Fehleranalyse im Spritzguss per Bildauswertung

Das echte Ausmaß des Problems

Spritzguss produziert schnell. Eine mittelgroße Maschine schießt alle 15–30 Sekunden, das sind 120 bis 240 Schuss pro Stunde, bei einem Vierfachwerkzeug 480 bis 960 Teile. Schon eine gründliche Sichtprüfung von jedem zehnten Teil bindet an mehreren Maschinen eine Prüfperson den ganzen Tag. Vollständige Sichtprüfung aller Teile von Hand ist damit kein realistisches Szenario.

Die Folge ist bekannt: Stichprobenprüfung nach AQL-Tabellen. Sie gibt statistische Sicherheit, aber keine Einzelteilsicherheit. Ein AQL von 2,5 bedeutet: Lose mit bis zu 2,5 Prozent Fehlerteilen werden mit hoher Wahrscheinlichkeit angenommen, der Kunde bekommt diese Fehlerteile also mit. Für Automotive-Tier-1-Kunden oder Medizintechnik-Zulieferer ist das inzwischen nicht mehr akzeptabel.

Konkret entstehen aus diesem Gap die größten Kostenpositionen der Kunststoffverarbeitung:

• Reklamationskosten durch fehlerhafte Teile beim Kunden, Sortierkosten, Nachlieferungen, Konventionalstrafen
• Ausschusskosten durch fehlerhafte Teile, die erst spät im Prozess entdeckt werden, Materialverlust, Maschinenzeit, Verpackung
• Nacharbeitkosten für Teile im Grenzbereich, die manuell nachgearbeitet werden könnten, aber nicht sauber identifiziert werden
• Prozessblindheit: Wenn nur 5–10 Prozent der Teile geprüft werden, erhält das Fertigungsteam kein klares Bild darüber, wann ein Prozess anfängt, außerhalb der Toleranz zu laufen, die Erkennung kommt immer mit Verzug

Pexon Consulting gibt für seine Computer Vision-Sichtprüfung im Spritzguss 96 bis 99 Prozent Erkennungsrate für definierte Fehlerklassen, unter 2 Prozent Falsch-Ausschuss und bis zu 60 Prozent weniger Qualitätskosten an. Das sind Anbieterangaben. Wie stark deine Fehlerrate beim Kunden danach sinkt, hängt vor allem davon ab, welcher Anteil deiner Reklamationen überhaupt eine sichtbare Ursache hat. Unabhängige Vorher-nachher-Zahlen dazu haben wir nicht gefunden.

Die Murrplastik Medizintechnik GmbH, Hersteller von Not-Aus-Schaltern, produziert über 6.000 Komponenten täglich, ein 2K-Teil alle 24 Sekunden, ein Volumen, das manuelle Vollprüfung von vornherein ausschließt. Das Unternehmen wertet mit Detact allerdings Prozess- und Maschinendaten aus, keine Kamerabilder. Laut Fallstudie erkennt es Qualitätsprobleme damit früh und kann ihre Ursachen noch während der Produktion zuordnen, statt sie hinterher zu interpretieren (Detact/Symate, 2021). Eine Kamera sieht den Fehler am Teil, die Prozessdatenanalyse sieht die Ursache in der Maschine, beides ergänzt sich.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Werte der rechten Spalte sind Anbieterangaben von Pexon Consulting und ein Forschungsergebnis der TH Köln (2024). Deine eigene Erkennungsrate hängt von Defekttyp, Oberfläche und Beleuchtung ab, und du misst sie erst im Parallelbetrieb.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Ein KI-Sichtprüfsystem beschleunigt keine bestehende Aufgabe spürbar, denn die Prüfung wird dabei von Stichprobe auf Vollprüfung umgestellt, das ist ein anderes Aufgabenprofil, kein schnelleres. Der Zeitgewinn entsteht indirekt: weniger manuelle Nachprüfung von Ausschuss, weniger Sortieraufwand bei Reklamationen, weniger Ursachensuche bei Prozessdrift. Verglichen mit der Qualitätsprüfprotokoll-Automatisierung oder den Rüstzeitenoptimierungen in dieser Kategorie ist die direkte Zeitersparnis begrenzt.

Kosteneinsparung, hoch (4/5) Das ist die stärkste Achse dieses Anwendungsfalls und der Hauptgrund für die Entscheidung. Reklamationskosten in der Kunststoffverarbeitung umfassen nicht nur den Warenwert, sondern Sortierkosten beim Kunden, Sonderfahrten, Konventionalstrafen und im schlimmsten Fall Linienunterbrechungen beim Abnehmer. Verhindern kann das System aber nur die Reklamationen mit sichtbarer Ursache, und es kostet laufend Pflege und Falsch-Ausschuss. Im Rechenbeispiel weiter unten trägt sich ein System für 90.000 Euro in 15 bis 24 Monaten. Nicht 5/5, weil das nur bei wiederkehrenden, optisch erkennbaren Reklamationen aufgeht.

