Grat-Erkennung im Spritzguss: Sicherheitsrisiken inline aufspüren

Das echte Ausmaß des Problems

Gratbildung gehört zu den häufigsten Fehlern im Spritzguss, und für Spielzeughersteller zu denen mit den heikelsten Konsequenzen. Der Grat entsteht, wenn die beiden Hälften des Spritzgusswerkzeugs nicht bündig schließen und Kunststoffschmelze in die Trennfuge dringt. Das Ergebnis ist ein dünner, scharfkantiger Überstand aus dem gleichen Material wie das Teil selbst.

Die europäische Norm EN 71-1 (Mechanische und physikalische Eigenschaften von Spielzeug) stellt Anforderungen an zugängliche Kanten und enthält ein Prüfverfahren für scharfe Kanten. Grat, der daran scheitert, ist ein Konformitätsmangel, das Teil darf so nicht auf den Markt. Die Norm ist kostenpflichtig (DIN Media); wer Abschnitte oder Grenzwerte zitiert, zitiert sie aus dem Original, nicht aus einer Zusammenfassung wie dieser.

Das Problem: Grat ist kein stabiles, vorhersehbares Defektmuster. Er erscheint nicht jedes Mal an der gleichen Stelle. Er variiert in Größe, Form und Lage, je nachdem, wie warm das Werkzeug ist, wie viel Schließkraft die Maschine aufbringt, wie hoch Einspritz- und Nachdruck sind, welche Viskosität die Schmelze hat, und vor allem: wie weit das Werkzeug bereits verschlissen ist. Ein frisches Werkzeug produziert nahezu gratfreie Teile. Ein verschlissenes zeigt zunehmenden Grat an den Trennfugen, zunächst sporadisch, dann systematisch.

Die Zahlen hinter dem Risiko:

• Eine Stichprobe von 5 Teilen je 500 prüft 1 Prozent der Produktion. Hat jedes fünfzigste Teil Grat (2 Prozent), enthält eine solche Stichprobe nur mit rund 10 Prozent Wahrscheinlichkeit überhaupt ein Gratteil (1 − 0,98⁵). Bei jedem zwanzigsten Teil (5 Prozent) sind es rund 23 Prozent. Sporadischer Grat rutscht also meistens durch.
• Was ein Rückruf kostet, hängt an der Menge im Markt, an Rücknahme, Ersatzproduktion, Logistik, Händlerforderungen und möglichen Haftungsansprüchen. Belastbare Branchenzahlen für Spielzeug haben wir nicht gefunden. Rechne es für dein Produkt selbst: Einheiten im Markt mal Kosten je Rücknahme und Ersatz, plus die Pauschalen deiner Händler.
• Eine vollständige Inline-Kameraprüfung für eine Prüfaufgabe kostet nach Angaben des deutschen Integrationsdienstleisters Pexon Consulting 75.000 bis 150.000 EUR einmalig. Die Amortisation in 8–14 Monaten, die Pexon nennt, gilt bei 3 bis 5 Prozent weniger Ausschuss und mehr als 5 Millionen Euro Produktionswert im Jahr.
• Pexon nennt für KI-Kamerasysteme Erkennungsraten von 95–99 Prozent bei klar definierten Fehlerbildern. Eine Studie zur CNN-Defekterkennung an Spritzgussteilen mit dem knappen Bildmaterial kleiner und mittlerer Betriebe (Ha und Jeong, 2021, Applied Sciences) kam auf eine Genauigkeit von über 90 Prozent.

Zum Vergleich: Die Farbkonsistenz im Spritzguss ist ein kosmetisches Problem. Grat ist ein Sicherheitsproblem. Der regulatorische Druck ist ein anderer, und damit der wirtschaftliche Schaden potenziell deutlich höher.

EN 71-1: Was die Norm tatsächlich verlangt, und was das für Grat bedeutet

EN 71-1 ist die harmonisierte europäische Norm für mechanische und physikalische Eigenschaften von Spielzeug. Sie behandelt zugängliche Kanten, unterscheidet dabei nach Werkstoffen und legt ein Prüfverfahren fest, mit dem die Schärfe einer Kante bewertet wird. Wer auf eine harmonisierte Norm verweist, nutzt die aktuell im Amtsblatt gelistete Fassung und zitiert Abschnitte aus dem Normtext selbst.

Eine feste Grathöhe, ab der Grat „zu viel” ist, haben wir in öffentlich zugänglichen Quellen nicht gefunden. Welche Grathöhe du als Fehler definierst, legst du deshalb selbst fest, am besten anhand von Referenzteilen, die ein Prüflabor mit dem Kantenprüfverfahren der Norm als bestanden oder durchgefallen bewertet hat. Die Erkennungsgrenze der Kamera muss sicher unter dieser Schwelle liegen.

Was die Norm nicht tut: Sie gibt dir kein Millimetermaß für die Kameraeinstellung. Sie verweist auf das Prüfverfahren und eine Risikoabwägung bezüglich vorhersehbarem Gebrauch. Das bedeutet: Ein Grat am Hals eines Babynukkels wird anders bewertet als ein Grat an der Unterseite eines Brettspielsteins. Die Konformitätsbewertung liegt beim Hersteller, und damit das Risiko.

Für Spielzeug, das für Kinder unter 36 Monaten bestimmt ist, gelten die strengsten Anforderungen. Spritzgussfiguren aus dem Massenmarktsegment für Vorschulkinder liegen genau in dieser Risikoklasse.

