Holzfehler per KI-Bildanalyse in der Produktion erkennen

Das echte Ausmaß des Problems

Holz ist ein Naturmaterial, und das macht die Qualitätssicherung grundsätzlich anders als bei Stahl oder Kunststoff. Kein Brett ist wie das nächste. Äste können offen oder geschlossen sein, Risse verlaufen längs oder quer, Harztaschen verstecken sich unter intakter Oberfläche, Blaustich tritt unregelmäßig auf und ist je nach Holzart kaum von dunklen Maserungsadern zu unterscheiden. Diese Variabilität macht manuelle Sichtprüfung nicht nur ermüdend, sondern strukturell unzuverlässig.

Die Zahlen aus Holz verarbeitenden Betrieben sprechen eine klare Sprache: Erfahrene Sortiererinnen und Sortierer erkennen bei Produktionsgeschwindigkeit zuverlässig 85–90 Prozent der relevanten Fehler, ein solider Wert, der sich jedoch bei höherer Taktfrequenz, langen Schichten und schlechten Lichtverhältnissen auf 75–80 Prozent verschlechtert. Das bedeutet: Zehn bis zwanzig von hundert fehlerhaften Brettern gehen unbemerkt in die Weiterverarbeitung. Je weiter sie darin gelangen, desto teurer werden sie.

Ein Brett, das am Eingang zum Lager aussortiert wird, kostet 3–8 Euro. Dasselbe Brett, das erst nach dem Formatschneiden auffällt, kostet 15–25 Euro. Nach dem Lackieren oder Furnieren ist es oft schon 60–120 Euro wert, und wenn die Reklamation erst beim Endkunden ankommt, kommen Transportkosten, Kulanzmaßnahmen und Reputationsschäden dazu.

Die Herausforderung wächst zusätzlich durch Fachkräftemangel: Erfahrene Sortierkräfte sind schwer zu finden und zu halten. Neue Mitarbeitende brauchen Monate, um den Fehlerkatalog eines Betriebs wirklich zu kennen, und in dieser Zeit passieren die teuersten Fehler.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Zahlen aus dem Praxisfall: Prohan, ein Hartholzmöbelhersteller, reduzierte seinen Ausschuss durch ein Computer Vision-System von rund 5 % auf unter 0,5 % je 1.000 gefertigte Platten, und verzeichnet seitdem keine Kundenreklamationen mehr wegen Fertigungsfehlern (Quelle: DAC.digital Case Study, 2024). Das System wurde in vier Monaten implementiert, erforderte keine manuelle Nachkalibrierung nach der Inbetriebnahme.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Das System spart keine Arbeitszeit im direkten Sinn, die Produktionslinie läuft ohnehin, und das Holz muss transportiert werden. Die Zeitersparnis entsteht indirekt: Die Linie kann bei höherer Geschwindigkeit betrieben werden, Nacharbeitsschleifen entfallen, und der Prüfkraft-Engpass an der Linie verschwindet. Verglichen mit Use Cases, die direkte Bürozeit ersetzen (wie Montageanleitungen generieren), ist der Stundengewinn hier schwerer zu messen, er entsteht im Produktionsfluss, nicht in der Verwaltung.

Kosteneinsparung, hoch (5/5) Das ist der stärkste Hebel in dieser Kategorie. Ausschuss, Nacharbeitskosten und Reklamationen sind direkt messbar und fallen heute in vielen Holzbetrieben auf 3–8 % der Materialkosten. Die Reduktion auf unter 1 %, wie im Prohan-Fall, entspricht Einsparungen von 15.000–60.000 Euro jährlich je nach Produktionsvolumen. Dieser Wert ist klar isolierbar, weil Ausschussquoten vor und nach der Implementierung zählbar sind. Unter den Kostensparern in dieser Branche ist das die direkteste und messbarste Einsparung.

