Kristallglas-Inspektion: 3D-KI-Sichtprüfung auf Mikrorisse und Einschlüsse

Das echte Ausmaß des Problems

Kristallglas ist das materialintensivste Produkt in der Glasveredlung: hoher Bleioxid- oder Bariumoxidanteil, aufwändige Schmelze, manuelle oder halbmanuelle Formgebung, anschließend Schleifen und Polieren in mehreren Schritten. Ein Weinglas aus der Premium-Linie hat einen Materialwert von 8–15 €, einen Verkaufspreis von 35–120 € und eine Prüfanforderung, die der Massenproduktionsprüfung strukturell unterlegen ist.

Das eigentliche Problem: Kristallglas ist transparent, glänzend und dreidimensional komplex geformt, drei Eigenschaften, die automatisierte Defekterkennung grundsätzlich schwieriger machen als bei Flachglas oder Keramik. Ein Mikroriss am Stielansatz eines Weinglases liegt auf einer gekrümmten, glänzenden Oberfläche, die je nach Blickwinkel Licht vollständig anders reflektiert. Prüfer drehen das Glas bei der manuellen Kontrolle instinktiv in bestimmten Winkeln, und übersehen dabei systematisch andere Winkel, in denen Defekte erst sichtbar werden.

Bei einem mittelgroßen Kristallglas-Hersteller mit 500.000 Stück Jahresproduktion und einer Reklamationsquote von 1,5% bedeutet das: 7.500 fehlerhafte Gläser gelangen jährlich zum Kunden oder Handel. Bei einem durchschnittlichen Rücksende- und Bearbeitungsaufwand von 15–25 € pro Fall (Logistik, Gutschrift, Kommunikation) ergibt das direkte Reklamationskosten von 112.000–187.000 € pro Jahr, ohne den Imageverlust beim Fachhandel zu beziffern, der bei Premium-Marken oft schwerer wiegt als der direkte Schaden.

Hinzu kommt der Prüfaufwand selbst: Sechs Vollzeit-Prüferinnen an einer Schichtlinie kosten 180.000–240.000 € Jahrespersonalkosten. Die Fehlererkennungsrate liegt in Praxisstudien zur manuellen Sichtprüfung bei transparenten Objekten bei 75–85% für Defekte über 0,3 mm, Mikrorisse unter 0,2 mm werden zuverlässig nur in 40–60% der Fälle erkannt (Schätzwert aus Praxisberichten der industriellen Bildverarbeitung).

Das strukturelle Problem ist nicht mangelnde Sorgfalt der Prüferinnen. Es ist die physikalische Grenze des menschlichen Sehvermögens unter Akkord-Bedingungen bei transparenten, geometrisch komplexen Objekten.

Mit vs. ohne KI, ein ehrlicher Vergleich

Detektionsraten für Kristallglas-3D-Inspektion: Angaben basieren auf publizierten Systemdaten von Keyence IV3-Serie und Cognex In-Sight 2800 sowie akademischen Studien zur CNN-basierten Defekterkennung an transparenten Objekten (2021–2024). Praxiswerte variieren je nach Defekttyp, Produktform und Trainingsqualität des Modells.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Vier bis sechs manuelle Prüfposten können auf ein bis zwei Stichproben-Überwachungsrollen reduziert werden. Das ist ein erheblicher Personaleffekt, aber kein vollständiger Wegfall, weil das System Grenzfälle und neue Produktvarianten weiterhin menschliche Validierung braucht. Die gesetzliche Prüfverantwortung liegt beim Hersteller; das KI-System übernimmt die Klassifikation, aber keine juristische Garantie.

Kosteneinsparung, mittel (3/5) Die direkten Einsparungen aus reduzierten Reklamationen (112.000–187.000 €/Jahr bei mittlerer Produktionsgröße) und Personalkosten sind real messbar. Aber der Imagewert von Null-Reklamation bei Premium-Marken, der eigentlich größte ROI-Hebel, lässt sich nicht in eine Tabelle schreiben. Verglichen mit Floatglas-Anwendungen (Millionenausschuss pro Monat) ist das absolute Einsparpotenzial moderater.