Wichtig für die Systemauslegung: Das Kamerasystem muss auf die Prüfgrenzen der EN 71-1 kalibriert sein, nicht auf beliebige Defekte. Das bedeutet: Die Trainingsbilder müssen Grat in allen relevanten Größen- und Lagekombinationen enthalten, und das Modell muss mit bekannten EN-71-Prüfstücken validiert werden, nicht nur mit internen Qualitätsurteilen.

Werkzeugverschleiß als Treiber: Die Grat-Häufigkeitskurve

Der wichtigste Kontext für das Design eines Grat-Erkennungssystems ist die Beziehung zwischen Werkzeugverschleiß und Gratfrequenz.

Wie lange ein Spritzgusswerkzeug hält, hängt an Stahl, Kunststoff, Füllstoffen, Temperaturführung und Wartung. Eine feste Zahl gibt es nicht. Zur Einordnung: Die TH Köln nennt für variotherm betriebene Werkzeuge, die besonders stark wechselnden Temperaturen ausgesetzt sind, bislang häufig ein Ende nach rund 300.000 Zyklen, ein Forschungsprojekt zielt auf bis zu eine Million.

Die Gratfrequenz in diesem Lebenszyklus ist nicht linear. Das folgende Schema zeigt den typischen Verlauf, die Schusszahlen sind Beispielwerte der Redaktion für ein Werkzeug, das nach rund 300.000 Schüssen überholt werden muss, bei deinem Werkzeug liegen sie woanders:

• Schüsse 0–50.000: Wenig bis kein Grat. Werkzeug schließt bündig. Erkennungssystem läuft im Leerlauf.
• Schüsse 50.000–200.000: Sporadischer Grat. Einzelne Schüsse zeigen Grat an Trennfugen, ohne systematisches Muster. Stichprobenkontrolle versagt hier am schwersten.
• Schüsse 200.000–300.000: Zunehmend systematischer Grat. Bestimmte Kavitäten zeigen höhere Frequenz. Das System kann jetzt auch als Werkzeugverschleiß-Sensor dienen.
• Schüsse 300.000+: Grat wird zur Regel, nicht zur Ausnahme. Werkzeugüberholung oder -tausch nötig.

Die Konsequenz für das KI-Modell: Ein Modell, das am Anfang des Werkzeuglebens trainiert wird (fast ausschließlich gute Teile), muss für die späteren Phasen neu trainiert oder durch Bilder aus realistischen Verschleißzuständen ergänzt werden. Ein statisches Modell aus der Pilotphase liefert mit fortschreitendem Verschleiß zunehmend falsch negative Ergebnisse, klassifiziert also Grateile als gut, weil es diese Gratmuster noch nicht gesehen hat.

Operative Empfehlung: Definiere Retraining-Auslöser nicht nur zeitbasiert (alle 6 Monate), sondern werkzeugzustandsbasiert, z.B. alle 50.000 Schüsse oder bei gemeldeten Werkzeugwartungsereignissen. Lege zu Projektbeginn fest, wie neue Trainingsbilder aus dem laufenden Betrieb ins Modell fließen.

Inline vs. End-of-Line vs. Stichprobe: Was wirklich sinnvoll ist

Für Spritzgussteilprüfung gibt es drei grundlegende Ansätze, die sich in Kosten, Erkennungsleistung und Integrationskomplexität unterscheiden.

Erkennungsraten und Inline-Kosten nennt der Integrator Pexon Consulting; die End-of-Line-Spanne ist ein Richtwert der Redaktion. Ob dein Grat ein „klar definiertes Fehlerbild” ist, zeigt erst ein Test mit deinen Teilen.

Stichprobenprüfung ist de facto keine Qualitätssicherung für sicherheitskritische Merkmale bei kleinen Fehlerraten. Zuverlässig schlägt sie erst an, wenn ein großer Teil der Teile Grat hat, also zu spät für einen EN-71-Fall.

End-of-Line-Prüfung (nach dem Abkühlen, vor dem Verpacken) ist ein guter Kompromiss: Das Teil kann optimal beleuchtet werden, es gibt Zeit für mehrere Kamerapositionen, und der Integrationsdruck auf die laufende Maschine ist gering. Nachteil: Wenn ein Fehler erkannt wird, sind bereits Hunderte oder Tausende Teile produziert, die alle durchsucht werden müssen.

Inline-Prüfung direkt beim Auswurf (im Taktzyklus der Maschine, typisch 10–30 Sekunden pro Schuss) ist technisch anspruchsvoller, aber liefert sofort umsetzbare Signale: Der Auswerfer sortiert fehlerhafte Teile direkt aus, und eine Häufung von Gratereignissen in kurzer Zeit löst automatisch einen Wartungsalarm aus. Mit so einem System wären die Stegosaurus-Figuren mit Grat bei Thomas Bauer aussortiert worden, statt das Werk zu verlassen, jedenfalls der erkannte Anteil. Und der Wartungsalarm hätte das Werkzeug früher in die Überholung geschickt, denn verhindern kann die Kamera den Grat nicht, nur melden.