Schnelle Umsetzung, niedrig (2/5) Kamerainstallation, Lichtsetup, Datenlabelung, Modelltraining, Pilotphase, Linienintegration: Das sind realistisch 3–6 Monate bis zum Serienbetrieb. Kein Self-Service, kein Klick-und-Fertig. Verglichen mit der Angebotskalkulation für Einbauküchen oder der Fertigungsdokumentation ist der Einführungsaufwand hier erheblich höher, es braucht Hardware, Integration in die Fördertechnik und fachliche Vorarbeit.

ROI-Sicherheit, hoch (4/5) Der Nutzen ist messbar, die Ausschussquote ist eine Zahl, die du vorher und nachher vergleichen kannst. Die Unsicherheit entsteht nicht beim ROI-Konzept, sondern bei der Modellqualität: Wenn das System auf neue Holzarten oder veränderte Produktionsbedingungen trifft, ohne nachtrainiert zu werden, steigen Falsch-Positiv- und Falsch-Negativ-Raten, und damit der ROI-Verfall. Kein 5, weil die laufende Modellpflege den ROI aktiv erhalten muss.

Skalierbarkeit, hoch (4/5) Ein trainiertes Modell kann auf weitere Produktionslinien derselben Holzart erweitert werden, ohne von vorne anzufangen. Neue Fehlerklassen lassen sich durch Nachtraining ergänzen. Die Skalierung auf eine zweite Linie kostet vor allem Hardware, die Modellarbeit ist wesentlich kleiner als beim Start. Kein 5, weil jede neue Holzart und jede neue Lichtsituation eine eigene Kalibrierung braucht.

Richtwerte, stark abhängig von Produktionsvolumen, Holzarten und gewünschter Fehlerklassenbreite.

Was das System konkret macht

Der technische Kern ist Machine Learning auf Bilddaten, konkret ein Convolutional Neural Network (CNN), das trainiert wurde, bestimmte visuelle Muster auf Holzoberflächen zu erkennen und zu klassifizieren.

An der Produktionslinie läuft das so ab: Eine oder mehrere Zeilenkameras (Line-Scan-Kameras) sind quer über das Förderband montiert. Sie fotografieren jeden Punkt der Brettoberfläche mit hoher Auflösung, typisch 0,1–0,3 mm pro Pixel. Ein separates Beleuchtungssystem (Streiflicht, Durchlicht oder beides) erzeugt die Kontraste, die das Kameramodell braucht, um Fehler sichtbar zu machen. Das Modell analysiert jeden Frame in Echtzeit und gibt für jedes Brett eine Klassifizierung zurück: fehlerfreie Ware, Sortiment B (Äste toleriert), Ausschuss, Weiterleitung zur manuellen Prüfung.

Diese Klassifizierung steuert dann direkt die Sortierweiche, entweder über eine SPS-Schnittstelle (OPC UA oder digitaler Ausgang) oder über einen Operator-Alarm am Bildschirm.

Was das System erkennt:

• Äste, offen (Astlöcher mit sichtbarem Hohlraum), geschlossen (eingewachsen, ohne Loch), Faulstellen rund um Äste
• Risse und Trockenrisse, längs und quer, auch sehr feine Haarrisse ab ca. 0,3 mm Breite
• Harztaschen, lokale Ansammlungen von Harz, die beim Lackieren oder Kleben Probleme machen
• Blaustich (Bläue), Pilzbefall, der das Holz blau-grau verfärbt, ohne die Festigkeit zu beeinträchtigen, aber die optische Qualität massiv senkt
• Farbabweichungen und Verfärbungen, ungleichmäßige Holzfärbung, dunkle Flecken, Moderfärbungen
• Schimmelansatz, frühe Stadien, die für das menschliche Auge kaum sichtbar sind

Was das System nicht erkennt: Dimensionsfehler (dafür braucht es 3D-Messtechnik oder Laser-Profilometer), interne Defekte wie Hohlräume im Kern (dafür braucht es Röntgen oder Ultraschall), und sehr selten auftretende Fehlertypen, für die zu wenig Trainingsdaten vorhanden sind.

