Solarschutz-Beschichtung: KI-Inspektion auf Kratzer und Schichtfehler

Das echte Ausmaß des Problems

Solarschutz- und Low-E-Beschichtungen auf Floatglas entstehen im Magnetron-Sputtering-Verfahren: In Hochvakuumkammern werden dünne Metallschichten (Silber, Titan, Zink) mit hoher Präzision auf das Glassubstrat aufgetragen, Schichtdicken zwischen 50 und 300 Nanometern. Eine menschliche Haarsträhne ist 50.000 nm dick. Die Beschichtung ist also physikalisch unsichtbar und nur über ihre optischen und elektrischen Eigenschaften messbar.

Genau das erzeugt das Inspektionsproblem. Die häufigsten Beschichtungsfehler sind:

• Pinholes: Punktförmige Fehlstellen ohne Schicht, oft kleiner als 0,2 mm, Folge von Vakuumunterbrechungen, Partikelkontamination oder gealterten Targetmaterialien
• Kratzer: Lineare Beschädigungen, entstanden durch Transportrollen, Druckluftdüsen oder Kontakt zwischen Scheiben nach dem Sputtern
• Dunkle Kanäle: Streifenförmige Helligkeitsunterschiede durch Kathodenentladungen oder Leistungsunterbrechungen beim Sputtern
• Speckle-Muster: Wolken- oder strahlförmige Inhomogenitäten durch ungleichmäßige Luftdruckverteilung in der Beschichtungskammer
• Schichtflecken: Metallpartikel-Anhaftungen aus dem Targetmaterial

Die menschliche Sichtkontrolle hat dabei ein strukturelles Problem: Die Erkennung von Pinholes unter 0,3 mm ist bei Laufbandgeschwindigkeiten über 8 m/min auch unter optimaler Beleuchtung kaum reproduzierbar, das gilt für ausgebildete Prüfer. Ab der zweiten Stunde einer Prüfschicht sinkt die Erkennungsrate messbar, nach drei Stunden signifikant. Laborstudien zu visueller Inspektion in der Halbleiterindustrie zeigen, dass die durchschnittliche Fehlerrate menschlicher Prüfer bei monotonen Detektionsaufgaben bei 15–25 % liegt, ähnliche Werte werden in der Glasbranche erfahrungsgemäß beobachtet.

Die regulatorischen Anforderungen verschärfen die Lage: DIN EN 1096 (Beschichtetes Glas im Bauwesen) legt Prüfanforderungen für verschiedene Beschichtungsklassen fest. EN 1279 regelt die Dauerhaftigkeit von Isolierglas-Verbünden mit beschichteten Scheiben. Beide Normen verlangen Nachweis der Beschichtungsqualität, ohne instrumentelle Prüfung ist dieser Nachweis schwer zu führen. Gewährleistungsfristen im Bauwesen betragen nach § 634a Abs. 1 Nr. 2 BGB regulär fünf Jahre. Für Beschichtungsversagen, das erst nach Monaten sichtbar wird, landet der Nachweis fast immer beim Hersteller.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Zahlen stammen aus Erfahrungswerten der Glasinspektionsbranche sowie dem Inspektionssystem-Portfolios von Dr. Schenk GmbH (Gräfelfing), einem der ältesten spezialisierten Glasinspektionsanbieter in Europa. Einzelne Installationen zeigen abweichende Werte je nach Beschichtungstyp und Beleuchtungssetup.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Manuelle Sichtprüfung nach der Sputteranlage bindet typisch 2–4 Mitarbeitende pro Schicht im Drei-Schicht-Betrieb. Ein KI-System übernimmt diese Aufgabe vollständig, die Prüfer werden umgeleitet auf Stichprobenvalidierung und Systemüberwachung. In dieser Kategorie ist das ein starker Hebel, aber nicht der stärkste: Die Floatglas-Blasenerkennung erzielt eine vergleichbare Entlastung mit direkterer Linienkopplung.

Kosteneinsparung, hoch (4/5) Ein verhinderter Gewährleistungsfall spart je nach Scheibenpreis und Einbausituation 5.000–50.000 €. Bei einer Jahresreklamationsquote von 0,3–0,5 % in einem mittelgroßen Solarschutzglas-Betrieb ergeben sich jährliche Einsparungen von 80.000–300.000 €. Der Investition von 80.000–200.000 € für ein Einstiegssystem steht damit ein ROI-Break-even von 12–24 Monaten gegenüber, realistisch, aber abhängig von der tatsächlichen Gewährleistungsfrequenz.