Schnelle Umsetzung, gering (2/5) 8–15 Monate Projektlaufzeit sind realistisch: 3D-Referenzmodelle für jede Produktform müssen aufgebaut werden, Trainingsdaten sind handarbeitslastig zu beschriften, die Förderband-Integration braucht mechanische Anpassungen. Für Betriebe ohne bestehende Machine-Vision-Erfahrung sind 12 Monate der ehrlichere Erwartungswert.

ROI-Sicherheit, mittel (3/5) Reklamationsquote und Personalkosten sind messbar, der Break-even lässt sich ausrechnen. Aber die Entscheidung, wie viel der Imagewert einer zuverlässigeren Qualität wert ist, bleibt qualitativ. Außerdem: Die Investition amortisiert sich nur bei ausreichender Produktionsvolumen (ab ca. 200.000 Stück/Jahr sinnvoll).

Skalierbarkeit, mittel (3/5) Jede Produktform (Weinglas, Sektflöte, Vase, Schale) braucht ein eigenes 3D-Referenzmodell. Der Aufwand für die erste Form ist der größte, nachfolgende Formen gehen schneller. Ein Sortiment mit 30–50 Formen braucht dennoch 30–50 Referenzmodelle, was bei häufigen Produktwechseln operativen Overhead bedeutet.

Richtwerte, stark abhängig von Produktionsgröße, Sortimentskomplexität und verfügbarer interner Machine-Vision-Kompetenz.

Was das System konkret macht

Eine KI-gestützte 3D-Inspektion für Kristallglas kombiniert zwei physikalisch unterschiedliche Bildgebungsverfahren, weil kein einzelnes Verfahren alle relevanten Defekttypen erkennt:

Strukturiertes Licht für Oberflächengeometrie und Mikrorisse

Ein 3D-Strukturlicht-Scanner projiziert ein Streifenmuster auf das Glas-Objekt und misst die Verzerrung dieses Musters, um ein hochauflösendes 3D-Höhenprofil der Oberfläche zu rekonstruieren. Mit einer Punktauflösung von 0,05–0,1 mm werden Mikrorisse als lokale Tiefenabweichungen sichtbar, die auf dem 2D-Bild nicht erkennbar wären.

Das Verfahren hat eine wichtige Einschränkung bei transparentem Glas: Das projizierte Streifenmuster wird an der Glasoberfläche nur teilweise reflektiert, ein Teil des Lichts tritt ins Material ein und wird an der Rückseite reflektiert oder gestreut. Bei stark gebogenen Oberflächen (Stielansatz, Fußrand) kann die Tiefenmessung unzuverlässig werden. Hochwertige Systeme verwenden deshalb polarisiertes Licht oder Multi-Winkel-Projektion, um diesen Effekt zu minimieren.

Durchlicht-LED für Einschlüsse und Blasen

Während der 3D-Scan die Oberfläche abbildet, durchleuchtet eine von unten oder der Seite einstrahlende LED-Matrix das Glas. Blasen, Einschlüsse und Kristallisationsfehler im Glasinneren werden als helle Punkte, Ringe oder Streifen sichtbar, weil sie Licht anders streuen oder brechen als das umgebende homogene Glas. Das Bildverarbeitungssystem auf dem 2D-Durchlichtbild erkennt diese Muster mit hoher Treffsicherheit.

Das CNN-Klassifikationsmodell

Beide Bildkanäle, 3D-Höhenkarte und 2D-Durchlichtbild, werden einem Convolutional Neural Network übergeben. Das Modell klassifiziert jeden Kandidaten in unter 200 ms nach Defekttyp (Mikroriss, Einschluss, Blase, Kratzer, Geometriefehler) und Kritikalitätsstufe (kritisch → Ausschuss, grenzwertig → Nachkontrolle, akzeptabel → freigeben).