Was ihr hardware-seitig braucht

Das ist die Frage, die in den meisten Beratungsgesprächen zu kurz kommt, und die über Erkennungsrate und Systemkosten entscheidet.

Kameratyp: Für laufende Förderbänder sind Zeilenkameras (Line-Scan-Kameras) die Standardlösung. Sie fotografieren das Brett Zeile für Zeile, während es unter dem Sensor durchläuft, ohne Bewegungsunschärfe, auch bei 30–100 m/min. Flächenkameras (Area Scan) funktionieren nur bei niedrigen Geschwindigkeiten oder mit Blitzlicht und diskretem Transporttakt. Je nach gewünschter Auflösung und Brettbreite (typisch 100–400 mm) brauchst du eine oder zwei Zeilenkameras.

Beleuchtung: Das ist der unterschätzteste Faktor. Falsche Beleuchtung macht ein gutes Modell schlecht. Für Holzfehler sind zwei Lichtmodi relevant:

• Streiflicht (Licht trifft die Oberfläche flach von der Seite): macht Risse, Erhebungen und Unebenheiten sichtbar, indem es Schatten erzeugt
• Direktlicht (senkrecht von oben): zeigt Farbabweichungen, Blaustich und Verfärbungen besser

Viele Systeme nutzen beide Kanäle parallel. Industrietaugliche LED-Leisten mit Gleichstromversorgung sind dabei Pflicht, Flimmereffekte durch Netzspannung erzeugen Streifenartefakte im Bild, die das Modell verwirren.

Triggersystem: Die Kamera muss wissen, wann ein Brett unter ihr liegt und wo es anfängt und endet. Dafür braucht es einen Encoder am Förderband (misst den Vorschub) und einen Lichtschrankensensor am Eingang. Ohne sauberes Triggersystem kann das System nicht zuverlässig pro Brett klassifizieren.

Vibrationsdämpfung: Förderbänder vibrieren. Kameras, die vibrieren, liefern unscharfe Bilder. Die Kameramontage muss entkoppelt sein, entweder durch eine separate, vom Band unabhängige Konstruktion oder durch gummigenlagerte Halterungen.

Industrie-PC: Die Bildauswertung läuft auf einem Rechner direkt an der Linie, kein Cloud-Upload, weil die Latenz für Echtzeitsortierung zu hoch wäre. Ein handelsüblicher Industrie-PC mit GPU (für CNN-Inferenz) ist ausreichend. Typische Anforderung: NVIDIA RTX 3060 oder besser, 32 GB RAM, Solid-State-Speicher für Bilddaten.

Für eine Linie mit zwei Zeilenkameras, Beleuchtungsset, Encoder/Lichtschranke und Industrie-PC rechne mit Hardware-Kosten von 15.000–35.000 Euro, ohne Software und ohne Systemintegration.

Daten beschaffen und Modell trainieren, die unterschätzte Vorarbeit

Das KI-Modell ist so gut wie die Daten, mit denen es trainiert wurde. Und genau hier unterschätzen viele Betriebe den Aufwand, massiv.

Wie viele Bilder braucht ihr? Faustregel: Pro Fehlerklasse, die das System zuverlässig erkennen soll, brauchst du 300–600 annotierte Bilder, idealerweise aus mehreren Lichtsituationen, Holzarten und Fehlerschweregraden. Das klingt wenig, ist aber in der Praxis anspruchsvoll: Viele Betriebe haben keine systematische Fehlerdokumentation. Blaustich tritt vielleicht dreimal pro Woche auf; bis du 400 Beispiele hast, vergehen Monate. Hier helfen Data Augmentation (künstliches Variieren vorhandener Bilder) und Transfer Learning auf vortrainierten Modellen, aber die Grundlage an echten Beispielen ist unersetzlich.