Schnelle Umsetzung, schwierig (2/5) Das ist der härteste Engpass. Ein KI-Sichtprüfsystem ist keine Software, die man installiert, es ist eine physische Integration in die Produktionslinie. Kameraauswahl, Beleuchtungskonzept, Montagegestell, SPS-Anbindung, Ausschleusmechanismus: Jede dieser Positionen ist ein eigenes Subprojekt. Dazu kommt der Aufbau eines aussagekräftigen Trainingsbilddatensatzes, der Fehler und Gutteile unter Produktionsbedingungen abbildet. Realistisch sind 16–24 Wochen vom Kick-off bis zum stabilen Produktivbetrieb. Einer der schwierigsten Einstiege in dieser Branche.

ROI-Sicherheit, hoch (4/5) Der ROI ist solide, weil er direkt messbar ist: Defektrate vor und nach, Ausschusskosten, Reklamationskosten. Pexon Consulting nennt Einstiegssysteme ab 75.000 Euro und eine Amortisation in unter 18 Monaten, beides Anbieterangaben. In Branchen wie Automotive mit klaren Konventionalstrafen kann der ROI schneller eintreten. Nicht maximal, weil der ROI stark von der tatsächlichen Reklamationshistorie abhängt, wer bisher wenig Reklamationen hatte (weil er trotz schlechter Prüfung Glück hatte), sieht einen schlechteren Business Case.

Skalierbarkeit, hoch (4/5) Jede Produktionslinie braucht ihre eigene physische Einheit, es gibt keine Software-Skalierung wie bei Cloud-Diensten. Allerdings: Das einmal erarbeitete Know-how (Beleuchtungskonzept, Kamerawahl, Trainingsbildlogik) ist auf weitere Linien übertragbar, die zweite Linie geht deshalb meist schneller als die erste. Wer mehrere ähnliche Maschinen betreibt, amortisiert das initiale Lernprojekt über die Folgeinstallationen.

Richtwerte, stark abhängig von Stückzahl, Fehlertyp, Anlagenaufbau und vorhandener Reklamationshistorie.

Was das System konkret macht

Ein KI-Inline-Sichtprüfsystem besteht aus drei physischen Komponenten und einer Software-Schicht:

1. Kamera und Beleuchtung erfassen das Teil unmittelbar nach dem Entformungsvorgang oder auf dem Förderband vor der Verpackung. Je nach Fehlertyp werden unterschiedliche Beleuchtungsverfahren kombiniert: Auflicht für Oberflächentopografie (Einfallstellen, Grate, Schlieren), Durchlicht für Delamination und Einschlüsse, UV-Licht für Verschmutzungen und Verfärbungen. Bild und Auswertung müssen fertig sein, bevor das nächste Teil kommt; Pexon nennt 2 bis 5 Sekunden je Teil einschließlich Handling.

2. Edge-Computing-Einheit verarbeitet das Bild lokal. Kein Cloud-Upload, kein Latenzrisiko, das Ergebnis muss vor dem nächsten Maschinenöffnen vorliegen. Dabei läuft ein trainiertes Deep-Learning-Modell (typisch auf Basis von Convolutional Neural Networks, in moderneren Implementierungen YOLO-Architekturen oder DINOv2-Ansätze) und klassifiziert: Gutteil, Ausschuss mit Fehlertyp, oder Unsicherheitsfall für manuelle Nachprüfung.

3. SPS-Anbindung schließt den Loop. Bei Ausschuss wird über das Steuerungssystem ein Signal an den Ausschleusmechanismus gegeben, Druckluft, Robotergreifer oder Weiche, je nach Anlage. Optional gehen Häufigkeitstrends der Fehlerklassen in ein Machine Learning-basiertes Frühwarnsystem: Wenn Einfallstellen in einer Kavität zunehmen, kündigt das typischerweise Werkzeugverschleiß an, bevor dieser sichtbar wird.

Wo der echte Aufwand liegt

Der technische Anteil an diesem Projekt ist nicht die KI, sondern die Hardware-Integration. Das hört man von Projekterfahrenen immer wieder: Das Modell trainiert sich in einer Woche. Aber die Beleuchtung sitzt drei Wochen nicht richtig, der Reflexionswinkel stimmt nicht bei glänzenden Oberflächen, der Ausschleusmechanismus kollidiert mit der bestehenden Förderanlage, und die SPS spricht einen anderen Protokollstandard als der Industrie-PC des Vision-Systems.

Das ist kein Argument gegen das Projekt, aber eines gegen die Unterschätzung der mechanischen und elektrischen Integration.

Was die Hardware wirklich braucht

Dieser Abschnitt gehört in die Planung, bevor ein Anbieter kontaktiert wird.