Entscheidend für den Produktionseinsatz: Das Modell gibt nicht nur ein binäres Ja/Nein aus, sondern einen Konfidenzwert. Alles unter einem definierten Schwellenwert landet in einer Grenzwert-Queue, die von einer Prüferin stichprobenartig kontrolliert wird. Das vermeidet Falsch-Positiv-Alarme, die das System im Akkord disqualifizieren würden.

Konkrete Werkzeuge, was wann passt

Keyence IV3-Serie, für kompakte Prüfstationen mit Standardformen Das IV3-System kombiniert 3D-Bildverarbeitung und KI-Klassifikation in einer kompakten Einheit, die direkt am Förderband montiert wird. Besonders stark bei Standardformen mit gleichmäßiger Geometrie (Weingläser, Becher): Das System trainiert auf positiven und negativen Beispielen ohne tiefes ML-Know-how. Investition: 15.000–40.000 € pro Station. Grenze: bei sehr asymmetrischen Formen (Vasen, Karaffen) ist die 3D-Abbildung ohne zusätzliche Kameraköpfe lückenhaft.

Cognex In-Sight 2800, für anspruchsvolle Geometrien und höhere Durchsätze Die In-Sight-2800-Linie bietet eine tiefere Programmierbarkeit für komplexe Prüfaufgaben: eigene CNN-Modelle trainierbar via VisionPro Deep Learning, Mehrfach-Kamera-Konfigurationen für 360°-Abdeckung, OPC-UA-Export in MES-Systeme. Für Betriebe mit einem Sortiment aus stark unterschiedlichen Formen ist die Flexibilität von Cognex ein echter Vorteil gegenüber kompakteren Systemen. Investition: 40.000–100.000 € pro Station, je nach Konfiguration.

ISRA Vision, für vollintegrierte Linien mit hohem Durchsatz Wenn eine Kristallglas-Linie über 1.000 Stück pro Stunde verarbeitet und eine vollständige MES-Anbindung erfordert, ist ISRA Vision die industriell ausgefeilteste Option. Die SMASH-Systeme für transparente Objekte sind speziell für Glasinspektion entwickelt und bieten eine tiefe Erfahrungsbasis mit Defektbibliotheken aus jahrelangem Brancheneinsatz. Investition: 120.000–350.000 € für eine vollständige Linie. Nicht sinnvoll für Betriebe unter 300.000 Stück Jahresproduktion.

Custom CNN auf PyTorch, für interne ML-Teams mit proprietären Formen Für Hersteller mit sehr exotischen oder häufig wechselnden Formen bietet ein selbst entwickeltes CNN-Modell auf Basis von PyTorch die größte Flexibilität. Der Ansatz funktioniert, wenn eine Kamerainfrastruktur bereits vorhanden ist (z.B. bestehende industrielle Zeilenkameras) und ein ML-Ingenieur das Modell trainieren und warten kann. Vorteil: volle Kontrolle über Defektklassen und Entscheidungsschwellen. Nachteil: kein Support, kein industriell getestetes System, Anlaufzeit 12–24 Monate. Realistisch nur für Hersteller mit eigenem R&D-Bereich.

Zusammenfassung: Wann welcher Ansatz

• Standardformen, kleiner Budgetrahmen, kein eigenes ML-Team → Keyence IV3
• Komplexe oder wechselnde Formen, MES-Anbindung erwünscht → Cognex In-Sight 2800
• Hoher Durchsatz, vollintegrierte Linie, SAP/MES vorhanden → ISRA Vision
• Eigene ML-Expertise, proprietäre Formen, R&D-Kontext → Custom PyTorch

Datenschutz und Datenhaltung

Kristallglas-Inspektionsdaten sind Produktionsprozessdaten und Bildaufnahmen von Glasprodukten, keine personenbezogenen Daten im Sinne der DSGVO. Das DSGVO-Risiko ist entsprechend gering.