Wer labelt die Bilder? Nicht die IT. Nicht der Systemintegrator. Erfahrene Sortiererinnen und Sortierer, die den Fehlerkatalog des Betriebs in- und auswendig kennen. Das ist der Schlüssel: Das KI-System lernt die Qualitätsstandards, die dein Team definiert, nicht einen universellen Standard.

Das erzeugt ein Dilemma: Dieselben Mitarbeitenden, die das System letztlich entlasten soll, müssen in der Vorbereitungsphase intensiv mitarbeiten. Plane dafür 30–60 Arbeitsstunden pro Fehlerklasse ein, verteilt über die gesamte Datenerhebungsphase.

Konsistenz der Labels: Wenn zwei Personen dasselbe Brett unterschiedlich klassifizieren (ist das ein akzeptabler Ast oder Ausschuss?), lernt das Modell Widersprüche, und wird unsicher genau bei den Grenzfällen, bei denen das System am meisten helfen soll. Lösung: Vorher einen verbindlichen Fehlerkatalog mit Fotobeispielen und klaren Grenzwerten erarbeiten. Was zählt als B-Ware? Ab welcher Astgröße ist es Ausschuss? Diese Fragen müssen schriftlich beantwortet sein, bevor eine einzige Kamera installiert wird.

Die Fraunhofer-Forschungsgruppe ITWM hat genau dieses Problem systematisch untersucht: Holzoberflächen-KI-Modelle versagen vor allem an den Grenzfällen, bei denen auch menschliche Sortierer uneinig sind, nicht bei eindeutigen Fehlern. Die Lösung liegt immer im Labeling-Prozess, nicht im Modell.

Konkrete Werkzeuge, was wann passt

Für KI-gestützte Holzfehlerkennung gibt es keine Universal-Software. Die Wahl hängt davon ab, wie viel proprietäre Hardware du akzeptierst, ob du EU-Hosting brauchst und wie viel eigene Integrationskompetenz vorhanden ist.

Robovision, wenn du Holz als Primärfall hast Belgische KI-Plattform (Ghent), spezialisiert auf industrielle Computer-Vision-Qualitätsprüfung, mit explizitem Holz-Use-Case (Sägewerke, Parkett, Möbel). Erkennt Äste, Risse, Harztaschen, Schimmel und Farbabweichungen bei Geschwindigkeiten bis 100 m/min. No-Code-Oberfläche für Modelltraining, dein Qualitätsteam kann neue Fehlerklassen selbst anlegen. EU-Hosting, DSGVO-konform. Kein deutschsprachiger Support; Einstieg nur als Enterprise-Projekt (ab ca. 25.000–50.000 € Projektpauschale). Richtig für: Holzwerke und Möbelhersteller mit klarer Holzinspektion als Hauptanwendung.

Cognex Vision (inkl. Cognex ViDi für Deep Learning), wenn du industrielle Robustheit brauchst Weltmarktführer für industrielle Bildverarbeitung. Cognex ViDi ist das Deep-Learning-Modul für unstrukturierte Defekterkennung, trainierbar auf eigene Fehlerbilder. Hardware und Software aus einem Haus, Deutschsprachiger Support, bewährt in harten Produktionsumgebungen. Vollständige Vision-Systeme: 3.000–30.000 Euro je nach Konfiguration. Richtig für: Betriebe, die eine langfristige Partnerschaft mit einem etablierten Anbieter wollen und eigene Integratoren oder IT haben.

KEYENCE Vision, wenn du schnell starten und deutschsprachigen Support willst KEYENCE-Vision-Systeme sind für mittelständische Fertiger ohne eigene Machine-Vision-Abteilung konzipiert. Der Anwendungsberater kommt kostenlos in die Halle, Leihgeräte zum Testen gibt es gratis. KI-Bildverarbeitung kombiniert mit regelbasierter Prüflogik, für die meisten Holzfehler-Grundfunktionen ausreichend. Vollständige Systeme: 10.000–80.000 Euro. Richtig für: Mittelständler, die pragmatisch einsteigen wollen, und für die Support auf Deutsch ein K.O.-Kriterium ist.