Schnelle Umsetzung, mittel (3/5) Zwischen Beschluss und produktivem Betrieb vergehen realistisch 4–10 Monate: Kameramontage an der Laufbahn, Beleuchtungskonzept für reflektierende Oberflächen, Defektbibliothek anlegen, Modell trainieren, Parallelvalidierung. Das ist kein einfacher Software-Rollout, aber für industrielle Hardware-Integration kein außergewöhnlicher Aufwand. Im Vergleich zu anderen Use Cases dieser Kategorie liegt das im mittleren Bereich.

ROI-Sicherheit, hoch (4/5) Der ROI ist strukturell klar: Jede verhinderte Reklamation ist ein direkt messbarer Gewährleistungsfall. Das unterscheidet diesen Anwendungsfall von indirekten Nutzenversprechen wie Zeitersparnis. Einschränkung: Wer sehr wenige Gewährleistungsfälle hat, rechtfertigt die Investition schwerer, der ROI hängt direkt an der historischen Fehlerfrequenz.

Skalierbarkeit, hoch (4/5) Das System kann auf mehrere Beschichtungslinien ausgerollt werden: Gleiche Kameratechnik, gleiche Softwareplattform, Modell-Transferlearning aus der ersten Linie reduziert Trainingsaufwand für die zweite. Bei Produktwechsel (neue Beschichtungstypen, tönende Scheiben) ist Nachtraining nötig, kein vollständiger Neustart, aber nicht trivial.

Richtwerte, stark abhängig von Bandgeschwindigkeit, Beschichtungstyp und aktuellem Gewährleistungsvolumen.

Was das System konkret macht

Das technische Fundament ist Computer Vision kombiniert mit Deep Learning: Eine oder mehrere Hochgeschwindigkeitskameras nehmen die beschichtete Glasoberfläche kontinuierlich auf, nicht als Einzelbild, sondern als Linienscans, die zu einem Flächenbild zusammengesetzt werden. Je nach gewähltem Sensortyp (mehr dazu im nächsten Abschnitt) arbeitet das System im sichtbaren Licht, Nahinfrarot oder mehreren Spektralbändern gleichzeitig.

Das Herzstück ist ein trainiertes neuronales Netz, typisch ein Convolutional Neural Network (CNN), das aus dieser Bildsequenz in Echtzeit Defekte identifiziert und klassifiziert. Es unterscheidet dabei:

• Echte Defekte: Pinholes (punktförmige Fehlstellen ohne Schicht), Kratzer (lineare Beschädigungen), Sputter-Flecken (Metallpartikel), Kanaldefekte (Streifenmuster)
• Scheindefekte: Staub auf der Kameraoptik, Kondensation, Reflexionen von Beleuchtungsartefakten, Glassubstratfehler unterhalb der Beschichtung

Dieser zweite Schritt, die Trennung von echten Defekten und Störsignalen, ist das eigentlich Schwierige. Reflektierende Beschichtungen erzeugen Lichtartefakte, die für das Kamerasystem wie Defekte aussehen. Das Modell lernt diesen Unterschied aus tausenden klassifizierten Beispielbildern: Pinholes haben eine charakteristische Intensitätsverteilung, Kratzer eine gerichtete Struktur, Staub liegt typischerweise auf der Optik (und bleibt an fester Position), Kondensation hat eine spezifische Helligkeitscharakteristik.

Nach der Klassifikation werden die Koordinaten jedes erkannten Defekts, Position auf der Scheibe in x/y-Millimetern, Defekttyp, Größe, an das MES (Manufacturing Execution System) übergeben. Die Scheibe erhält einen Qualitätsstempel: Gut, Ausschuss oder Nachbesserung. Im Reklamationsfall kann der Hersteller nachweisen, dass die Scheibe den Prüfpunkt ohne Befund passiert hat, oder genau umgekehrt, dass ein bekannter Defekt dokumentiert und bewusst freigegeben wurde.