Für Spielzeughersteller mit Kleinkindspielzeug und Grat an griffigen Kanten ist Inline-Prüfung die stärkste Absicherung, trotz der höheren Kosten. Wo Grat nur an schwer zugänglichen Stellen auftreten kann oder die Zielgruppe älter ist, kann End-of-Line ausreichen.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Stichprobenwerte sind gerechnet (1 − 0,98⁵ und 1 − 0,95⁵). Die 95–99 % sind eine Angabe des Integrators Pexon Consulting für klar definierte Fehlerbilder, keine Messung an Spritzguss-Grat; eine Studie an Spritzgussteilen (Ha und Jeong, 2021) kam auf über 90 Prozent Genauigkeit.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Die Stichprobe, die das System ersetzt, kostet wenig Zeit: 5 Teile je 500 sind bei 300.000 Teilen im Jahr 3.000 Teile, bei einer Minute je Teil rund 50 Stunden. Dafür kommen neue Aufgaben hinzu: Trainingsbilder labeln, bei Werkzeugwechsel neu trainieren, monatlich gegen manuelle Prüfung abgleichen. Der Nutzen dieses Systems ist Sicherheit, nicht Zeit. CE-Dokumentation und Produktbeschreibungen für viele Marktplätze entlasten deutlich stärker.

Kosteneinsparung, mittel (3/5) Ohne einen vermiedenen Grat-Fall rechnet sich die Anlage nicht: Die gesparte Stichprobenzeit ist klein, und eine Kamera senkt den Ausschuss nicht, sie sortiert Gratteile und einige Falsch-Positive aus. Geld spart sie dort, wo ein Grat-Befund beim Kunden teuer wäre, also bei Reklamationen, Rücksendungen und im schlimmsten Fall einem Rückruf, und über den Wartungsalarm, der das Werkzeug früher in die Überholung schickt. Wie viel das ist, hängt an deiner Stückzahl im Markt und an der Häufigkeit solcher Fälle, nicht an einer Branchenzahl.

Schnelle Umsetzung, gering (2/5) Der Weg vom Erstkontakt bis zur produktiven Linie dauert realistisch 8–16 Wochen: Kameramontage und Beleuchtungsdesign (2–3 Wochen), Trainingsbildersammlung unter Produktionsbedingungen (3–5 Wochen), Modelltraining und Validierung (2–3 Wochen), SPS-Integration und Auswerfer-Anbindung (2–4 Wochen). Die SPS-Integration ist oft der kritische Pfad, nicht das KI-Modell. Wer noch kein MES oder keine SPS-Anbindung hat, startet später.

ROI-Sicherheit, niedrig (2/5) Die Erkennungsrate des eingesetzten Systems ist ab Tag 1 messbar: Wie viele Grateile wurden erkannt, wie viele wären durch die Stichprobe gerutscht? Der Geldwert dahinter ist es nicht, er besteht aus Reklamationen und Rückrufen, die nicht stattgefunden haben. Ob eine solche Reklamation ohne das System gekommen wäre, weißt du nie sicher. Dazu hängt die Erkennung stark von der Qualität der Trainingsdaten ab. Ein Modell mit wenigen Trainingsbildern und lückenhafter Abdeckung der Gratlagen erkennt spürbar weniger, dann ist der Business-Case deutlich schwächer. Das System ist kein Selbstläufer: Wer schlecht trainiert, bekommt schlechte Ergebnisse.

Skalierbarkeit, mittel (3/5) Für jede zusätzliche Spritzgusslinie ist neue Kamerahardware nötig, kein Software-only-Scale. Die Modelle lassen sich für identische Teilegeometrien an neuen Linien wiederverwenden, aber nicht für neue Produktgeometrien, die eigene Trainingsdaten brauchen. Das begrenzt die Skalierbarkeit auf Linien-Ebene, nicht auf Unternehmens-Ebene.

Richtwerte, stark abhängig von Teilegeometrie, Stückzahl pro Jahr und vorhandener SPS-Infrastruktur.

Das Trainingsdaten-Problem: Wer labelt die Grateile?

Das ist die unangenehmste Frage beim Systemaufbau, und die, über die Anbieter-Präsentationen typischerweise hinwegsehen.

Ein Computer Vision-Modell für Grat-Erkennung braucht Trainingsbilder in zwei Kategorien: Teile ohne Grat (gut) und Teile mit Grat (schlecht). Klingt einfach. In der Praxis entstehen diese Fragen:

Wer entscheidet, was Grat ist? Das Produktionspersonal erkennt augenfälligen Grat problemlos. Kleinen, sporadischen Grat nahe der eigenen Fehlergrenze zuverlässig zu identifizieren und zu labeln erfordert Erfahrung und eine definierte Labelingstrategie. Wenn drei Mitarbeitende unterschiedlich labeln, bekommt das Modell widersprüchliche Trainingssignale, und lernt schlecht.

Wie viele Bilder braucht man? Als Orientierung für typische Teilegeometrien: mindestens 300–500 Bilder je Klasse (mit Grat / ohne Grat), bei mehreren Gratlage-Varianten (Trennfuge links, rechts, oben) entsprechend mehr. Für ein neues Produktgeometrie-spezifisches Modell bedeutet das 2–4 Wochen Sammlung unter realen Produktionsbedingungen, mit bewusst produziertem Ausschuss oder geduldigem Warten auf Fehlerschüsse.

Wer labelt? Das Qualitätsteam muss Labeling-Kapazität einplanen. Werkzeuge wie Roboflow haben Auto-Label-Funktionen, die laut unserer Toolseite einen Großteil der Annotierungszeit sparen, aber die Qualitätsprüfung der Labels bleibt Handarbeit. Zwei Personen, die ein paar Stunden pro Woche labeln, können in 3–4 Wochen einen akzeptablen Startdatensatz aufbauen.