Landing AI (LandingLens), wenn du zuerst testen willst No-Code-Plattform für industrielle Bildverarbeitung, von Andrew Ng gegründet. LandingLens erlaubt das Training eigener visueller Inspektionsmodelle ohne ML-Kenntnisse, 50–200 Bilder hochladen, labeln, trainieren, testen. Ideal als kostengünstiger Proof of Concept, bevor ein Vollsystem-Budget beantragt wird. Einschränkung: US-Datenhosting (DSGVO-Abklärung nötig), kein deutschsprachiger Support, kein fertiges Industrie-Hardware-Paket. Team-Plan: 250 USD/Monat. Richtig für: Pilotprojekte und interne Business-Case-Erstellung.

Zusammenfassung, wann welcher Ansatz:

• Holz als Primärfall, EU-Hosting, Modellkontrolle → Robovision
• Industrielle Robustheit, lange Partnerschaft → Cognex ViDi
• Mittelstand, deutschsprachig, schneller Einstieg → KEYENCE
• Pilottest ohne großes Budget → Landing AI (mit DSGVO-Einschränkung)

Datenschutz und Datenhaltung

Produktionsbilder von Holzoberflächen enthalten keine personenbezogenen Daten im DSGVO-Sinne, es geht um Bretter, nicht um Menschen. Dennoch gibt es zwei Datenschutzthemen, die in der Praxis relevant werden:

Produktionsdaten als Betriebsgeheimnisse: Die Bilder und Defektdaten aus deiner Produktion verraten Ausschussquoten, Materialqualität und Lieferantenperformance, sensible Informationen, die du nicht unkontrolliert in US-Cloud-Systeme übertragen solltest. Für Landing AI (US-Hosting) gilt: Kläre vor dem produktiven Einsatz, ob ein AVV ausreicht oder ob eine On-Premise-Option genutzt werden muss. Robovision betreibt EU-Infrastruktur, Produktionsdaten verlassen Europa nicht.

Mitarbeiterdaten bei Kamerasystemen: Wenn Kameras so positioniert sind, dass sie auch Personen an der Linie erfassen könnten, ist Artikel 88 DSGVO (Beschäftigtendatenschutz) relevant. Typische Lösung: Kameras werden so ausgerichtet, dass ausschließlich die Materialoberfläche im Bildbereich liegt, keine Aufnahmen von Gesichtern oder Händen. Dies sollte technisch sichergestellt (Sichtfeld begrenzt) und dokumentiert sein.

Cognex und KEYENCE arbeiten standardmäßig mit lokaler Datenverarbeitung on-premises, die Bilder verlassen die Produktionshalle nicht. Das ist der datenschutzfreundlichste Ansatz und für die meisten Holzbetriebe die Empfehlung.

Was es kostet, realistisch gerechnet

Einmalige Projektkosten:

Laufende Kosten:

• Software-Wartung / Plattformlizenz: 3.000–8.000 €/Jahr
• Modellpflege bei neuen Holzarten oder Fehlerklassen: 5–20 Stunden intern oder ca. 1.500–5.000 € extern pro Anpassung

Wie du den ROI tatsächlich misst: Vor der Einführung: Basislinie erheben. Wie viel Ausschuss in Euro entsteht pro Monat? Wie viele Reklamationen mit Ursache “Holzfehler”? Was kostet eine Reklamation im Schnitt? Diese drei Zahlen brauchst du, ohne sie ist kein seriöser Business Case möglich.

Nach der Einführung: Vergleich derselben drei Zahlen nach 3, 6 und 12 Monaten. Der Rückgang der Ausschusskosten minus die Systemkosten ergibt den ROI. Der Prohan-Fall zeigt, dass bei einem Jahresumsatz von 2 Mio. Euro allein durch den Wegfall von Kundenreklamationen signifikante Einsparungen möglich sind, auch wenn die genauen Zahlen projektspezifisch bleiben.

