dir passt

• Glasfehler fallen bei euch regelmäßig erst nach dem Zuschnitt oder beim Kunden auf, und du weißt nicht genau, welcher Fehlertyp dahintersteckt, weil die Dokumentation zu lückenhaft ist
• Reklamationen aus Glasfehlern erreichen euch mehrmals pro Quartal, und die Rückverfolgung zur Ursache scheitert, weil ihr keine Positons-Dokumentation am Band habt
• Deine Prüfpersonen klagen über Ermüdung bei langen Schichten, und der Ausschuss steigt nachweislich in den letzten zwei Stunden einer Achtschicht
• Ihr produziert Spezialitäten mit engen Toleranzen: Automobilglas, Optikelemente, Display-Glas, Architekturglas mit zertifizierten Fehlerklassen, wo Fehlentscheidungen direkte Haftungsfolgen haben

Wann es (noch) nicht passt, drei harte Ausschlusskriterien:

1. Eure Fehler fallen schon heute am Band auf, und kaum einer beim Kunden. Dann verschiebt die Kamera den Fundort nicht nach vorn, und es bleibt wenig zu sparen, die laufenden Kosten aber bleiben. Bevor du in Kameratechnik investierst, lohnt sich eine Fehlerursachenanalyse: Kommt der Ausschuss aus der Schmelze, dem Zuschnitt, dem Transport? Nur wenn Fehler am Band sichtbar sind und trotzdem erst später gefunden werden, hilft ein Kamerasystem.

2. Dein Produktionsmix wechselt sehr häufig, täglich unterschiedliche Glasdicken, Farbtönungen, Beschichtungen. Jeder Produktwechsel erfordert entweder separate Modelle oder aufwändiges Retraining. Für Kleinserienhersteller mit hoher Variantenvielfalt ist Inline-KI derzeit wirtschaftlich kaum zu rechtfertigen.

3. Keine interne Kompetenz für kontinuierliche Modellpflege. Ein Kamerasystem, das nach der Einführung nicht regelmäßig nachtrainiert und kalibriert wird, verliert innerhalb von sechs bis zwölf Monaten an Erkennungsleistung. Ohne eine namentlich verantwortliche Person mit Zeit und Grundkenntnissen in Machine Learning ist das Ergebnis ein teures System, das schlechter wird als die manuelle Prüfung, die es ersetzen sollte.

Das kannst du heute noch tun

Bevor du auch nur einen Anbieter kontaktierst: Führe für vier Wochen eine strukturierte Fehlerdokumentation am Band ein. Notiere bei jeder fehlerhaften Einheit: Fehlertyp, Position im Band, ungefähre Uhrzeit. Das kostet nichts, braucht keine Software, und liefert dir zwei wertvolle Erkenntnisse: Wo entsteht der meiste Ausschuss? Und welche Fehlertypen treten häufig genug auf, dass sich ein Modelltraining lohnt?

Diese Daten sind außerdem dein stärkstes Argument für die Investitionsfreigabe.

Für den ersten digitalen Schritt: Nutze Landing AI mit 50 bis 200 Fotos eurer häufigsten Glasfehler und fehlerfreier Stellen. Das zeigt dir an einem Nachmittag, ob das Grundprinzip der KI-Bilderkennung für eure Defekttypen funktioniert, bevor du Wochen in Anbieterverhandlungen verbringst. Die Bilder landen auf US-Servern, klärt vorher, ob eure Produktionsbilder als vertraulich gelten (siehe Datenschutz).

Quellen & Methodik

• Ausschussquoten und Erkennungsraten: Für Flachglas haben wir keine öffentlich zugängliche, belastbare Vergleichsmessung zwischen manueller und KI-Prüfung gefunden. Die Seite nennt deshalb keine Branchenquoten, sondern zeigt, wie ihr Fundort und Fundrate selbst messt.
• Kameraauflösung: Rechenweg im Beispiel, Bandbreite geteilt durch Pixel je Kamerazeile (2.800 mm geteilt durch 4.096 Pixel ergibt rund 0,7 mm je Pixel).
• ISRA VISION, Cognex, Keyence, Landing AI: Preisrahmen und Funktionsumfang laut unseren Toolseiten, dort mit Quellen belegt; ISRA-Branchenseite isravision.com/en/industries/glass.
• Laufende Kosten und Amortisation: Rechnung dieser Seite aus den oben genannten Kostenrahmen, keine externe Quelle.