Kamerawahl: Für glatte Spritzgussoberflächen reicht häufig eine 5-Megapixel-Mono-Kamera mit Gegenlichtbeleuchtung. Für tiefe Einfallstellen und Topografieprüfung wird ein 3D-Profilsensor oder Streifenlichtprojektor nötig. Für Mehrfachkavitäts-Werkzeuge mit Handling-Roboter kann die Kamera in den Entnahmegreifer integriert werden, das spart ein separates Förderband-Setup.

Beleuchtung: Keine Entscheidung in diesem Projekt ist wichtiger als die Beleuchtung. Falsch gewählt, erkennt das beste Modell keine Einfallstelle. Richtig gewählt, reichen einfachere Modelle für hohe Erkennungsraten. Bewährte Kombinationen für Spritzgussteile: Koaxiallicht für spiegelnde Oberflächen, Ringlicht für matte Oberflächen, Zeilenbeleuchtung für Inline-Förderband.

Trigger und Synchronisation: Das Kamerasystem muss wissen, wann ein Teil im Sichtfeld liegt. Bei Förderband-Integration typischerweise via Lichtschranke oder Signal aus der Spritzgussmaschine (Euromap-Schnittstelle). Ohne stabilen Trigger entstehen Bewegungsunschärfe und Doppelaufnahmen.

SPS-Kommunikation: Die meisten Spritzgussmaschinen sprechen Siemens S7 oder Profinet. Das Vision-System muss entweder direkt über diese Schnittstellen kommunizieren oder über einen OPC-UA-Gateway angebunden werden. Ohne SPS-Anbindung ist der Ausschleusmechanismus nicht automatisierbar, dann bleibt das System ein Anzeigegerät, kein Prüfsystem.

Kühlzeit und Taktzeit: Das Bild muss nach der Entformung aufgenommen werden, wenn das Teil noch heiß sein kann. Thermische Ausdehnung und Oberflächenbeschaffenheit direkt nach dem Schuss unterscheiden sich von einem abgekühlten Teil. Das Modell muss unter Produktionsbedingungen trainiert werden, nicht im Labor.

Wann das Modell wieder schlechter wird

Das ist der am häufigsten unterschätzte Aspekt dieses Projekts. Das Modell wird nach der Einführung irgendwann schlechter, nicht dramatisch, sondern schleichend. Wenn niemand darauf achtet, passiert es still.

Materialwechsel: Wenn ein neuer Granulatlieferant andere Farbchargen oder leicht abweichende Füllstoffe liefert, verändern sich Oberflächentextur und Reflexionsverhalten. Das Modell erkennt jetzt Gutteile schlechter, weil sie anders aussehen als die Trainingsbilder. Die Falsch-Ausschuss-Rate steigt, die Linie stoppt häufiger, aber niemand versteht warum.

Werkzeugverschleiß: Mit zunehmendem Werkzeugverschleiß verändern sich Oberflächengüte und Gratmuster. Fehler, die bisher eindeutig klassifiziert wurden, liegen jetzt im Graubereich des Modells. Das Modell muss mit frischen Bildern aus dem aktuellen Werkzeugzustand nachtrainiert werden.

Beleuchtungsalterung: Industrielle LED-Beleuchtung altert. Helligkeit, Farbtemperatur und Abstrahlcharakteristik ändern sich über Monate. Was nach 18 Monaten auf dem Sensor ankommt, ist ein anderes Bild als beim Training. Monatliche Kalibrierprotokolle sind kein bürokratischer Aufwand, sondern technische Notwendigkeit.

Neue Fehlertypen: Wenn die Maschine eine neue Fehlerart produziert, die im Trainingsset nicht vorkommt, klassifiziert das Modell sie als Gutteil oder als bekannten Fehler. Niemand bemerkt es, bis beim Kunden der neue Fehlertyp auftaucht. Lösung: Regelmäßige Stichprobenprüfung der “Gutteile”-Entscheidung durch eine Prüfperson, die Automatisierung prüft alles, der Mensch prüft die Entscheidungsqualität der Automatisierung.

Wer ist dafür zuständig? Das muss vor der Inbetriebnahme festgelegt sein: Eine namentlich benannte Person, die Erkennungsraten-Statistiken monatlich auswertet und Nachtrainingsprozesse auslöst. Das ist kein Vollzeitjob, aber es braucht eine klare Zuständigkeit. Ohne sie läuft das System weiter und wird still schlechter.

Konkrete Werkzeuge, was wann passt

Beim Aufbau eines Inline-Sichtprüfsystems gibt es drei grundlegende Wege:

Maddox AI , einer der stärksten europäischen Spezialisten. Deutsches Unternehmen aus Tübingen, ISO 27001 zertifiziert. Den Hosting-Standort weist Maddox öffentlich nicht aus, lass ihn dir vor Vertragsschluss schriftlich bestätigen. Wahlweise nur Software für deine bestehende Kamera (Self-Service, Retrofit) oder als Komplettpaket mit Industriekamera. Referenzkunden: Siemens, Denso, SKF. Risikofreie Testphase: Zahlung erst, wenn vereinbarte Erkennungsziele erreicht sind. Pilotprojekte liegen laut unserer Toolseite im mittleren bis hohen fünfstelligen Bereich. Empfehlung: Wenn ein deutscher Vertragspartner und deutschsprachiger Support wichtig sind.