Was, wenn kein Ausschuss vorhanden ist? Wenn das Werkzeug noch jung ist und keinen Grat produziert, hat man kein negatives Training. Zwei Wege: (a) Referenzteile aus alten Werkzeugen oder manuell erzeugter Grat (vorsichtiges Anritzen an Trennfugenpositionen), (b) Synthetische Augmentation (Überblendung von Gratstrukturen auf Gut-Teil-Bilder). Letzteres funktioniert als Überbrückung, aber nicht als Ersatz für echte Produktionsdaten.

Das Labeling-Problem ist kein Grund, das Projekt nicht anzugehen, aber es ist der Hauptgrund, warum Pilotprojekte länger dauern als Anbieter versprechen.

Was das System konkret macht

Die technische Grundlage ist Computer Vision mit einer Deep Learning-Architektur, konkret ein Convolutional Neural Network (CNN), das an Teilebildern aus der laufenden Produktion trainiert wird.

Der Ablauf im Produktionsbetrieb sieht so aus:

1. Bildaufnahme: Eine oder mehrere Industriekameras (typisch 4–12 Megapixel) sind direkt am Auswurf der Spritzgussmaschine oder auf einem Förderband kurz danach montiert. Ein Beleuchtungsring (Ringlicht oder koaxiales Licht) sorgt für gleichmäßige, kontraststarke Ausleuchtung, die größte Herausforderung bei glänzenden Kunststoffoberflächen. Der Maschinen-Takt löst die Bildaufnahme aus.

2. Bildvorverarbeitung: Das Rohbild wird auf die relevante Teileregion zugeschnitten, normalisiert und in das Modell eingespeist. Das dauert bei typischen Inline-Systemen 20–60 ms.

3. CNN-Inferenz: Das Modell klassifiziert das Teil als „gut” oder „schlecht”, und gibt optional eine Konfidenz und eine Lokalisierung des Grats (Bounding Box) zurück. Gesamtlatenz inkl. Bildaufnahme: unter 80 ms.

4. Ausschleusung und Alarm: Ein Gut-Signal lässt das Teil auf dem Förderband weiter. Ein Schlecht-Signal aktiviert einen Auswerfer (Druckluft oder mechanisch) oder eine Umlenkweiche. Wenn in einem definierten Zeitfenster (z.B. 30 Minuten) mehr als X Grateile erkannt werden, sendet das System einen Wartungsalarm, das Werkzeug verschleißt.

5. Datenprotokollierung: Jedes Teil bekommt einen Zeitstempel, eine Gut/Schlecht-Einstufung und ein Bild. Das gibt Traceability, und im Falle einer späteren Beschwerde den Nachweis, dass das Teil bei Produktion als gut klassifiziert wurde.

Der entscheidende Unterschied zu Farbkonsistenz-Prüfung oder Oberflächendefekt-Erkennung: Grat ist dreidimensional. Er bildet sich an Kanten, nicht auf Flächen. Das erfordert entweder Seitenbeleuchtung, die den Grat als Schattenwurf sichtbar macht, oder mehrere Kamerawinkel. Die Beleuchtungsstrategie ist bei Grat-Erkennung oft aufwändiger als das Training des Modells selbst.

Konkrete Werkzeuge, was wann passt

Drei grundlegende Systemansätze stehen zur Wahl:

Cognex VisionPro Deep Learning , Industriestandard mit Rückendeckung Das VisionPro ViDi-Modul (jetzt unter dem Label „Cognex AI” vermarktet) ist auf Defekterkennung an Serienteilen ausgelegt. Trainingsdaten können direkt in der Software gelabelt werden, das Modell trainiert auf der vorhandenen Hardware, die Inferenz läuft auf dem Cognex-PC oder direkt in der In-Sight-Kamera. Cognex liefert Hardware und Software aus einer Hand, hat einen deutschen Vertrieb und jahrzehntelange Referenzen in der Serienproduktion. Der Nachteil: Systeme kosten schnell 25.000–80.000 EUR pro Prüfstation, sind wenig flexibel für häufig wechselnde Teilegeometrien, und die KI-Funktionen sind als Add-on komplex. Richtig für: etablierte Serienfertiger mit stabiler Produktion und Budget für professionelle Integration.

KEYENCE Vision , pragmatisch, schnell installiert KEYENCE trennt zwei Welten: Die Controller-Systeme CV-X und XG-X prüfen regelbasiert, etwa Kantenkontur und Überstand an fester Stelle, was für Grat an einer bekannten Trennfuge oft reicht. Lernende KI-Fehlererkennung aus Gut- und Schlechtbildern steckt laut unserer Toolseite in den Vision-Sensoren der IV3-Serie und der VS-Serie, nicht im CV-X. Die Einrichtung geht über eine grafische Oberfläche, kein Programmieren. KEYENCE schickt auf Anfrage einen Anwendungsberater kostenlos ins Werk, um die Tauglichkeit für die konkrete Aufgabe zu testen, bevor eine Investition getätigt wird. Kosten für vollständige Vision-Systeme mit Controller: 10.000–80.000 EUR, Software-Abos gibt es keine. Weniger tiefes Deep Learning als Cognex ViDi, für Grat an wechselnden Stellen also vorher testen. Richtig für: Mittelständler ohne eigene CV-Abteilung, die eine bewährte Lösung mit lokalem Support wollen.