Konservatives Rechenbeispiel:

• Ausschusskosten vor Einführung: 40.000 €/Jahr (realistisch für mittelgroßes Holzwerk)
• Reduktion auf 30 % des ursprünglichen Werts: 12.000 €/Jahr Ausschuss
• Einsparung: 28.000 €/Jahr
• Systemkosten: 50.000 € einmalig + 5.000 €/Jahr laufend
• Break-even: nach ca. 26 Monaten

Drei typische Einstiegsfehler

1. Mit dem Modell starten, bevor der Fehlerkatalog steht. Das häufigste und teuerste Missverständnis: Das System wird bestellt, die Kamera installiert, und dann fragt jemand: “Was soll das System eigentlich erkennen?” Ohne vorher schriftlich festzulegen, welche Fehlerklassen nach welchen Kriterien aussortiert werden, inklusive Grenzfälle mit Fotobeispielen, werden widersprüchliche Trainingsdaten gesammelt. Das Modell lernt die Uneinigkeit des Teams, nicht den Qualitätsstandard. Lösung: Fehlerkatalog mit Fotobeispielen und Grenzwertkritierien fertigstellen, bevor ein einziges Bild aufgenommen wird.

2. Beleuchtung als Nachgedanke behandeln. In vielen Projekten wird die Kamera sorgfältig ausgewählt, aber die Beleuchtung mit einer handelsüblichen LED-Leiste aus dem Baumarkt improvisiert. Das Ergebnis: Der Kontrast ist zu gering, Risse sind im Bild nicht von Maserungslinien zu unterscheiden, und das Modell produziert 40 % Falsch-Positive. Alle danach kommenden Versuche, das Modell zu verbessern, laufen ins Leere, weil das Problem im Bild liegt, nicht im Algorithmus. Beleuchtung ist Teil des Systems, nicht ein Zubehörartikel.

3. Das Modell einmal trainieren und sich ausruhen. Das ist der gefährlichste Fehler, weil er schleichend passiert. Ein gut trainiertes Modell funktioniert auf der Holzart, dem Beleuchtungssetup und der Fehlerverteilung, mit der es trainiert wurde. Wenn ein Lieferant wechselt (andere Kiefernherkunft, andere Maserungsdichte), die Beleuchtung durch Alterung schwächer wird oder ein neuer Fehlertyp auftaucht (der bisher nicht im Katalog war), beginnt die Erkennungsrate unbemerkt zu sinken, ohne Alarm, ohne Fehlermeldung, ohne dass es zunächst jemand merkt. Die Lösung ist ein Monitoring-Prozess: monatliche Stichproben aus dem Produktionsstrom, verglichen mit der Systemklassifizierung, um schleichende Qualitätsverluste zu erkennen. Wer diesen Prozess nicht einrichtet, hat nach 18 Monaten ein System, das er für gut hält und das es nicht mehr ist.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Seite der Einführung ist der einfachere Teil. Das Schwierigere ist das, was vorher und danach passiert.

Vorher, die Datenlabelingphase: Erfahrene Sortierkräfte müssen 300–600 Bilder pro Fehlerklasse klassifizieren. Das ist konzentrierte Arbeit, die zwei bis vier Stunden täglich bindet, parallel zur regulären Schichtarbeit. In dieser Phase ist Widerstand verständlich: “Warum labeln wir Bilder für eine Maschine, die unsere Arbeit übernimmt?” Die Antwort muss ehrlich sein: Das System übernimmt die monotone Routineprüfung. Grenzfälle, Stichprobenkontrollen und Modellpflege bleiben Aufgaben für Menschen mit Erfahrung.

Während des Betriebs, die Parallelbetriebsphase: Kein seriöses Projekt schaltet das KI-System ohne Parallelbetrieb auf “Vollautomatik”. Vier bis acht Wochen laufen KI-Entscheidung und manuelle Prüfung parallel, jede Abweichung wird dokumentiert. In dieser Phase zeigt sich, ob das Modell auf euren spezifischen Fehlertypen funktioniert oder nachtrainiert werden muss. Diese Phase ist kein Fehler im Projektplan, sondern sein wichtigster Schritt.