Cognex Vision , Weltmarktführer für industrielle Bildverarbeitungssysteme. Hardware und Software aus einer Hand, jahrzehntelange Referenzen in Automotive und Medizintechnik, direkte SPS-Integration mit Industriehardware. Hohe Anfangsinvestition: Die Gesamtinvestition je Prüfstation liegt einschließlich Integration typisch bei 15.000–80.000 Euro. Geeignet, wenn die Prüfaufgabe stabil und klar definiert ist und eine langlebige, wartungsarme Lösung gesucht wird. Nicht für wechselnde Prüfaufgaben oder flexible Geometrien.

KEYENCE Vision , direkter Wettbewerber zu Cognex mit ähnlichem Angebot. Tendenziell einfachere Einrichtung, kostenloser Anwendungsberater-Service vor Ort, lokale Präsenz in Deutschland. Preislich ähnlich wie Cognex. Gut geeignet, wenn ein lokaler Support-Partner wichtig ist und die Hardware-Investition in einem Zug erfolgen soll.

Landing AI , No-Code-Plattform für Pilotprojekte. Mit LandingLens lässt sich in Wochen ein Proof of Concept aufbauen, bevor Industriehardware beschafft wird. Der Team-Plan kostet 250 USD im Monat, das erste Jahr also 12 mal 250 USD; für LandingLens gelten laut unserer Toolseite teils eigene Konditionen, frag vor dem Pilot nach. US-Datenhosting ohne einfache EU-Option, für sensible Produktionsbilder muss das mit dem Datenschutzbeauftragten geklärt werden. Sinnvoll als erster Machbarkeitsnachweis.

Roboflow , Plattform für Datensatz-Aufbau, Annotation und erstes Modelltraining. Gut für Teams mit technischen Mitarbeitenden, die ein eigenes Modell entwickeln möchten. Vorsicht beim Gratisplan: Im Public-Plan werden hochgeladene Bilder öffentlich. Private Daten gibt es ab dem Core-Plan für 99 USD im Monat (79 USD im Jahresabo). Ebenfalls US-Hosting. Sinnvoll in Kombination mit einer lokalen Deployment-Infrastruktur.

YOLO (Open Source, Ultralytics), für Betriebe mit eigenem Entwicklungsteam oder IT-Dienstleister. YOLO-Modelle laufen vollständig lokal, ohne Cloud-Abhängigkeit. Einrichtungsaufwand höher, aber volle Kontrolle. Die Lizenz ist AGPL-3.0, und nach Auslegung von Ultralytics greift sie auch bei interner Nutzung; für proprietären Einsatz gibt es eine Enterprise-Lizenz auf Anfrage. Lass das vor dem Produktiveinsatz juristisch prüfen. Infrastrukturkosten: 500–3.000 Euro einmalig für GPU-Hardware.

Zusammenfassung: Wann welcher Ansatz

• Deutschsprachiger Support, deutscher Anbieter, Software für die vorhandene Kamera → Maddox AI
• Hardware und Software aus einer Hand, stabile Serienproduktion → Cognex oder Keyence
• Erst Machbarkeit beweisen, dann investieren → Landing AI
• Eigenes technisches Team vorhanden, maximale Kontrolle → YOLO + Roboflow
• Annotation und Datensatz-Management → Roboflow

Datenschutz und Datenhaltung

Spritzgussteile enthalten in der Regel keine personenbezogenen Daten. Das reduziert den DSGVO-Aufwand erheblich, die Kameraanlage prüft Oberflächen, nicht Menschen.

Trotzdem gibt es relevante Datenschutzaspekte:

Produktionsbilder als Geschäftsgeheimnis. Fehlerbilder aus der Produktion können Rückschlüsse auf Fertigungsverfahren, Werkzeugdesign und Prozessparameter ermöglichen. Sie sind sensible Unternehmensdaten, auch wenn sie keine personenbezogenen Informationen enthalten. Cloud-Plattformen wie Landing AI oder Roboflow verarbeiten diese Daten standardmäßig auf US-Servern. Für Unternehmen mit Geheimhaltungsvereinbarungen gegenüber ihren Kunden (OEM, Tier-1) sollte das vor dem Einsatz geprüft werden.

Empfohlene Varianten nach Datenschutzbedarf:

• Maximaler Schutz: vollständig lokales YOLO-Deployment, oder Maddox AI (deutscher Anbieter, ISO 27001) mit vertraglich festgelegtem Hosting-Standort
• Mittlere Anforderungen: Landing AI Enterprise oder Roboflow Enterprise mit On-Premise-Option
• Geringes Risiko (kein OEM-Geheimhaltungsvertrag, keine sensiblen Geometrien): Landing AI Explore oder Roboflow Core für die Pilotphase, nicht der Roboflow-Gratisplan, der die Bilder öffentlich macht

SPS- und OT-Netzwerk. Die Anbindung an die Spritzgussmaschine erfolgt über das OT-Netzwerk. Vision-Systeme, die über OPC-UA oder Profinet in die Maschinensteuerung integriert werden, sollten in einem abgetrennten Netzwerksegment laufen, keine direkte Verbindung vom Vision-PC ins Internet. Der Integrator muss das in der Netzwerkplanung berücksichtigen.