Hyperspektral vs. RGB, wann welche Kamera lohnt sich

Das ist die technische Entscheidung, die den größten Einfluss auf Systemkosten und Erkennungstiefe hat, und die in keinem Verkaufsgespräch ausreichend erklärt wird.

RGB-Kamera mit optimierter Beleuchtung

RGB-Kameras (sichtbares Licht, drei Spektralkanäle) sind die günstigere und in der Solarschutzglas-Inspektion meistverbreitete Wahl. Sie erkennen zuverlässig:

• Kratzer und lineare Beschädigungen, die die Beschichtungsmorphologie verändern
• Schichtflecken und Metallpartikel mit ausreichendem optischen Kontrast
• Kanaldefekte durch lokale Helligkeitsabweichungen
• Pinholes ab ca. 0,3 mm unter optimaler Auflicht- und Dunkelfeldbeleuchtung

Grenzen von RGB: Schichtdickenabweichungen (ΔD < 5 nm) und frühe Oxidation der Silberschicht sind im sichtbaren Licht unsichtbar, solange sie keine makroskopische Farbänderung erzeugen. Wer nur Morphologie-Defekte prüft, fährt mit RGB gut.

Investition: komplettes Inline-RGB-System inkl. Beleuchtung, Kamera, Auswertung ab ca. 30.000–80.000 €. Bei Integration in bestehende Cognex- oder Keyence-Linie niedriger.

Multispektral- und Hyperspektralkamera

Hyperspektralsysteme messen für jeden Bildpunkt ein vollständiges Spektrum (typisch 400–2500 nm, Nahinfrarot eingeschlossen). Das ermöglicht:

• Erkennung von Schichtdickenabweichungen unter 5 nm, für ΔE-Kalibrierung nach DIN EN 1096
• Frühe Oxidationserkennung in der Silberschicht, bevor sichtbare Verfärbung eintritt
• Unterscheidung zwischen Substratfehler (im Glas) und Beschichtungsfehler, im sichtbaren Licht nicht trennbar
• Messung der Farbgleichmäßigkeit über die gesamte Scheibenbreite (ΔE < 1)

Die Anschaffungskosten für ein hyperspektrales Inline-System liegen deutlich höher: 150.000–350.000 € für vollständige Installationen. Hinzu kommt mehr Rechenaufwand, weil jeder Pixel einen vollständigen Spektralvektor erzeugt (statt 3 Kanäle sind es 200+).

Wann welche Wahl sinnvoll ist:

Praxis-Empfehlung: Für die meisten Solarschutzglas-Hersteller mit Fokus auf Morphologie-Defekten (Kratzer, Pinholes, Flecken) ist eine hochauflösende RGB-Linienkamera mit optimiertem Dunkelfeld-Beleuchtungskonzept die wirtschaftlich sinnvollste Wahl. Nur wenn Schichtdickenvariation oder ΔE-Dokumentation regulatorisch oder vertraglich gefordert ist, rechnet sich der Mehraufwand einer Hyperspektralkamera.

Was dein Defektkatalog leisten muss

Das ist die Voraussetzung, die in keinem Systemangebot steht, und die über Erfolg oder Misserfolg der Einführung entscheidet.

Ein Machine Learning-Modell kann nur erkennen, was es beim Training gesehen hat. Und es muss es in ausreichend vielen Varianten gesehen haben: unterschiedliche Ausleuchtung, verschiedene Substratgläser, Saisoneffekte auf die Kammer-Kondensation, unterschiedliche Beschichtungstypen. Das bedeutet, du brauchst vor dem ersten Trainingsschritt eine strukturierte Defektbibliothek.

Was der Katalog enthalten muss:

• Mindestens 200–500 Beispielbilder pro Defektklasse (Pinhole, Kratzer, Kanaldefekt, Schichtfleck)
• Gleiche Anzahl an Negativbeispielen (saubere Scheiben, Scheindefekte)
• Bilder aus mindestens 3 verschiedenen Produktionstagen (Tageszeit, Temperatur, Chargeneffekte)
• Bilder aus verschiedenen Glastypen, wenn mehrere Substrate verarbeitet werden

Wer labelt?