Nach der Einführung, wer ist verantwortlich? Das System braucht eine namentliche Zuständigkeit. Wer entscheidet, wenn das Modell einen neuen Fehlertyp nicht erkennt? Wer überwacht die monatlichen Stichproben? Wer genehmigt Nachtraining? Ohne klare Verantwortung passiert dasselbe wie bei jedem IT-System ohne Owner: niemand kümmert sich, bis etwas schiefgeht, und dann ist es teurer als nötig.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Holzqualität ist zu variabel, das kann keine KI lernen.” Das klingt plausibel, stimmt aber nur halb. Ja, Holz ist variabel. Genau deshalb sind regelbasierte Systeme (einfache Schwellenwerte auf Helligkeit oder Kontrast) tatsächlich ungeeignet, die scheitern an der Natürlichkeit des Materials. Machine Learning hingegen ist genau für diese Variabilität entwickelt worden. Das Modell lernt nicht “ein Brett ist dann fehlerhaft, wenn Helligkeit unter X ist”, sondern “ein Brett ist dann fehlerhaft, wenn es diese Kombination von Textureigenschaften hat, die erfahrene Sortierer als Fehler einordnen”. Die Variabilität des Materials ist das Problem, das Deep Learning besser löst als jeder regelbasierte Ansatz, vorausgesetzt, die Trainingsdaten repräsentieren diese Variabilität.

„Das ist nur etwas für große Holzkonzerne.” Stimmt für klassische Inline-Systeme mit siebenstelligen Investitionen, die sind für Mittelständler unrealistisch. Stimmt nicht für moderne Plattformansätze: KEYENCE bietet Komplettsysteme ab 10.000–15.000 Euro, und Landing AI erlaubt Pilotstudien für wenige Hundert Euro pro Monat. Ein Holzwerk mit fünf Mitarbeitenden in der Qualitätssicherung und 3.000 Brettern pro Tag kann einen validen Business Case aufbauen.

„Was ist, wenn das System einen Fehler übersieht?” Das wird passieren, kein System ist perfekt. Die relevante Frage ist nicht “Passiert das?” sondern “Wie oft, und im Vergleich zu was?” Bei 95 % Erkennungsrate übersieht das System 5 % der Fehler. Bei manueller Prüfung werden 10–20 % übersehen, und davon noch mehr in der Spätschicht. Das System muss nicht perfekt sein; es muss besser sein als die Alternative. Zusätzlich: Jeder vom System übersehene Fehler ist dokumentiert (das Bild existiert), was bei manueller Prüfung nie der Fall ist. Das macht systematische Verbesserung erst möglich.

Woran du merkst, dass das zu dir passt

• Du hast mehr als 2.000 Bretter oder Platten pro Arbeitstag und mindestens eine Person, die aktuell vollzeitlich oder in bedeutendem Umfang Sichtprüfung macht
• Deine Ausschussquote durch Holzfehler liegt über 2 % gemessen am Eingangsvolumen, und du hast das tatsächlich gemessen, nicht nur geschätzt
• Du arbeitest mit gleichartigen Holzarten in stabilen Produktionsläufen, nicht mit wöchentlich wechselnden Exotenhölzern in Kleinstmengen
• Du hast bereits einen schriftlichen Fehlerkatalog oder die Bereitschaft, einen zu erstellen, bevor das technische Projekt beginnt
• Du kannst Mitarbeitende aus der Qualitätssicherung für die Labeling-Phase freistellen, typisch 30–60 Stunden verteilt über drei Monate
• Du weißt, was eine Kundenreklamation wegen Holzfehlers kostet, und diese Zahl liegt über 5.000 Euro pro Jahr

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Unter 1.000 Brettern pro Tag oder Produktionsvolumen unter 200.000 Euro Jahresumsatz. Selbst bei optimistischen Annahmen dauert die Amortisation länger als vier Jahre. Das ist kein sinnvoller Investitionshorizont für Hardware mit einer Nutzungsdauer von fünf bis sieben Jahren. Warte, bis das Volumen stimmt, oder prüfe erst eine andere Qualitätssicherung im nachgelagerten Prozess.