Bildarchivierung und Aufbewahrung. Viele Systeme archivieren Bilder mit Prüfergebnis für die Rückverfolgbarkeit (Traceability). Klare Löschfristen und Speicherorte gehören in die Betriebsdokumentation, nicht erst in eine Revision.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

Ein vollständiges System, Kamera, Beleuchtung, Edge-PC, Ausschleusmechanismus, SPS-Anbindung, Inbetriebnahme, Modelltraining, kostet in der Praxis:

• Einfaches System (eine Kamera, eine Fehlerklasse, Förderband): 30.000–60.000 Euro
• Mittleres System (zwei bis drei Kameras, mehrere Fehlerklassen, SPS-Integration): 60.000–120.000 Euro
• Komplexes System (Mehrkavität, mehrere Oberflächen, vollständige MES-Anbindung): 120.000–250.000 Euro

Pexon Consulting nennt als Einstieg für vollständige Systeme 75.000 Euro. Bei Cognex liegt die Gesamtinvestition je Prüfstation laut unserer Toolseite einschließlich Integration typisch bei 15.000–80.000 Euro.

Vision-Systeme mit Controller von Keyence liegen bei 15.000–80.000 Euro, als Einmalzahlung.

Laufende Kosten (monatlich)

• Maddox AI: Preise auf Anfrage. Der Pilot im mittleren bis hohen fünfstelligen Bereich ist ein Einmalbetrag, die laufenden Kosten lässt du dir im Angebot getrennt ausweisen
• Cognex/Keyence: Keine laufenden Lizenzkosten, Einmalzahlung, optionaler Wartungsvertrag
• Landing AI (Pilot): ab 250 USD/Monat (Team-Plan)
• Infrastruktur (lokal): vernachlässigbar, der Edge-PC ist eine einmalige Investition
• Pflege: Eine benannte Person wertet die Erkennungsstatistik aus, sammelt neue Bilder und stößt Nachtraining an, dazu kommen Kalibrierung und gelegentlich der Integrator. Im Rechenbeispiel setzen wir dafür 500 Euro im Monat an. Das ist eine Annahme, deine Zahl hängt an Stundensatz und Änderungstempo

Was du dagegenrechnen kannst

Die Rechnung ist einfach, was eine Reklamation kostet, muss bekannt sein.

Beispiel: Ein Kunststoffverarbeiter mit 12 Millionen Euro Umsatz verzeichnet jährlich vier bis sechs Reklamationen bei Automotive-Kunden. Angenommen, jede kostet im Schnitt 18.000 Euro (Sortierkosten beim Kunden, Sonderfahrt, interne Analyse, Konventionalstrafe); deine eigene Zahl steht in der Reklamationsstatistik. Jahresschadenskosten: 72.000–108.000 Euro.

Davon verhindert das System nur einen Teil. Erstens nur Reklamationen mit sichtbarer Ursache: Maßabweichungen, Materialverwechslung oder innere Fehler sieht keine Kamera. Angenommen, drei von vier Reklamationen haben eine optische Ursache. Zweitens erkennt es auch davon nicht alle, im Beispiel 96 Prozent. Bleiben 72.000 mal 0,75 mal 0,96, also rund 52.000 Euro, bis 108.000 mal 0,75 mal 0,96, rund 78.000 Euro im Jahr. Abzüglich 12 mal 500 Euro Pflege bleiben 46.000–72.000 Euro. Ein System für 90.000 Euro amortisiert sich damit in 15 bis 24 Monaten. Nicht eingerechnet ist der Falsch-Ausschuss aus Einstiegsfehler 3: Werden täglich 100 Gutteile zu angenommen 0,50 Euro Herstellkosten ausgeschleust und nicht nachgeprüft, sind das 100 mal 0,50 Euro mal 250 Tage, 12.500 Euro im Jahr, und die Amortisation rückt auf 18 bis 32 Monate. Früher erkannter Ausschuss verbessert die Rechnung dagegen etwas.

Wie du den ROI tatsächlich misst: Vorher und nachher zählen. Reklamationskosten pro Quartal, Ausschusskilo pro Monat, Sortieraufwand intern. Die Kennzahlen müssen vor dem Projekt erhoben werden, wer erst danach anfängt zu messen, verliert den Ausgangswert.