Das ist keine rein technische Frage. Die Person, die Defektbilder klassifiziert, muss zwei Dinge gleichzeitig können: den Defekt erkennen und ihn korrekt benennen. In der Praxis sind das erfahrene Prüfer, genau die Menschen, die das System später ersetzen soll. Hier liegt eine reale Akzeptanzfalle: Wenn Prüfer merken, dass ihre Expertise für das Training des Systems genutzt wird, das ihre Stelle gefährdet, sinkt die Bereitschaft zur Zusammenarbeit. Das muss offen kommuniziert werden.

Inter-Rater-Reliabilität: Wenn drei Prüfer dasselbe Defektbild ansehen, nennen sie manchmal unterschiedliche Klassen, “Kratzer” vs. “Kanaldefekt”, “Pinhole” vs. “Substratfehler”. Diese Inkonsistenz geht direkt ins Modell ein und produziert schlechtere Erkennungsraten. Vor dem Labeling-Prozess: einmalige Kalibrierungssession mit allen beteiligten Prüfern, Konsens über Klassendefinitionen und Grenzfälle, schriftliche Klassifizierungsanweisung.

Ein realistischer Zeitaufwand für eine vollständige Erstbibliothek: 4–8 Wochen Sammelzeit (Scheiben mit bekannten Fehlern identifizieren und aufheben), 2–3 Wochen Labeling. Das ist kein Wochenendprojekt.

Konkrete Werkzeuge, was wann passt

ISRA VISION, für Großproduzenten mit hohem Volumen Die Referenzlösung in der europäischen Glasindustrie. Inline-Inspektionssysteme für Floatglas bei Bandgeschwindigkeiten bis 20 m/min, lernfähige Klassifikation mit 50+ Fehlertypen, vollständige MES-Anbindung via OPC UA. Für Architekturglas- und Solarglasfertiger mit mehr als 30.000 m²/Tag Tagesvolumen die erste Adresse. Preisrahmen: 80.000–600.000 € je nach Ausbaustufe. Lange Implementierungszeiten (6–18 Monate) einkalkulieren.

Dr. Schenk Glasinspektion, europäischer Spezialist für Beschichtungsinspektion Dr. Schenk GmbH Industriemesstechnik aus Gräfelfing (Bayern) ist seit über 35 Jahren auf Glasinspektion spezialisiert, einer der wenigen Anbieter weltweit mit dedizierter Beschichtungsinspektion via GlassInspect und GlassMeasure. Die proprietäre MIDA-Technologie erzeugt mehrere Bilder pro Defekt aus verschiedenen Winkeln, was die Klassifikation von Beschichtungsfehlern gegenüber generischen Systemen verbessert. Für Architekturglas- und Solarglashersteller mit spezifischem Beschichtungsbedarf eine ernsthafte Alternative zu ISRA VISION. Einstieg ab ca. 100.000–250.000 €.

Cognex Vision, wenn bestehende Linienkompetenz vorhanden ist Cognex-Systeme (In-Sight 2800/3800, VisionPro Deep Learning) sind in deutschen Fertigungslinien weit verbreitet und gut in SPS-Steuerungen integrierbar. Für Solarschutzglas-Inspektion ist Cognex kein Spezialsystem, aber mit dem richtigen Beleuchtungskonzept und Modelltraining einsetzbar. Vorteil: Wenn in eurem Werk bereits Cognex-Systeme für andere Aufgaben laufen, vereinfacht das Integration und Wartung. Kamerapreise 4.000–30.000 €, Integration durch Systemintegratoren 15.000–50.000 €.

KEYENCE Vision, für den einsteigerfreundlicheren Zugang KEYENCE bietet kostenlose Vor-Ort-Beratung und Leihgeräte zum Testen, was bei einem Erstprojekt in der Beschichtungsinspektion hilfreich ist. Die KI-Funktionen in der CV-X-Serie sind für standardisierte Defektklassen gut geeignet. Einschränkung: KEYENCE-Systeme sind für allgemeine Qualitätsprüfung entwickelt, nicht für die Besonderheiten reflektierender Glasbeschichtungen. Für einfache Kratzer- und Fleckenerkennung ausreichend, für tiefe Schichtanalytik zu generisch.