Relevanter sind zwei andere Aspekte:

Defektbilder als Geschäftsgeheimnis: Die Defektbibliothek, die aus dem Labelingprozess entsteht, enthält implizit Informationen über produktionsspezifische Schwachstellen, welche Schleifoperationen, Temperaturen oder Formen besonders fehleranfällig sind. Diese Daten sollten nicht automatisch in Cloud-Plattformen hochgeladen werden. Bei allen genannten Anbietern (Keyence, Cognex, ISRA Vision) ist On-Premises-Speicherung der Standard; Cloud-Monitoring-Features müssen explizit aktiviert werden.

Fernwartungszugriffe: Alle Anbieter bieten Remote-Diagnose an. Diese Zugriffe sollten vertraglich zeitlich begrenzt und protokolliert werden. Ein Auftragsverarbeitungsvertrag ist bei Remote-Diagnose-Plattformen zu empfehlen, wenn Systemdaten dabei übertragen werden.

MES-Anbindung: Wenn Defektdaten in ein bestehendes ERP/MES-System übertragen werden, läuft die Verbindung typisch im lokalen Netzwerk. Das ist datenschutzrechtlich unkritisch.

Was es kostet, realistisch gerechnet

Einmalige Investitionskosten

Angaben sind Marktrichtwerte aus Angeboten für industrielle Bildverarbeitungssysteme im Glasbereich (2024–2025). Abweichungen nach oben bei großen Produktionsdurchsätzen, vielen Produktformen oder vollständiger MES-Anbindung sind realistisch.

Laufende Kosten (jährlich)

• Wartungsvertrag Kamerasystem: 8–12% der Hardwareinvestition = 5.000–24.000 €/Jahr
• Modell-Retraining bei Sortimentswechsel: intern 1–3 Wochen, oder externer Service ca. 5.000–15.000 € pro Produktfamilie
• Prüferin für Stichprobenkontrolle und Grenzwert-Queue: 0,5–1 Personalstelle (verbleibt notwendig)

Der ROI, ehrlich gerechnet

Ausgangsbasis: 500.000 Stück Jahresproduktion, Reklamationsquote 1,5%, durchschnittlicher Schadenswert (Gutschrift + Logistik + Kommunikation) 20 € pro Fall.

Jährliche Reklamationskosten ohne KI: 500.000 × 1,5% × 20 € = 150.000 €/Jahr

Mit KI-System: Reklamationsquote sinkt auf 0,5% (konservative Annahme: zwei Drittel aller bisher übersehenen Defekte werden erkannt): Jährliche Einsparung aus Reklamationen: 500.000 × 1,0% × 20 € = 100.000 €/Jahr

Dazu kommen Personalkosten: drei von fünf Prüferposten werden frei, 55.000 € Jahrespersonalkosten je Stelle (Vollzeit, inkl. Nebenkosten): Personaleinsparung: 3 × 55.000 € = 165.000 €/Jahr (sofern Stellen nicht neu besetzt werden)

Gesamt-Einsparung (konservativ): ca. 265.000 €/Jahr Minus Wartungskosten: ca. 15.000 €/Jahr Netto: ca. 250.000 €/Jahr

Payback auf 130.000 € Investition (mittleres Szenario): ca. 6–7 Monate

Kritische Untergrenze: Bei weniger als 150.000 Stück Jahresproduktion und Reklamationsquoten unter 0,8% ist der Business Case sehr dünn. Die Investition ist dann in 3–5 Jahren amortisierbar, nur wenn die Personalkosten-Einsparung miteingerechnet werden. Wer nur auf Reklamationseinsparung schaut, kommt für kleine Volumina nicht auf einen positiven Business Case.

Drei typische Einstiegsfehler

1. Referenzmodelle für alle Formen auf einmal erstellen wollen. Der häufigste Planungsfehler ist der Anspruch, beim Start sofort alle 30 oder 50 Produktformen abzudecken. Das dauert 12–18 Monate und kostet überproportional viel Anlaufzeit. Sinnvoller ist ein gestufter Start: Erst die drei bis fünf umsatzstärksten Formen oder die mit der höchsten Reklamationsrate. Das System produziert innerhalb von 3–4 Monaten echten Wert, während weitere Formen sukzessive hinzukommen.