Custom CNN auf NVIDIA Jetson Edge-Device, maximale Kontrolle, maximaler Aufwand YOLO oder ähnliche Open-Source-Architekturen, trainiert auf eigenen Daten über Roboflow oder eine lokale Trainingsumgebung, eingesetzt auf einem NVIDIA Jetson Nano/Orin (400–1.200 EUR Hardware) oder einem Industrie-PC mit GPU. Das Modell läuft lokal, keine Cloud-Abhängigkeit, vollständige Datenkontrolle. Lizenz beachten: Ultralytics-YOLO steht unter AGPL-3.0, wer es in ein eigenes, nicht offengelegtes Produkt einbaut, braucht die Enterprise-Lizenz (Preis auf Anfrage). Die Trainingsplattform Landing AI kann als No-Code-Einstieg dienen, hat aber US-Datenhosting, für Produktionsbilder mit Betriebsgeheimnissen heikel. Roboflow bietet als Prototyping-Tool gute Annotierungsunterstützung, macht im kostenlosen Public-Plan hochgeladene Bilder aber öffentlich, private Daten gibt es erst ab dem Core-Plan. Produktionsbilder sollten für den scharfen Betrieb ohnehin lokal verbleiben. Richtig für: Unternehmen mit eigenem Entwickler oder IT-Affinität, die volle Kontrolle wollen und mehrere Linien über Zeit aufbauen.

Zusammenfassung, wann welcher Ansatz:

• Stabile Serienfertigung, Budget vorhanden, kein internes CV-Know-how → Cognex oder Keyence
• Pilotprojekt, Machbarkeitsnachweis vor Vollausbau → Landing AI (mit US-Datenschutz-Prüfung) oder Roboflow-basiertes Prototyping
• Langfristiger Betrieb, viele Linien, eigenes Entwicklerteam → Custom CNN mit YOLO auf Edge-Hardware, Roboflow für Datenmanagement

Datenschutz und Datenhaltung

Spritzguss-Produktionsbilder enthalten in der Regel keine personenbezogenen Daten, damit fällt die DSGVO im engeren Sinne zunächst weniger ins Gewicht als bei anderen KI-Systemen. Trotzdem gibt es relevante Überlegungen:

Industrielles Betriebsgeheimnis. Bilder des Produktionsprozesses können Rückschlüsse auf Fertigungsverfahren, Teilegeometrien, Ausschussraten und Werkzeugqualität ermöglichen. Das sind schützenswerte Betriebsgeheimnisse. Wer diese Bilder in US-gehostete Plattformen wie Landing AI oder Roboflow lädt, überträgt potenziell proprietäre Fertigungsinformationen an US-Server. Bei Roboflow kommt hinzu: Im kostenlosen Public-Plan werden hochgeladene Bilder öffentlich.

Empfehlung für Vollbetrieb: Lokale Verarbeitung ist bei Inline-Prüfung ohnedies der Standard, Cognex - und KEYENCE -Systeme verarbeiten Bilder grundsätzlich auf dem Industrie-PC oder der Kamera vor Ort. Cloud-Dienste bleiben außen vor. Das schützt die Betriebsgeheimnisse und hält die Latenz niedrig. Nimmt die Kamera auch Hände oder Gesichter von Beschäftigten auf, sind das personenbezogene Daten, dann Bildausschnitt anpassen und den Betriebsrat einbinden.

Für Pilotprojekte mit Cloud-Plattformen: Verwende keine echten Produktionsbilder aus der laufenden Fertigung. Für Machbarkeitsstudien reichen Bilder, die du explizit dafür produziert und als nicht vertraulich klassifiziert hast. Landing AI bietet laut unserer Toolseite im Team- und Enterprise-Tarif Zero-Data-Retention, Enterprise auch On-Premise, für den scharfen Einsatz immer vertraglich verankern.

Fernwartung: Systemintegratoren benötigen oft VPN-Zugriff auf die Prüfstation für Updates und Diagnose. Dieser Zugriff sollte protokolliert und auf klar definierte Wartungsfenster beschränkt sein.

Was es kostet, realistisch gerechnet

Einmalige Systemkosten (Inline-Prüfstation, eine Linie)

Die Posten sind Richtwerte der Redaktion, der Gesamtrahmen stammt von Pexon Consulting (pexon-consulting.de/fertigung/kamerabasierte-inline-qualitaetskontrolle/, Stand April 2026) und gilt je Prüfaufgabe. Plane mit dem Pexon-Rahmen, bis du echte Angebote hast. Eigene Entwicklung ( YOLO auf Edge-Device, internes Team) kann den Rahmen auf 20.000–40.000 EUR drücken, bei deutlich höherem internem Arbeitsaufwand und mit der Lizenzfrage aus dem Werkzeugabschnitt.

Laufende Kosten (jährlich)

• Wartungsvertrag und Support: 5.000–15.000 EUR/Jahr (Richtwert; bei KEYENCE optional, Software-Abos gibt es dort nicht)
• Modell-Retraining bei Werkzeugwechsel: 1–3 Wochen interne Arbeitszeit
• Monatlicher Abgleich der Systemergebnisse gegen manuelle Prüfung: einige Stunden im Monat
• Kamerakalibrierung und Wartung: gering (bei Industriehardware)

Rechnung für zwei Linien

Annahme: 2 EN-71-kritische Spritzgusslinien für Kleinkindspielzeug, je 300.000 Teile/Jahr, heute Stichprobe 5 Teile je 500.