Landing AI (LandingLens), für Pilotprojekte ohne eigenes ML-Team Wenn ihr testen wollt, ob euer Defektkatalog ausreicht und wie gut ein CNN auf euren Bilddaten trainiert, ist LandingLens eine zugängliche Einstiegsplattform: No-Code-Modelltraining, kein ML-Experte nötig, flexible Deployment-Optionen. Wichtige Einschränkung: Landing AI hat keinen SPS-Integrations-Layer, der für eine echte Inline-Installation nötig wäre. Geeignet für den Proof-of-Concept, nicht für den Produktivbetrieb.

Custom-Lösung mit PyTorch auf Industriekamera Für Betriebe mit einem eigenen Softwareentwickler oder Systemintegrator lohnt sich eine Custom-Lösung: Industriekamera (z. B. Basler oder Allied Vision), Darkfield-Beleuchtung, Edge-Computer auf der Linie, PyTorch-Modell trainiert auf dem eigenen Defektkatalog. Vorteil: maximale Kontrolle, kein Vendor-Lock-in, günstiger im Dauerbetrieb. Nachteil: mehr Eigenleistung, keine fertige Glasinspektions-Expertise im System.

Wann welche Lösung:

• 30.000 m²/Tag, Architektur- oder Automobilglas → ISRA VISION

• Beschichtungsanalyse + Schichtdicke spezifisch → Dr. Schenk
• Cognex bereits im Haus → Cognex mit Systemintegrator
• Mittelstand, erster Einstieg → KEYENCE Leihgerät testen
• Proof-of-Concept ohne eigenes ML → Landing AI
• Eigener Entwickler vorhanden → Custom mit PyTorch

Datenschutz und Datenhaltung

Die Verarbeitung von Glasinspektionsdaten berührt in aller Regel keine personenbezogenen Daten, Bildverarbeitung prüft Glasoberflächen, nicht Personen. DSGVO-Relevanz entsteht an zwei Stellen:

Fernwartung durch externe Anbieter. ISRA VISION, Dr. Schenk und alle anderen Systemintegratoren benötigen für Wartung, Kalibrierung und Modell-Updates Fernzugang zur Anlage. Dieser Zugriff läuft über VPN auf eure Produktionsumgebung, ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO ist einzuholen, wenn dabei auch Produktionsdaten der Fertigung übertragen werden. Alle genannten deutschen Anbieter (ISRA VISION Darmstadt, Dr. Schenk Gräfelfing) stellen AVV-Vorlagen auf Anfrage bereit.

Cloud-Optionen für Modell-Updates. Einige Systeme bieten optionale Cloud-Konnektivität für kollaborative Modellentwicklung, ISRA VISION, Cognex AI. Prüft, ob produktionsspezifische Bilddaten dabei an den Hersteller-Server übertragen werden. Wenn eure Produktionsbilder Informationen über Beschichtungsrezepturen oder Fertigungsparameter enthalten, sind das Betriebsgeheimnisse, die vertraglich geschützt werden müssen.

Empfehlung: Die einfachste und sicherste Konfiguration ist vollständig lokale Verarbeitung: Kamera auf dem Edge-Computer in der Linie, keine obligatorische Cloud-Anbindung, Fernwartung über VPN mit Protokollierung. Das ist der Standard-Betriebsmodus bei allen genannten Anbietern.

Was es kostet, realistisch gerechnet

Einmalige Investitionskosten (Komplettinstallation)

Laufende Kosten

Wartungsverträge bei spezialisierten Anbietern: 10–15 % des Anschaffungswerts pro Jahr. Für ein 150.000 €-System bedeutet das 15.000–22.500 € jährlich. Custom-Lösungen mit PyTorch: niedrigere Lizenzkosten, aber eigener Entwicklungsaufwand für Modell-Updates.

ROI-Rechnung (konservativ)

Annahmen: Solarschutzglas-Betrieb mit 15.000 m²/Tag, aktuell 0,4 % Reklamationsquote, durchschnittlicher Gewährleistungsschaden 18.000 € pro Fall (Scheibe + Montage + Ausfallkosten Bauherr). Das sind rechnerisch 60 Gewährleistungsfälle/Jahr × 18.000 € = 1,08 Mio. €. Ein KI-System verhindert nach Anlaufphase realistisch 60–80 % dieser Fälle. Konservativ: 60 % = 648.000 €/Jahr.

Bei einem Systempreis von 150.000 € plus 20.000 € jährlicher Wartung: Break-even nach ca. drei bis vier Monaten Produktivbetrieb.

