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

Das echte Ausmaß des Problems

Kristallglas ist aufwendig: hoher Bleioxid- oder Bariumoxidanteil, aufwändige Schmelze, manuelle oder halbmanuelle Formgebung, anschließend Schleifen und Polieren in mehreren Schritten. Ein Weinglas aus der Premium-Linie kostet im Handel, wie im Beispiel oben, 48 € und mehr, der Wert steckt in der Bearbeitung, nicht im Rohstoff. Die Prüfanforderung ist höher als in der Massenproduktion, die Prüfmethode aber oft einfacher.

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.

Eine öffentliche Branchenzahl für Reklamationsquoten bei Kristallglas haben wir nicht gefunden. Ein Rechenbeispiel mit angenommenen Werten: Bei 500.000 Stück Jahresproduktion und einer Reklamationsquote von 1,5% gelangen 7.500 fehlerhafte Gläser jährlich zum Kunden oder Handel. Bei 15–25 € Rücksende- und Bearbeitungsaufwand pro Fall (Logistik, Bearbeitung, Kommunikation, ohne den Wert des Glases selbst) ergibt das direkte Reklamationskosten von 112.500–187.500 € 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 bei 55.000 € Vollkosten je Stelle 330.000 € im Jahr. Wie zuverlässig sie finden, zeigen gezielte Stichproben: Legt ihnen Gläser mit bekannten Fehlern unter, am Anfang und am Ende der Schicht. Belastbare öffentliche Erkennungsraten für Mikrorisse an Kristallglas haben wir nicht gefunden.

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

Öffentliche Vergleichswerte für die Erkennung von Mikrorissen an Kristallglas haben wir weder bei den Herstellern noch in der Literatur gefunden. Die Rate für eure Formen und Fehler misst die Parallelphase im Zeitplan.

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 vermiedenen Reklamationen sind real messbar, im Rechenbeispiel unten 100.000 € im Jahr. Personalkosten sinken nur, wenn Prüferstellen tatsächlich wegfallen. Der Imagewert weniger Reklamationen bei Premium-Marken lässt sich nicht in eine Tabelle schreiben.

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 ausreichendem Produktionsvolumen, ohne Personalwirkung ab rund 200.000 Stück im Jahr (siehe Kostenabschnitt).

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 Inspektion für Kristallglas kombiniert physikalisch unterschiedliche Bildgebungsverfahren, weil kein einzelnes Verfahren alle relevanten Defekttypen erkennt:

Strukturiertes Licht für die Oberflächengeometrie, Streulicht für Risse

Ein 3D-Strukturlicht-Scanner projiziert ein Streifenmuster auf das Glas-Objekt und misst die Verzerrung dieses Musters, um ein 3D-Höhenprofil der Oberfläche zu rekonstruieren. Mit einer Punktauflösung von 0,05–0,1 mm zeigt er Formabweichungen und Schleiffehler. Ob sich ein Haarriss darin abzeichnet, ist allerdings fraglich: Die Rissufer liegen meist bündig aneinander, und die Rissöffnung ist viel schmaler als die Auflösung. Risse zeigen sich eher im Streulicht (Dunkelfeld), weil die Bruchfläche Licht aus dem Strahlengang lenkt und im Bild als heller Strich erscheint. Lasst euch in der Demo zeigen, mit welchem Verfahren das System eure Risse findet, an euren eigenen Mustern.

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

Alle Bildkanäle, 3D-Höhenkarte, Streulicht- und Durchlichtbild, werden einem Convolutional Neural Network übergeben. Das Modell klassifiziert jeden Kandidaten im Takt des Förderbands 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 , für kompakte Prüfstationen mit Standardformen Die lernende KI-Fehlererkennung steckt bei Keyence laut unserer Toolseite in den Vision-Sensoren der IV3-Serie und der VS-Serie. Sie werden direkt am Förderband montiert und aus Gut- und Schlechtteilbildern trainiert, ohne tiefes ML-Know-how. Ein 3D-Scanner ist ein IV3-Sensor nicht, für die Geometrie braucht ihr zusätzliche Messtechnik. Besonders geeignet für Standardformen mit gleichmäßiger Geometrie (Weingläser, Becher). Die Sensoren beginnen laut Toolseite bei rund 2.000 €, eine Prüfstation mit Beleuchtung und Integration liegt nach den Richtwerten dieser Seite bei 15.000–40.000 €. Grenze: Bei hochkomplexen, unstrukturierten Fehlbildern bleibt die KI-Tiefe hinter Spezialisten zurück, bei sehr asymmetrischen Formen (Vasen, Karaffen) braucht ihr zusätzliche Kameraköpfe.