• Investition: 150.000 bis 300.000 EUR, also zweimal der Pexon-Rahmen. Das zweite System wird etwas günstiger, wenn Teilegeometrie und Modell gleich sind.
• Laufend: 10.000 bis 30.000 EUR im Jahr für zwei Wartungsverträge, dazu die Retraining-Wochen.
• Wegfallende Stichprobe: 1 Prozent von 600.000 Teilen sind 6.000 Teile im Jahr. Bei einer Minute je Teil sind das rund 100 Stunden, bei 35 EUR Stundensatz (Annahme) rund 3.500 EUR. Und das auch nur, wenn die Prüferin die Stunden tatsächlich für andere Arbeit nutzt.
• Ausschuss: Die Kamera senkt ihn nicht, sie sortiert Gratteile aus, die heute ausgeliefert werden, und bei 2 Prozent Falsch-Positiven 12.000 gute Teile im Jahr. Weniger Ausschuss entsteht nur, wenn der Wartungsalarm das Werkzeug früher in die Überholung schickt. Pexon rechnet seine 8 bis 14 Monate Amortisation mit 3 bis 5 Prozent weniger Ausschuss bei mehr als 5 Millionen Euro Produktionswert. Deine 600.000 Teile müssten dafür je gut 8 Euro wert sein.

Ergebnis: Über fünf Jahre kostet das System 200.000 bis 450.000 EUR (Investition plus fünfmal die laufenden Kosten). Die gesparte Stichprobe bringt davon keine 20.000 EUR zurück. Es rechnet sich also nur, wenn es in diesen fünf Jahren Grat-Reklamationen, Rücksendungen und Rückrufe in dieser Größenordnung verhindert, oder wenn dein Produktionswert so hoch ist, dass die Pexon-Rechnung greift.

Das ist der ehrliche Kern des Business-Cases: Die Arbeitsersparnis trägt ihn nicht. Er steht und fällt mit der Frage, wie viele Einheiten mit Grat du ohne das System im Markt hättest und was dich jede davon kostet.

Vier typische Einstiegsfehler

1. Das Kamerasystem kaufen, bevor die Beleuchtung gelöst ist. Grat an glänzenden Kunststoffoberflächen ist optisch extrem anspruchsvoll. Ein Grat, der bei Ringlichtbeleuchtung als helle Linie erscheint, ist bei falscher Beleuchtung unsichtbar. Systemintegratoren, die Praxiserfahrung mit Spritzguss-Grat haben, wissen das. Weniger erfahrene Anbieter bieten das Standard-Kamera-Setup an und stellen beim Training fest, dass das Modell nicht lernt, weil die Bilder zu ähnlich aussehen. Lösung: Beleuchtungskonzept vor Kauf testen, idealerweise mit Referenzteilen (mit und ohne Grat) unter denselben Produktionsbedingungen.

2. Modell aus der Pilotphase dauerhaft betreiben. Das Machine Learning-Modell, das in Woche 12 mit frischen Werkzeugbildern trainiert wurde, funktioniert im Monat 18 schlechter, weil das Werkzeug jetzt 250.000 Schüsse hat und andere Gratlage-Muster produziert. Das System zeigt scheinbar weiter gute Erkennungsraten an, weil niemand die Falsch-Negativ-Rate regelmäßig überprüft. Lösung: Monatliche Stichprobenkontrolle der System-Ergebnisse gegen manuelle Prüfung einplanen. Wenn die Übereinstimmung sinkt: Retraining.

3. SPS-Integration als „das macht die IT-Abteilung dann schon” behandeln. Die SPS-Anbindung ist oft der zeitkritischste Pfad im gesamten Projekt, nicht das Modell, nicht die Hardware. Wer die SPS-Integration nicht in die Projektplanung einbezieht (und oft auch einen externen Automatisierer braucht), erlebt, dass das System zwei Monate lang als Passivmonitor läuft, Kamera sieht den Grat, Auswerfer sortiert nichts aus. Das frustriert alle Beteiligten und kostet die Zeit-Kredibilität des Projekts.

4. Das System ohne EN-71-Validierung in Betrieb nehmen. Ein Kamerasystem, das intern als „gut” eingestufte Teile als gut klassifiziert, ist keine EN-71-Konformitätsprüfung. Erst wenn das System an Referenzteilen, die nach EN-71-Prüfverfahren als grenzwertig oder nicht konform klassifiziert wurden, validiert wurde und diese zuverlässig erkennt, kann es als Teil des Qualitätsmanagementsystems betrachtet werden. Lass das System von einem Prüflabor (TÜV Rheinland, Intertek, DEKRA) gegen bekannte Fehlerteile validieren.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik des Systems ist lösbar. Das Schwierigere ist der Betrieb.