Diese Rechnung setzt voraus, dass die Reklamationsquote tatsächlich durch Herstellungsfehler entsteht und nicht durch Verarbeitungsfehler beim Fensterbauer. Wenn die eigene Gewährleistungshistorie unklar ist, lohnt sich vor der Investitionsentscheidung eine Fehlerherkunftsanalyse: Wo genau sind die Schäden entstanden, im Werk oder beim Einbau?

Drei typische Einstiegsfehler

1. Das System wird auf zu wenigen Defektbeispielen trainiert. Das häufigste Problem: Man sammelt zwei Wochen lang Bilder und trainiert dann das Modell, mit 30 Pinhole-Beispielen, 15 Kratzerbildern und 50 sauberen Scheiben. Das reicht nicht. Ein CNN braucht typisch 200–500 klassifizierte Beispiele pro Defektklasse, um zuverlässig zu generalisieren. Mit zu wenig Training entsteht ein Modell, das auf den Trainingsbildern gut funktioniert und in der Produktion schlecht. Die Lösung ist keine bessere Technik, es ist Zeit: mindestens 6–8 Wochen Datensammlung, bevor das Training beginnt.

2. Die Beleuchtung wird beim Systemkauf unterschätzt. Reflektierende Beschichtungen sind optisch anspruchsvoll. Das Beleuchtungskonzept, Auflicht, Dunkelfeld, Streifenprojektion, Winkel, bestimmt, welche Defektklassen überhaupt sichtbar werden. Pinholes sind im Durchlicht gut erkennbar, Kratzer im Dunkelfeld. Wer das Beleuchtungskonzept dem Systemintegrator überlässt, ohne eigene Anforderungen zu definieren, riskiert ein System, das für den verbreitetsten eigenen Defekttyp keine optimale Detektionscharakteristik hat. Vor der Investitionsentscheidung: Referenzinstallation bei ähnlichem Betrieb besichtigen.

3. Das Modell wird nach der Einführung nie nachtrainiert. Das ist der gefährlichste Fehler, weil er still passiert.

Wenn das Werk einen neuen Substratglas-Lieferanten wechselt, ein neues Beschichtungsprodukt einführt oder die Sputteranlage gewartet wird, verändert sich das Erscheinungsbild der Oberfläche geringfügig. Das bereits trainierte Modell kennt diese Variante nicht, und beginnt, entweder Defekte zu übersehen (weil das Muster leicht anders ist) oder Scheindefekte zu melden (weil die neue Oberfläche vom Trainingsbild abweicht). Edge AI and Vision Alliance hat 2026 beschrieben, wie Inspektions-KI in Produktionslinien durch Produktionsänderungen innerhalb von Wochen degradiert, nicht durch Systemfehler, sondern durch schleichende Verteilungsverschiebung der Eingabedaten.

Die Lösung ist ein Wartungsprotokoll für das Modell: Wer ist verantwortlich? Was löst ein Nachtraining aus (neuer Lieferant, neue Beschichtung, mehr als 2 % Falschalarmrate)? Das muss im Rollout-Plan stehen, nicht im „irgendwann”-Abschnitt.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist das Einfachste an dieser Einführung. Das Schwierigere ist die Produktionslinie.

Widerstand der Sichtprüfer. Das System ersetzt menschliche Prüfarbeit, das ist kein Geheimnis. Prüfer, die 10–15 Jahre an der Linie gearbeitet haben, wissen das sofort. Der produktivste Umgang damit ist Transparenz: frühzeitig kommunizieren, wer das System bedient, wer Stichprobenvalidierungen macht, wer im Fehlerfall entscheidet. Wo Prüfer als Systemspezialisten in die neue Rolle eingebunden werden, ist die Akzeptanz deutlich höher als bei einer Top-Down-Einführung.

Die erste Betriebswoche widerlegt die Testphase. In der Pilotinstallation läuft alles unter Sonderbedingungen: Der Systemintegrator ist vor Ort, die Beleuchtung ist optimal eingestellt, das Modell wurde auf aktuellen Produktionsdaten trainiert. In Woche zwei oder drei im Normalbetrieb kommt der erste Lieferstopp: Die Linie steht, weil die Falschalarmrate plötzlich 8 % beträgt, weil jemand die Hallenbeleuchtung geändert hat. Dieser Moment kommt in fast jeder Einführung. Wer ihn erwartet, übersteht ihn. Wer glaubt, das System sei sofort fertig, bricht den Rollout ab.