Typische Einstiegsfehler

1. Das Kamera- und Beleuchtungskonzept zu spät festlegen. Es wird ein System ausgeschrieben, ein Anbieter ausgewählt und beauftragt, und erst dann stellt sich heraus, dass die vorhandene Förderbandgeometrie keine stabile Kameraposition erlaubt, oder dass die Beleuchtung für die vorhandene Oberflächengeometrie nicht funktioniert. Typischer Schaden: 4–8 Wochen Verzögerung durch Umbau der Förderanlage und Neubestellung eines anderen Beleuchtungstyps, Mehrkosten von 5.000–15.000 Euro. Konkrete Abhilfe: Vor der Anbieterauswahl einen halbtägigen Beleuchtungsversuch mit 20–30 Gut- und Ausschussteilen unter realen Hallenbedingungen durchführen, kein Anbieter sollte ein verbindliches Angebot ohne diesen Schritt abgeben, und kein Auftraggeber sollte eines akzeptieren.

2. Mit Laborbildern statt Produktionsbildern trainieren. Ein Modell, das mit Teilen unter kontrollierten Laborbedingungen trainiert wurde, versagt in der Halle: andere Beleuchtungswinkel, Bewegungsunschärfe, Schmutzpartikel auf der Förderanlage, thermische Ausdehnung des frisch entformten Teils. Der Trainingsbilddatensatz muss unter realen Produktionsbedingungen aufgebaut werden, 200 bis 500 Bilder je Fehlerklasse, unter den tatsächlichen Lichtverhältnissen und Taktzahlen. Das kostet zwei bis drei Produktionswochen Vorlaufzeit.

3. Die Falsch-Ausschuss-Rate ignorieren. Ein Modell mit 98-prozentiger Erkennungsrate klingt gut. Was bedeutet es konkret? Wenn ein Prozent aller Gutteile fälschlicherweise als Ausschuss ausgeschleust wird und das Produktionsvolumen 10.000 Teile pro Tag beträgt, werden täglich 100 Gutteile weggeworfen. Das muss in die Wirtschaftlichkeitsrechnung. Die richtige Frage ist nicht “Wie hoch ist die Erkennungsrate?”, sondern “Was ist die optimale Balance zwischen Falsch-Ausschuss und Durchlass für unser Produkt und unsere Kundenanforderungen?”

4. Das System einführen und nicht weiterentwickeln, der Wartungsfehler. Das ist der gefährlichste Fehler, und er passiert häufig. Nach der Inbetriebnahme läuft das System, die Erkennungsrate ist gut, und alle sind zufrieden. Sechs Monate später ändert sich das Granulat vom Lieferanten. Zwölf Monate später altert die Beleuchtung. 18 Monate später hat das Werkzeug Verschleiß. Das Modell degradiert still. Wie stark, zeigt nur deine eigene Stichprobenkontrolle der “Gutteil”-Entscheidungen; ohne sie gibt es kein Warnsignal, nur eine langsam steigende Reklamationsquote, die niemand dem Vision-System zuordnet.

Konkrete Abhilfe: Vor Go-live ein Retraining-Protokoll festschreiben, drei Fragen müssen namentlich beantwortet sein: Wer wertet die wöchentlichen Erkennungsstatistiken aus? Ab welchem Schwellenwert (z. B. Erkennungsrate unter 93 %) wird Nachtraining ausgelöst? Wer beschafft und annotiert die neuen Trainingsbilder? Ohne diese drei Antworten ist das Projekt 18 Monate nach Go-live ein laufendes Risiko, kein laufendes System.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Einführung ist selten das größte Problem. Die Widerstands- und Adoptionsmuster sind anders als erwartet.

Die Prüfer-Identitätsfrage. In vielen Spritzgussbetrieben haben erfahrene Prüfer eine starke berufliche Identität: Sie wissen aus jahrzehntelanger Erfahrung, welche Teile gut und welche schlecht sind. Ein System einzuführen, das diese Entscheidung automatisiert, fühlt sich für diese Menschen nach einer Abwertung an, auch wenn das nie so kommuniziert wird. In der Praxis zeigt sich das als skeptische Ablehnung der ersten Systemfehler (“Das System hat fünf Gutteile ausgeschleust, die eindeutig gut waren”) und als Tendenz, die manuelle Prüfung parallel weiterzuführen.

Was hilft: Erfahrene Prüfer frühzeitig in die Bildannotation einbinden. Ihr Expertenwissen ist die wertvollste Ressource beim Aufbau des Trainingsdatensatzes. Wer die Trainingsdaten mitaufgebaut hat, identifiziert sich mit dem Ergebnis statt gegen es zu arbeiten.

Der Pilot beweist nicht das Produktionssystem. Ein vierwöchiger Pilot kann eine sehr hohe Erkennungsrate zeigen, und das Produktionssystem liegt ein paar Monate später spürbar darunter. Der Unterschied: Im Pilot war die Beleuchtung sorgfältig eingestellt, der Datensatz frisch, die Produktionsbedingungen stabil. Im Dauerbetrieb ändert sich alles langsam. Der Pilot beweist die Machbarkeit des Ansatzes, nicht die Qualität des Dauersystems.