2. Das Labeling des Trainingsdatensatzes unterschätzen. Ein CNN-Modell, das Mikrorisse von harmlosen Reflexionsartefakten unterscheiden soll, braucht beschriftete Beispiele aus eurer Produktion, nicht aus einer generischen Datenbank. Wer erwartet, dass der Systemanbieter ein funktionsfähiges Modell out-of-the-box liefert, wird von hohen Falsch-Positiv-Raten enttäuscht. Mindestens 200–400 beschriftete Defektbeispiele pro Klasse aus dem eigenen Sortiment sind Voraussetzung. Das bedeutet: Prüferinnen mit Defekterfahrung müssen 4–6 Wochen in die Labelarbeit einbezogen werden, bevor die Inbetriebnahme beginnt.

3. Das System als vollständigen Prüfer einsetzen, ohne Grenzwert-Behandlung. Transparentes, dreidimensionales Glas erzeugt deutlich mehr “schwierige” Fälle als opake Flachprodukte: Reflexionen, Staubkörner, Beleuchtungsartefakte, Grenzfälle zwischen Riss und Kratzer. Wer das Konfidenz-Schwellenwert-System nicht sorgfältig kalibriert, landet entweder bei zu vielen Falsch-Alarmen (Produktion stockt) oder zu vielen Durchläufern (keine Verbesserung gegenüber manuell). Die Grenzwert-Queue, alle Fälle unter einem Konfidenz-Schwellenwert zur manuellen Nachkontrolle, ist kein Schönheitsfehler, sondern eine notwendige Systemkomponente.

Was mit der Einführung wirklich passiert, und was nicht

Die langjährige Prüferin, die das Glas “im Blut hat”. In Kristallglas-Manufakturen gibt es Prüferinnen mit 15–20 Jahren Erfahrung, die einen Defekt aus drei Metern Entfernung erkennen, und das nicht unbedingt bewusst. Diese Personen sind skeptisch gegenüber einem System, das ihnen erklärt, sie hätten etwas übersehen. Das ist kein Widerstand, sondern berechtigte Expertise. Der richtige Umgang: Diese Personen früh in das Labeling-Projekt einbinden. Ihr implizites Wissen über Defekttypen ist buchstäblich der Trainings-Datensatz, ohne ihre Beschriftungsqualität ist das Modell schlechter.

Die Erwartung, dass das System sofort besser ist als die beste Prüferin. In den ersten Monaten ist es das nicht. Das Modell wird Defekte produzieren, die die erfahrene Prüferin “auch gesehen hätte”, und dabei andere übersehen, die sie “natürlich gefunden hätte”. Das ist der Kalibrierungsprozess. Nach 6–9 Monaten hat das Modell die Konsistenz, die kein Mensch über acht Stunden aufrechterhalten kann: Es ist nicht bei jedem Stück gleich gut, aber im Schichtdurchschnitt konsistenter.

Die Qualitätsdokumentations-Chance, die oft vergessen wird. Das System dokumentiert jeden geprüften Artikel mit Bild, Zeitstempel, Defektklasse und Entscheidung. Bei Reklamationsfällen ist das Gold wert: Du kannst nachweisen, dass ein spezifisches Glas zum Zeitpunkt X das Prüfprotokoll passiert hat, oder dass es nicht im System war (manuell nachgeprüfte Charge). Diese Dokumentationsqualität allein rechtfertigt das System für Betriebe mit Zertifizierungsanforderungen (ISO 9001, Handelspartner-Audits).