2. Sehr heterogenes Artenspektrum mit Chargen unter 200 Brettern pro Holzart und Woche. Ein Modell, das auf Kiefer trainiert ist, performt nicht zuverlässig auf Esche, und umgekehrt. Wenn dein Betrieb jede Woche dreißig verschiedene Hölzer in kleinen Mengen verarbeitet, entsteht keine stabile Trainingsdatenbasis. Der Retraining-Aufwand übersteigt dann den Nutzen.

3. Kein schriftlicher Fehlerkatalog und keine Person im Betrieb, die bereit ist, ihn zu erstellen. Das ist das K.O.-Kriterium vor allem anderen. Kein Systemintegrator der Welt kann ein Modell trainieren, das euren Qualitätsstandard kennt, wenn dieser Standard nicht explizit gemacht wird. Ein KI-System, das auf einem impliziten, mündlich überlieferten Standard trainiert wurde, lernt die Uneinigkeit deines Teams, nicht die Qualität deiner Produkte. Beginne mit dem Holzeinkauf-Qualitätsmanagement und einer systematischen Fehlerdokumentation.

Das kannst du heute noch tun

Bevor jede Kamera, jede Software und jedes Angebot: Erstell deinen schriftlichen Fehlerkatalog. Das ist der erste, wichtigste und kostengünstigste Schritt, und der einzige, der vollständig ohne externe Hilfe geht.

Öffne ein Textdokument und lass KI dir helfen, ihn zu strukturieren:

Mit diesem Katalog in der Hand kannst du in ein erstes Gespräch mit einem Systemintegrator gehen, und bekommst ein konkretes Angebot statt ein vages Versprechen. Du weißt dann auch sofort, ob der Anbieter die Breite deiner Fehlerklassen versteht.

Quellen & Methodik

• Prohan Case Study (Holzfehlerkennung in der Möbelproduktion): DAC.digital, „Computer Vision System Achieves 90% Defect Detection in Wood Furniture Production” (2024). Kernzahlen: Ausschuss von 5 % auf unter 0,5 %, null Kundenreklamationen seitdem, Implementierung in 4 Monaten. dac.digital/case-studies/…
• Modell-Generalisierungsproblem bei Holz: Springer Nature / European Journal of Wood and Wood Products: „WD Detector: deep learning-based hybrid sensor design for wood defect detection” (2025). Kernaussage: Variabilität von Holzart, Maserungsrichtung und Umgebungsbedingungen reduziert die Übertragbarkeit trainierter Modelle auf andere Produktionskontexte.
• Fraunhofer ITWM: Holzplatteninspektion mit KI, erkennt Kratzer, Leimflecken und Farbabweichungen. itwm.fraunhofer.de
• Hardware-Kostenrahmen Inline-Inspektion: quintina.eu, „KI-Kameraprüfsysteme: Hardware-Guide für die Produktion” (2024); bestätigt durch Cognex- und KEYENCE-Preisrangaben in der Tools-Datenbank (Stand Mai 2026).
• Manuelle Erkennungsrate 85–90 %: Branchenüblicher Erfahrungswert aus industriellen QS-Projekten; Angaben aus kimpuls.de und iteratec.com (2024) bestätigen die Größenordnung.
• Robovision: Unternehmenswebsite und TechCrunch-Bericht zu Series A (42 Mio. USD, April 2024).

Du willst wissen, welche Fehlerklassen in eurem Betrieb das größte Einspar-Potenzial haben, und ob sich eine Kamerainstallation schon ab eurem aktuellen Produktionsvolumen rechnet? Meld dich, wir rechnen das kurz gemeinsam durch.