Messpunkt-Verschiebung. Das System schleust Ausschuss aus, aber Ausschuss, der vorher die Linie verlassen hätte, bleibt jetzt intern. Die gemessene Reklamationsrate sinkt, aber die interne Ausschussquote steigt zunächst scheinbar. Das ist ein gutes Zeichen, wird aber manchmal als Kostensteigerung fehlinterpretiert. Wichtig: Baseline vor der Einführung klar dokumentieren.

Was konkret hilft:

• Zwei bis drei erfahrene Prüfer als Hauptannotatoren für den Trainingsdatensatz einsetzen
• Parallelbetrieb (manuell + System) für vier bis sechs Wochen nach Go-live, nicht als Kontrolle des Systems, sondern als Kalibrierung
• Wöchentliche Kurzauswertung der Erkennungsstatistiken in den ersten drei Monaten, kommuniziert ans Team

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Die Phasen für Trainingsbildaufbau und Hardwareinstallation überlappen bewusst. Wer auf die Hardware wartet, bevor er Bilder sammelt, verliert vier bis sechs Wochen.

Häufige Einwände, und was dahintersteckt

„Wir haben das bisher immer von Hand geprüft, und es hat funktioniert.” Das stimmt wahrscheinlich, bis zu dem Moment, in dem es nicht mehr stimmt. Manuelle Prüfung funktioniert, solange die Fehlerquote tolerierbar ist. Wenn Kundeanforderungen strenger werden (0-ppm-Ziel bei Automotive Tier-1), das Prüfpersonal wechselt oder die Prüfmenge steigt, ist das kein nachhaltiges System mehr. Das Argument ist kein Argument gegen das System, es ist eine Bestandsaufnahme des aktuellen Zustands.

„Das kostet 80.000 Euro, das rechnet sich nie.” Rechne nach, und zwar ehrlich. Bei drei Reklamationen im Jahr zu je 18.000 Euro, drei Vierteln davon mit sichtbarer Ursache und 96 Prozent Erkennung verhindert das System rund 39.000 Euro im Jahr, nach 6.000 Euro Pflege bleiben rund 33.000 Euro. Dann sind 80.000 Euro nach knapp zweieinhalb Jahren bezahlt, bei zwei Reklamationen im Jahr erst nach rund vier. Der Einwand ist also nicht falsch, er gilt für Betriebe mit wenigen Reklamationen. Wer die Zahl nicht kennt, sollte sie erst erheben, dann entscheiden.

„Das KI-Modell macht Fehler, da vertraue ich lieber meinen Prüfern.” Das stimmt: Das Modell macht Fehler. Aber die Prüfer auch, systemisch, reproduzierbar und vorhersehbar. Müdigkeit, Konzentrationsschwäche, Schichtübergaben. Das Ziel ist nicht ein fehlerfreies System, sondern ein System, das zuverlässiger und vollständiger prüft als der bisherige Prozess. Bei 100 Prozent Prüftiefe und einer Erkennungsrate, die du im Parallelbetrieb selbst gemessen hast, ist das meist gegeben.

Woran du merkst, dass das zu dir passt

• Dein Reklamationsproblem ist wiederkehrend, nicht ein Ausreißer, sondern eine Linie in der Fehlerhistorie, die sich durch mehrere Aufträge zieht
• Du produzierst Serien mit einer dominanten Geometrie, die mehrere Monate oder Jahre läuft, nicht jeden Tag ein anderes Bauteil
• Deine Kunden stellen Anforderungen, die über AQL-Stichprobenkontrolle hinausgehen: Null-Fehler-Ziel, Endlosprotokoll, Zertifizierungspflicht
• Du hast ein oder zwei Hauptfehlertypen, die wiederholt auftreten und gut definierbar sind (Einfallstelle, Gratbildung, Schlieren), nicht eine lange Fehlertypenliste mit je 50 Beispielbildern
• Die Taktzahl lässt manuelle Vollprüfung nicht zu, du prüfst strukturell nur Stichproben, weil du nicht anders kannst

Drei harte Ausschlusskriterien, wann es (noch) nicht passt:

1. Unter ca. 50.000 Teilen pro Jahr je Geometrie. Der Aufwand für Trainingsbildaufbau, Hardwareintegration und Modellpflege ist bei kleinen Stückzahlen wirtschaftlich nicht zu rechtfertigen. Eine Prüfstation ab 30.000 Euro plus laufender Pflege amortisiert sich bei Jahresvolumina von weniger als 50.000 Teilen kaum, weil bei so wenigen Teilen selten genug Reklamationen zusammenkommen, die sie verhindern könnte.

2. Über 15–20 verschiedene Geometrien auf derselben Anlage mit häufigem Werkzeugwechsel. Jede neue Geometrie braucht einen eigenen Trainingsdatensatz und ggf. eine eigene Kamera-/Beleuchtungskonfiguration. Der Retraining-Aufwand bei wöchentlichem Werkzeugwechsel zwischen sehr unterschiedlichen Teilen übersteigt den Nutzen. Für hohe Variantenvielfalt sind regelbasierte Prüfsysteme mit einfacherer Geometrie-Parametrierung oft wirtschaftlicher.