Das Vertrauensproblem. Wenn das System zum ersten Mal einen Gutschuss als schlecht klassifiziert, und das passiert, denn kein System ist fehlerfrei, entsteht sofort die Diskussion: „Das Ding ist zu empfindlich, wir verlieren gute Teile.” Die Falsch-Positiv-Rate (gut klassifiziert als schlecht) ist ein echter Kostenfaktor, der in der Planung oft unterbewertet wird. Eine Rate von 2% Falsch-Positiven bei 300.000 Teilen/Jahr bedeutet 6.000 gute Teile, die ausgesondert werden. Ob sich das gegen das Grat-Risiko lohnt, hängt an deinem Teilewert und an der Reklamationsgefahr, und genau diese Abwägung muss erklärt werden, bevor das System live geht.

Das Alarm-Management-Problem. Das System kann Werkzeugverschleiß-Alarme senden. Das ist einer seiner stärksten Zusatznutzen. Aber nur, wenn jemand auf den Alarm reagiert. Ein Alarm, der auf einem Dashboard erscheint, auf das niemand täglich schaut, oder eine E-Mail, die im Schicht-Betrieb niemand liest, bringt nichts. Die Integration der Alarm-Logik in den Schichtbetrieb muss vor der Inbetriebnahme definiert sein.

Der Qualitätsleiter als Modell-Eigner. Das System gehört nicht der IT. Es gehört dem Qualitätsverantwortlichen, so wie das Messprotokoll und die Prüfvorschriften dem Qualitätsverantwortlichen gehören. Die Person, die das Modell versteht, die Erkennungsrate beobachtet und Retraining initiiert, muss namentlich benannt sein. Systeme ohne Eigner degradieren nach 18 Monaten.

Was im ersten Jahr tatsächlich passiert: Der erste Monat ist Kalibrierung und Enttäuschungsmanagement. Der zweite und dritte Monat sind Optimierung des Beleuchtungs- und Schwellenwert-Settings. Ab Monat 4 läuft das System stabil. Zwischen Monat 6 und 12 liefert es den ersten echten Signal-Nachweis, dass es etwas erkannt hat, das bei Stichprobenprüfung durchgegangen wäre. Das ist der Moment, in dem das Vertrauen aufgebaut wird.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Stichprobenkontrolle hat bisher funktioniert.” Stimmt, bis zur ersten EN-71-Reklamation. Stichprobenprüfung ist für das Erfassen systematischer Fehler geeignet. Für sporadischen Grat, der chargenweise entsteht, versagt sie. Der Fall von Thomas Bauer aus dem Lede ist keine Ausnahme: Er ist die Erwartung, wenn sporadische Fehler nicht zu 100% geprüft werden. Wer nach einem Rückruf fragt, ob die Stichprobenprüfung „gut genug” war, kennt die Antwort bereits.

„Das System ist zu teuer.” Vielleicht ist es das. Ein vollständiges Inline-System kostet 75.000–150.000 EUR plus Wartung, und die gesparte Stichprobe zahlt davon fast nichts zurück. Die richtige Rechnung: Was kostet dich ein Grat-Fall wie der von Thomas Bauer, also 50.000 Figuren zurücknehmen, ersetzen, transportieren, dazu die Forderungen des Händlers? Und wie oft passiert das ohne System in fünf Jahren? Liegt das Produkt aus beiden unter den Systemkosten über fünf Jahre, ist das System für diese Linie tatsächlich zu teuer. Bei Kleinkindspielzeug mit alternden Werkzeugen ist die Wahrscheinlichkeit eines solchen Falls allerdings nicht null.

„Unser Werkzeug ist neu, wir brauchen das nicht.” Jetzt. Läuft es 100.000 Schuss im Jahr, ist es in 18 Monaten bei 150.000 Schüssen und in 30 Monaten bei 250.000. Gratfrequenz steigt mit jedem Wartungszyklus. Das System jetzt aufzubauen hat einen Vorteil: Du hast Zeit, es mit guten Bildern aus dem frischen Werkzeug zu kalibrieren, bevor der Druck entsteht.

„KI macht Fehler.” Ja. Aber Stichprobenkontrolle übersieht sporadischen Grat systematisch. Die Frage ist nicht, ob das System perfekt ist, sondern ob es besser ist als die Alternative. Wer jedes Teil mit 95 Prozent Treffsicherheit prüft, findet mehr Grat als eine Stichprobe, die 99 von 100 Teilen gar nicht ansieht. Das System ergänzt die Qualitätssicherung, es ersetzt nicht das Werkzeugmanagement oder die Prüfvorschriften.

Woran du merkst, dass das zu dir passt

Das System passt, wenn:

• Du Spritzgussteile für Kleinkindspielzeug (unter 36 Monate) oder allgemein EN-71-1-kritisches Spielzeug produzierst
• Du mindestens eine Spritzgusslinie mit mehr als 100.000 Teilen pro Jahr betreibst
• Du bereits mindestens einmal eine Qualitätsreklamation wegen Grat oder scharfer Kanten erhalten hast
• Du eine SPS-Steuerung an der Linie hast, an die du ein Ausschleusung-Signal senden kannst
• Du eine Person im Qualitätsteam hast, die das System als Eigner betreiben kann

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

1. Unter ca. 100.000 Teile pro Jahr pro Produktgeometrie. Die Kapitalkosten von 75.000–150.000 EUR lassen sich bei kleinen Stückzahlen nicht amortisieren: Bei 100.000 Teilen sind das im ersten Jahr 75 Cent bis 1,50 EUR je Teil, ohne Wartung. Für Kleinserienfertiger (Custom-Spielzeug, saisonale Einzelmodelle, Prototypenwerkzeuge) ist manuelle End-of-Line-Prüfung durch erfahrenes Personal wirtschaftlicher. Die Grenze verschiebt sich nur, wenn das Rückrufrisiko besonders hoch ist.