Was hilft:

• Parallel-Validierungsphase von mindestens 6 Wochen: KI und manuelle Prüfung laufen gleichzeitig, alle Diskrepanzen werden dokumentiert und nachgeschult
• Benennt eine namentliche Person als System-Owner: Wer ist verantwortlich für Modell-Updates, Kalibrierungsintervalle und Schwellenwertanpassungen?
• Falschalarmrate und False-Negative-Rate wöchentlich auswerten, nicht einmal im Monat. Drift passiert schnell.

Realistischer Zeitplan mit Risikohinweisen

Der Zeitplan gilt für einen Mittelständler mit einer Beschichtungslinie. Bei mehreren parallelen Linien oder komplexem Beleuchtungskonzept: 4–6 Wochen additiv einrechnen.

Häufige Einwände, und was dahintersteckt

„Unsere Prüfer erkennen alle relevanten Fehler.” Das ist, was jede Sichtkontrolle-Organisation glaubt, bis die erste Gewährleistungsreklamation eintrifft. Die ehrlichere Frage: Welche Fehlertoleranzen hat die manuelle Kontrolle wirklich? Wenn niemand die False-Negative-Rate der menschlichen Prüfung gemessen hat, ist diese Aussage eine Annahme, keine Erkenntnis. Ein pragmatisches Vorgehen: Drei Monate lang alle Reklamationsscheiben systematisch auf Herstellungsursprung zurückverfolgen. Wenn dabei kein Produktionsfehler zu finden ist, stimmt der Einwand. In der Praxis findet fast jedes Werk dabei mindestens einen Fall.

„Das rechnet sich für unseren Durchsatz nicht.” Das ist der richtige Einwand, und er muss gerechnet werden, nicht angenommen. Die Investitionsschwelle liegt je nach System zwischen 30.000 und 300.000 €. Für einen Betrieb mit 2.000 m²/Tag und einer Reklamationsquote von 0,1 % mit durchschnittlich 5.000 € Schadenhöhe ergibt das 10 Fälle × 5.000 € = 50.000 €/Jahr. Ein 80.000-€-System amortisiert sich dann in knapp zwei Jahren, das ist vertretbar. Ein 300.000-€-Spezialsystem nicht. Die Systemwahl muss zur Betriebsgröße passen.

„Wir haben keine IT-Ressourcen für das System.” Das ist real. ISRA VISION und Dr. Schenk liefern vollständige Systeme inklusive Wartung. Landing AI läuft als Plattform. Für Custom-Lösungen mit PyTorch braucht ihr tatsächlich jemanden, der Code schreibt. Der ehrliche Kompromiss: Ein vollständig betreutes Spezialsystem ist teurer in der Anschaffung, aber unabhängiger vom internen IT-Know-how. Wenn der Betrieb keine eigene OT/IT-Kompetenz hat, ist ein betreutes Komplettsystem die sicherere Wahl.

Woran du merkst, dass das zu dir passt

• Du hast eine Sputteranlage für Solar- oder Low-E-Beschichtungen und weißt, dass Pinholes und Schichtfehler ein systematisches Qualitätsproblem sind
• Deine aktuelle Reklamationsquote liegt über 0,2 % und du hast mindestens drei Fälle, bei denen der Schaden im Werk entstanden ist
• Deine Linie läuft mit 10 m/min oder mehr, manuelle Sichtkontrolle ist physikalisch nicht in der Lage, alle relevanten Defekte zuverlässig zu erkennen
• Du hast eine Scheibenprüfhistorie, die du bei Reklamationen nicht lückenlos nachweisen kannst, das ist bei reiner Sichtkontrolle fast immer der Fall
• Deine Kunden sind Fassadenbauer, Profilsystemhersteller oder Isolierglashersteller mit OEM-Qualitätsanforderungen, diese Kunden werden zunehmend instrumentelle Prüfnachweise fordern

Wann es sich noch nicht lohnt, drei harte Ausschlusskriterien:

1. Tagesvolumen unter 5.000 m² oder weniger als fünf Gewährleistungsfälle pro Jahr mit Herstellungsursprung: Die Investition in ein Spezialsystem ist nicht amortisierbar. Stattdessen: Stichprobenkontrolle mit Handheld-Inspektionsleuchten verbessern und Defektkatalog aufbauen, beides ist Vorbereitung für den späteren Systemeinsatz.