Cognex , für anspruchsvolle Geometrien und höhere Durchsätze Cognex bietet tiefere Programmierbarkeit für komplexe Prüfaufgaben: Die intelligenten Kameras der In-Sight-Reihe (2800, 3800) bringen KI-Klassifikation mit, eigene Deep-Learning-Modelle laufen auf dem PC-basierten VisionPro Deep Learning, für 3D gibt es eigene Systeme (In-Sight L38). Mehrkamera-Aufbauten für eine Rundum-Sicht auf das Glas sind möglich. Für Betriebe mit einem Sortiment aus stark unterschiedlichen Formen ist diese Flexibilität ein echter Vorteil gegenüber kompakteren Systemen. Die Kameras kosten laut unserer Toolseite 4.000–15.000 €, eine Station mit mehreren Köpfen, Beleuchtung und Integration nach den Richtwerten dieser Seite 40.000–100.000 €.

ISRA VISION , für vollintegrierte Linien mit hohem Durchsatz ISRA VISION ist auf Glasinspektion spezialisiert, laut unserer Toolseite vor allem auf Flach-, Automobil-, Display- und Solarglas, mit tiefer Erfahrung bei transparenten und reflektierenden Oberflächen. Ob es ein passendes System für Hohl- und Kristallglas in eurer Form gibt, klärt das Erstgespräch. Nach den Richtwerten dieser Seite liegt eine vollständige Linie bei 120.000–350.000 €, das lohnt sich erst bei großen Stückzahlen und vollständiger MES-Anbindung.

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-Sensoren)
• Komplexe oder wechselnde Formen, MES-Anbindung erwünscht → Cognex (In-Sight, VisionPro Deep Learning)
• 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. Einen Auftragsverarbeitungsvertrag braucht ihr, sobald dabei personenbezogene Daten zugänglich sind, etwa Benutzerkonten der Prüferinnen oder Protokolle, wer welches Glas freigegeben hat. Für reine Maschinendaten reicht eine Vertraulichkeitsvereinbarung.

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 Investition = 5.000–24.000 €/Jahr
• Modell-Retraining bei Sortimentswechsel: intern 1–3 Wochen, oder externer Service ca. 5.000–15.000 € pro Produktfamilie
• Zusammen mit einem Retraining im Jahr 10.000–39.000 €/Jahr, rund 800 bis 3.300 € im Monat
• Prüferin für Stichprobenkontrolle und Grenzwert-Queue: 0,5–1 Personalstelle (verbleibt notwendig)

Der ROI, ehrlich gerechnet

Ausgangsbasis, angenommene Werte: 500.000 Stück Jahresproduktion, Reklamationsquote 1,5%, Bearbeitungsaufwand (Logistik, Bearbeitung, Kommunikation) 20 € pro Fall, ohne den Wert des Glases selbst.

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

Mit KI-System: angenommen, die Reklamationsquote sinkt auf 0,5%, weil das System zwei Drittel der bisher übersehenen Defekte findet. Gerettet sind diese Gläser damit nicht, sie werden im Werk aussortiert statt beim Händler. Gespart wird der Bearbeitungsaufwand: Jährliche Einsparung aus Reklamationen: 500.000 × 1,0% × 20 € = 100.000 €/Jahr

Dazu kommen Personalkosten, aber nur, wenn Stellen tatsächlich wegfallen: drei von fünf Prüferposten, 55.000 € Jahrespersonalkosten je Stelle (Vollzeit, inkl. Nebenkosten), sind 3 × 55.000 € = 165.000 €/Jahr. Laut Zeitplan laufen Mensch und System zunächst parallel. Diese Einsparung beginnt frühestens danach, und nur, wenn die Stellen nicht neu besetzt werden, etwa bei Ruhestand oder Fluktuation.