Was nicht funktioniert: Das System als Argument einzusetzen, um Prüfpersonal sofort abzubauen. Die ersten 6–9 Monate laufen Mensch und System parallel, das ist unverzichtbar für die Modellkalibrierung. Wer den Personalabbau als primäres Projektziel kommuniziert, demotiviert genau die Personen, deren Wissen das Modell besser macht.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Prüferinnen sind erfahren genug, wir hatten immer gute Qualität.” Das stimmt für die Prüferinnen mit jahrelanger Erfahrung, die die schwierigen Fälle zuverlässig erkennen. Es stimmt nicht für neue Mitarbeiterinnen, für Schichten am Ende des Arbeitstages, für Akkord-Phasen und für Defekttypen unter 0,15 mm. Keine Prüferin kann über acht Stunden konsistent auf Submillimeter-Ebene arbeiten, das ist keine Kritik, sondern Physiologie. Das System ist kein Ersatz für Expertise, sondern eine Infrastruktur, die die guten Entscheidungen der besten Prüferinnen auf die gesamte Schicht überträgt.

„Kristallglas ist zu komplex, transparente, gebogene Formen kann kein System prüfen.” Das war vor fünf Jahren richtig. Aktuelle 3D-Strukturlicht-Scanner mit polarisiertem Licht und Multi-Winkel-Beleuchtung haben die Einschränkungen bei transparenten, gebogenen Objekten erheblich reduziert. Keyence und Cognex haben spezialisierte Beleuchtungsmodule für genau diesen Anwendungsfall. Die verbleibende Einschränkung: Extrem stark gebogene Innenflächen (Karaffen-Bauch, sehr bauchige Vasen) sind nach wie vor schwieriger als zylindrische oder leicht konische Formen.

„Das Modell erkennt nur, was es schon gesehen hat, neue Defekttypen kommen durch.” Das ist korrekt und ein wichtiger Einwand. CNN-Modelle generalisieren nicht beliebig, ein Defekttyp, für den kein Trainingsbeispiel vorhanden war, wird nicht erkannt oder als “unbekannt” mit niedrigem Konfidenzwert markiert. Das ist aber kein Systemversagen, sondern ein Hinweis, dass neue Defekttypen in die Trainings-Queue aufgenommen werden müssen. Ein aktiver Grenzwert-Überwachungsprozess, wer überprüft regelmäßig die “niedrige Konfidenz”-Fälle?, ist deshalb unverzichtbar.

Woran du merkst, dass das zu dir passt

Grüne Signale, du bist ein guter Kandidat:

• Dein Betrieb produziert mehr als 150.000 Stück Kristall- oder Pressglas pro Jahr, davon ein wesentlicher Anteil im Preissegment über 20 € pro Stück
• Deine Reklamationsquote liegt strukturell bei mehr als 0,8% und Mikrorisse oder Einschlüsse sind ein bekannter Reklamationsgrund, nicht Einzelfälle
• Du hast eine oder mehrere manuelle Prüfstationen, an denen Prüferinnen im Akkord arbeiten, und interne Stichprobenkontrollen zeigen Schwankungen in der Erkennungsrate
• Dein Sortiment enthält stabile Formen, Weingläser, Becher, Schalen, für die ein 3D-Referenzmodell einmalig aufgebaut und dann viele Monate genutzt werden kann

Drei harte Ausschlusskriterien:

1. Produktion unter 80.000 Stück/Jahr: Bei diesem Volumen sind die Reklamationskosten zu gering, um eine Investition von 60.000–200.000 € wirtschaftlich zu rechtfertigen. Die Amortisationszeit liegt dann bei 5–8 Jahren, zu lang für eine Technologie, die sich noch weiterentwickelt. Hier ist eine verbesserte manuelle Prüfmethodik (besseres Lichtkonzept, strukturierte Pausenregelungen, Stichproben-Statistik) der sinnvollere erste Schritt.

2. Sortiment mit mehr als 80 aktiven Formen und hoher Fluktuation (> 20 neue Formen pro Jahr): Das Modell braucht für jede Form ein 3D-Referenzmodell. Bei sehr breiten, wechselnden Sortimenten übersteigt der Pflegeaufwand den Nutzen, das System ist dann operativ teurer als erwartet. Für Kleinserienfertiger mit häufigen Designwechseln ist der Ansatz zu starr.