2. Keine SPS-Integration oder keine Infrastruktur für automatische Ausschleusung. Ein Kamerasystem, das Grat erkennt, aber nichts tun kann, ist ein teures Dashboard. Das System braucht einen Auswerfer-Aktor (Druckluft, Weiche, Roboterarm) und eine SPS-Schnittstelle. Ohne das läuft es im Passivbetrieb, statistisch wertvoll, aber kein Schutz gegen einen Rückruf.

3. Keine labeling-fähige Person im Qualitätsteam. Das Modell muss beim Werkzeugwechsel und regelmäßig retrained werden. Wer nicht in der Lage ist, einen Techniker oder eine Qualitätsfachkraft 1–2 Wochen für Trainingsbilder-Sammlung und Labeling bereitzustellen, bekommt ein System, das nach 12 Monaten still degradiert. Das ist gefährlicher als kein System: Es gibt Sicherheit, die nicht mehr besteht.

Das kannst du heute noch tun

Bevor du eine Investitionsentscheidung triffst, mach einen praktischen Machbarkeitstest mit deinen eigenen Teilen.

Sammle 50–100 Fotos von Produktionsteilen, darunter so viele Grateile, wie du aus aktuellen Ausschuss-Behältern oder aus absichtlich falsch eingestellten Produktionsversuchen bekommst. Fotografiere unter verschiedenen Lichtverhältnissen (Direktlicht, diffuses Licht, Seitenbeleuchtung). Lade diese Bilder in Roboflow oder Landing AI hoch, nur nicht-sensible Testbilder, denn im kostenlosen Roboflow-Plan werden hochgeladene Bilder öffentlich, und labele Grat und Nicht-Grat. Trainiere ein erstes Modell.

Das Ergebnis sagt dir: Ist Grat an deinen Teilen unter deinen Produktionsbedingungen überhaupt erkennbar? Wo liegt die Erkennungsgrenze? Welche Beleuchtung hebt den Grat am besten hervor? Das dauert 4–6 Stunden. Damit kannst du in ein Systemintegrator-Gespräch gehen und weißt bereits, ob das Projekt realistisch ist.

Für das Gespräch mit dem Integrator, oder für die interne Entscheidungsvorlage, ist dieser Prompt nützlich:

Quellen & Methodik

• CNN-Defekterkennung an Spritzgussteilen: Ha, H. und Jeong, J. (2021). „CNN-Based Defect Inspection for Injection Molding Using Edge Computing and Industrial IoT Systems”. Applied Sciences, 11(14), 6378. doi:10.3390/app11146378. Genauigkeit des Modells über 90 Prozent, mit Datenaugmentation für das knappe Bildmaterial kleiner und mittlerer Betriebe. Abgerufen über die Crossref-Metadaten am 19.09.2026.
• Systemkosten 75.000–150.000 EUR, Amortisation 8–14 Monate, Erkennungsraten 95–99 %: Pexon Consulting GmbH, „Kamerabasierte Inline Qualitätskontrolle”, pexon-consulting.de/fertigung/kamerabasierte-inline-qualitaetskontrolle/, abgerufen am 19.09.2026. Kosten je Inspektionsaufgabe; Amortisation bei 3–5 % weniger Ausschuss und mehr als 5 Mio. EUR Produktionswert im Jahr; Erkennungsraten für klar definierte Fehlerbilder. Angaben eines Systemintegrators, keine repräsentative Studie.
• EN 71-1 Kantenanforderungen: EN 71-1 „Sicherheit von Spielzeug, Teil 1: Mechanische und physikalische Eigenschaften”, kostenpflichtig über DIN Media. Abschnitte und Prüfverfahren bitte im Normtext nachschlagen.
• Werkzeugstandzeit: TH Köln, Forschungsprojekt Verschleißprognose, th-koeln.de, abgerufen am 19.09.2026: variotherm betriebene Werkzeuge bislang häufig nach rund 300.000 Zyklen am Ende, Ziel bis zu einer Million. Die Schusszahlen im Verschleiß-Schema sind Beispielwerte der Redaktion.
• Stichprobe: eigene Rechnung, Wahrscheinlichkeit, dass 5 zufällig gezogene Teile mindestens ein Gratteil enthalten, bei 2 und 5 Prozent Gratanteil.
• Rückrufkosten: Belastbare, frei zugängliche Branchenzahlen für Spielzeug-Rückrufe haben wir nicht gefunden. Die Seite rechnet deshalb mit deinen eigenen Werten statt mit einer Spanne.
• Stundensatz 35 EUR, Kostenposten der Tabelle, Trainingsdaten-Umfang (300–500 Bilder je Klasse): Richtwerte der Redaktion, nicht gemessen; der Bildbedarf variiert stark je nach Teilegeometrie und Defektvielfalt.
• KEYENCE, Roboflow, YOLO, Landing AI: Unsere Toolseiten, Stand Juni und Juli 2026 (KI-Erkennung bei KEYENCE in IV3- und VS-Serie, Roboflow-Gratisplan mit öffentlichen Daten, AGPL-3.0 bei YOLO, Zero-Data-Retention bei Landing AI).

Du willst wissen, ob sich eine Inline-Grat-Erkennung für deine konkrete Linie und Stückzahl rechnet? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.