Payback auf 130.000 € Investition (mittleres Szenario), ab Produktivbetrieb:

• Nur Reklamationen: 100.000 € minus 10.000–39.000 € laufende Kosten lassen 61.000–90.000 € im Jahr, Payback nach 17 bis 26 Monaten (130.000 geteilt durch 90.000 bis 61.000).
• Mit drei wegfallenden Stellen: 226.000–255.000 € netto im Jahr, Payback nach 6 bis 7 Monaten ab dem Monat, in dem die Stellen wegfallen.

Rechne den Vorlauf dazu: Bis zum Produktivbetrieb vergehen laut Zeitplan 8 bis 15 Monate.

Kritische Untergrenze: Die Reklamationsersparnis beträgt im Beispiel 0,20 € je produziertem Stück (1 Prozent mal 20 €). Die laufenden Kosten trägt sie damit erst ab 50.000 bis 195.000 Stück im Jahr (10.000 bis 39.000 € geteilt durch 0,20 €), und damit sich zusätzlich die Investition von 130.000 € in vier Jahren bezahlt macht, braucht es rund 210.000 bis 360.000 Stück. Bei einer Reklamationsquote von 0,8% statt 1,5% verdoppelt sich die nötige Stückzahl fast. Darunter trägt sich das System nur, wenn Prüferstellen tatsächlich wegfallen.

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). Für Betriebe mit Zertifizierungsanforderungen (ISO 9001, Handelspartner-Audits) ist diese Dokumentationsqualität ein eigenes Argument.

Was nicht funktioniert: Das System als Argument einzusetzen, um Prüfpersonal sofort abzubauen. Die ersten Monate laufen Mensch und System parallel, im Zeitplan mindestens 8 bis 12 Wochen, 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 stimmt heute nur noch eingeschränkt. Die Beleuchtungstechnik für transparente, gebogene Objekte ist deutlich besser geworden, polarisiertes Licht und Multi-Winkel-Beleuchtung reduzieren Reflexionsprobleme. Ob das an euren Formen reicht, zeigt eine Demo bei Keyence oder Cognex mit euren Mustern. 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 200.000 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 100.000 Stück/Jahr: Das ist ungefähr die Menge, die im Beispiel eine einzige Prüferin schafft (400 Gläser mal 250 Schichten). Personal lässt sich dann kaum sparen, und die Reklamationsersparnis von rund 20.000 € im Jahr (100.000 mal 1 Prozent mal 20 €) deckt gerade die laufenden Kosten, eine Investition von 60.000–195.000 € amortisiert sich damit nicht. 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, Cognex, ISRA VISION: Produktlinien, KI-Funktionen und Preisrahmen laut unseren Toolseiten, dort mit Quellen belegt. Danach sitzt die lernende KI-Fehlererkennung bei Keyence in den IV3- und VS-Sensoren, bei Cognex in den In-Sight-Kameras und in VisionPro Deep Learning; 3D-Systeme sind eigene Produktlinien.
• Erkennungsraten: Für Mikrorisse an Kristallglas haben wir keine öffentlichen Vergleichswerte gefunden, weder bei den Herstellern noch in der Literatur. Die Seite nennt deshalb keine Raten, sondern zeigt, wie ihr sie per Stichprobe und Parallelphase messt.
• Reklamationskosten und -quoten: Annahmen dieser Seite (15–25 € Bearbeitungsaufwand je Fall, 1,5% Reklamationsquote), keine öffentliche Primärquelle für Kristallglas verfügbar. Ersetzt sie durch eure Zahlen aus dem Reklamationsregister.
• Rechnungen: Rechenweg dieser Seite aus den genannten Annahmen und Kostenrahmen.

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.