2. Kein klassifizierter Defektkatalog vorhanden: Wenn ihr heute keine 200 Bilder pro Defektklasse aus eurer eigenen Produktion zeigen könntet, könnt ihr kein sinnvolles Modell trainieren. Dann ist der erste Schritt die Defektbibliothek, nicht die Kamera. Das Modell ist nur so gut wie die Trainingsdaten.

3. Kein MES oder digitales Produktionssystem vorhanden: Das KI-System erzeugt Defektkoordinaten und Qualitätsstempel. Wenn es kein System gibt, das diese Daten empfängt und für die Prüfhistorie speichert, entfällt der Dokumentationsvorteil vollständig. Ohne MES-Anbindung habt ihr eine teure Ampel, kein Qualitätsmanagementsystem.

Das kannst du heute noch tun

Öffne die Reklamationsdaten des letzten Jahres und filtere auf Fälle, bei denen Beschichtungsversagen als Ursache dokumentiert ist, oder wahrscheinlich ist. Ordne jeden Fall einer Kategorie zu: Kratzer (Handlingschaden), Pinhole (Sputterdefekt), Schichtfleck (Kontamination), sonstige. Schätze den direkten Schadenwert (Scheibenpreis + Montage + Kulanz) und summiere.

Das dauert einen Nachmittag und zeigt dir, ob der finanzielle Hebel vorhanden ist. Wenn die Summe unter 50.000 € liegt, ist eine Investition in ein Spezialsystem schwer zu rechtfertigen. Wenn sie über 150.000 € liegt, finanziert sich das System fast von selbst.

Für den ersten technischen Eindruck: Nutze den folgenden Prompt, um mit einem KI-Assistenten die technischen Anforderungen eurer Anlage zu strukturieren.

Quellen & Methodik

• Dr. Schenk GmbH Industriemesstechnik, Gräfelfing: Hersteller-Dokumentation zu GlassInspect und GlassMeasure für beschichtetes Glas; MIDA-Technologie-Beschreibung (abgerufen Mai 2026 über drschenk.com). 35+ Jahre Spezialisierung auf Glasinspektion.
• Edge AI and Vision Alliance (Februar 2026): „What Happens When the Inspection AI Fails: Learning from Production Line Mistakes”, Analyse von Inspektions-KI-Versagensmustern in Produktionslinien; Datenpunkt: 34 % der Fertigungsdefekte werden durch Inspektionssystemfehler nicht erkannt.
• Averroes.ai, Automated Optical Inspection Price Guide (2026): Hardware-Preisbenchmarks für automatische optische Inspektionssysteme, 2D und 3D.
• MORN GLASS (2024): „The defects of coated glass and solutions”, Defekttypologie und Ursachenanalyse für magnetron-gesputterte Beschichtungen (Pinholes, Kratzer, Kanaldefekte, Speckle).
• DIN EN 1096: Normenreihe „Glas im Bauwesen, Beschichtetes Glas”, Teile 1–5. Prüfanforderungen für verschiedene Beschichtungsklassen; Grundlage für Dauerhaftigkeitsnachweise.
• DIN EN 1279: Normenreihe für Mehrscheiben-Isolierglas; Teil 5 Produktnorm. Anforderungen an Haftung auf Beschichtungen und Dauerhaftigkeit.
• Preisangaben Inspektionssysteme: Erfahrungswerte aus Marktbeobachtungen und Herstellerportfolios (ISRA VISION, Dr. Schenk, Cognex, KEYENCE), Stand Mai 2026. Keine Listenpreise verfügbar, alle Angaben sind Orientierungswerte.
• ROI-Beispielrechnung: Eigene Modellrechnung auf Basis veröffentlichter Gewährleistungsrahmenbedingungen (§ 634a BGB Fünfjahrsfrist für Baumängel) und branchenüblicher Schadenwerte aus Glasinspektionsprojekten.

Du willst wissen, welches System für euren spezifischen Beschichtungstyp und eure Linienkonfiguration am besten passt? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.