3. Keine stabile Umgebung für Kamerainstallation und keine SPS-Integrations-Kapazität. Wer weder intern noch über einen externen Integrationsdienstleister OT-Expertise verfügbar hat, sollte das Projekt nicht starten. Das Kamerasystem muss in eine Fertigungsumgebung mit Vibrationen, Hitze und Schmutz integriert werden, und dauerhaft dort betrieben werden. Ohne jemanden, der diese Integration verantwortet und im Betrieb wartet, scheitert das Projekt sehr wahrscheinlich. Eine belastbare Quote dafür gibt es nicht, den Mechanismus beschreibt der Abschnitt zu den Einstiegsfehlern.

Das kannst du heute noch tun

Der schnellste Machbarkeitstest kostet nichts: Fotografiere heute zehn Gutteile und zehn Ausschussteile mit dem Smartphone, unter den Lichtverhältnissen, unter denen die Teile tatsächlich produziert werden. Nimm dafür ein Teil, das keiner Geheimhaltungsvereinbarung mit einem Kunden unterliegt, denn beide Plattformen verarbeiten die Bilder auf US-Servern. Lade die Bilder in Landing AI hoch (kostenloser Einstieg, 1.000 Credits) und trainiere ein erstes Modell. Den Gratisplan von Roboflow nimmst du dafür nicht, dort werden hochgeladene Bilder öffentlich.

Das Ergebnis ist keine Produktionslösung. Aber es zeigt, ob die Fehlertypen überhaupt visuell unterscheidbar sind, eine Voraussetzung, über die manchmal debattiert wird, ohne sie je empirisch geprüft zu haben. Halte dafür fünf Fotos je Klasse zurück und lass das Modell nur diese zehn bewerten. Sortiert es die zurückgehaltenen Fehlerteile richtig ein, ist der Unterschied sichtbar. Eine Erkennungsrate lässt sich aus zehn Testbildern aber nicht ablesen, dafür braucht es die 200 bis 500 Bilder je Fehlerklasse aus Einstiegsfehler 2.

Für die nächste Stufe, Beleuchtungskonzept und Hardware-Auswahl, hilft dieser Prompt, den du in deinem nächsten Gespräch mit einem Anbieter oder Integrator verwenden kannst:

Quellen & Methodik

• Murrplastik Medizintechnik GmbH / Detact by Symate: Fallstudie vom 9. August 2021. Murrplastik fertigt Not-Aus-Schalter, über 6.000 Komponenten täglich, ein 2K-Teil alle 24 Sekunden, und analysiert mit Detact Prozess-, Maschinen- und CAQ-Daten, keine Kamerabilder. Quelle: detact.com/en/cases-en/murrplastik
• Pexon Consulting: Anbieterseite zur KI-Sichtprüfung im Spritzguss: Einstieg ab 75.000 Euro, 96–99 % Erkennungsrate für definierte Fehlerklassen, unter 2 % Falsch-Ausschuss, 2–5 Sekunden je Teil inklusive Handling, Amortisation in unter 18 Monaten, bis zu 60 % weniger Qualitätskosten. Alles Anbieterangaben, ohne Datum auf der Seite. Quelle: pexon-consulting.de/fertigung/optische-qualitaetskontrolle-spritzguss
• TH Köln (Technische Hochschule Köln): QuKu-ML-Projekt, Pressemitteilung 31/2024 vom 1. August 2024. Kamerabasierte Qualitätsbewertung von Spritzgussteilen mit Anomalieerkennung (das Modell lernt “Perfektion” statt Fehler), 91 % Genauigkeit mit rund 1.600 Trainingsbildern aus 16 Perspektiven. Quelle: th-koeln.de/hochschule/qualitaetskontrolle-beim-spritzgiessen-verbessern
• Preisangaben Cognex, Keyence, Maddox AI, Landing AI, Roboflow, YOLO: unsere Toolseiten. Cognex, Keyence und Maddox veröffentlichen keine Listenpreise, die Spannen dort sind Marktrichtwerte.
• Rechenbeispiel Reklamationskosten: Reklamationskosten, Anteil optischer Ursachen und Pflegekosten sind Annahmen dieser Seite, keine gemessenen Werte. Setze deine eigenen Zahlen ein.
• Scoring-Einordnung: Alle Radarwerte wurden kalibriert gegen den Kunststoff-Branch-Vergleich (UC02 bis UC10, Stand April 2026).

Du willst wissen, ob deine aktuelle Reklamationshistorie für dieses Projekt einen verlässlichen Business Case ergibt, und welche Systemvariante für euren Takt und eure Fehlertypen realistisch ist? Meld dich, das klären wir in einem kurzen Gespräch.