3. Keine qualifizierte Person für Modellpflege und Stichproben-Überwachung: Das System läuft nicht wartungsfrei. Es braucht jemanden, der die Modell-Kennzahlen (Falsch-Positiv-Rate, Konfidenzwerteverteilung) wöchentlich überprüft, neue Defektbeispiele einpflegt und bei Sortimentswechseln rechtzeitig ein Retraining beauftragt. Ohne diese Person driftet das Modell nach 12–18 Monaten, die Erkennungsrate verschlechtert sich still, ohne sichtbaren Alarm.

Das kannst du heute noch tun

Der sinnvollste erste Schritt kostet nichts und klärt, ob der Business Case überhaupt trägt:

Schritt 1: Ermittle deine tatsächliche Reklamationsquote der letzten 12 Monate, aufgeschlüsselt nach Defekttyp. Wie viel davon sind Mikrorisse, Einschlüsse, Kratzer? Das ist die Grundlage jeder Business-Case-Rechnung.

Schritt 2: Lass vier Wochen lang alle retournierten oder ausgesonderten Gläser fotografieren, von der Seite, in Durchlicht und unter Streiflicht. Das ergibt die ersten Elemente deines späteren Trainingsdatensatzes und gibt dir eine Vorstellung davon, wie häufig und wie vielfältig die Defekte tatsächlich sind.

Schritt 3: Fordere bei Keyence oder Cognex eine unverbindliche Demo mit einem oder zwei repräsentativen Produktformen an. Beide Anbieter sind für solche Machbarkeitsdemonstrations-Termine ausgelegt und verlangen dafür keine Vorab-Investition. Bring Muster, sowohl fehlerfreie als auch Ausschussstücke.

Quellen & Methodik

• Keyence Deutschland, IV3-Serie Produktdokumentation (2024): Technische Übersicht zur KI-gestützten 3D-Inspektion transparenter Objekte; beschreibt Strukturlicht-Verfahren, Beleuchtungsoptionen für Glas, CNN-Klassifikationsmodul. keyence.de/products/vision/machine-vision/iv3. Kein öffentliches Pricing verfügbar.
• Cognex, In-Sight 2800 und VisionPro Deep Learning (2024): Produktdokumentation für industrielle Bildverarbeitung mit Deep-Learning-Klassifikation; Anwendungsbeispiele transparente Objekte, Glasinspektion. cognex.com/de-de/products/machine-vision.
• MDPI Sensors, “A Comprehensive Review of Deep Learning-Based Defect Detection in Glass” (2022): Review-Artikel zu CNN-Methoden für Glasdefekterkennung; berichtet 90–97% Detektionsgenauigkeit für trainierte Modelle auf Produktionsdaten; transparente Objekte als besondere Herausforderung identifiziert. sensors.mdpi.com.
• ResearchGate, “Automatic Optical Inspection of Transparent Glass Products Using Structured Light” (2021): Studie zur Sichtprüfung von Pressglas- und Kristallobjekten mit strukturiertem Licht; zeigt spezifische Einschränkungen bei stark gebogenen Innenoberflächen; Lösungsansatz Multi-Winkel-Projektion.
• Glasstec 2024, Ausstellerdokumentation zur Kristallglas- und Pressglas-Inspektion: Messe Düsseldorf; Keyence und Cognex als Aussteller im Bereich automatisierte Glasprüfung; Praxisberichte zu Anwendungen in der Glas-Veredlung. glasstec.de, 2024.
• Praxisrichtwerte Reklamationskosten: Eigene Schätzung auf Basis publizierter Reklamationsbearbeitungskosten im Konsumgüterbereich (15–25 €/Fall) und branchenüblicher Reklamationsquoten (1–3%) für Premium-Glasprodukte; keine öffentliche Primärquelle für Kristallglas-spezifische Daten verfügbar.

Du willst wissen, ob sich eine 3D-Sichtprüfung für eure Glaslinie lohnt? Meld dich, wir helfen dir bei der Business-Case-Berechnung und dem Anbietervergleich.