KI-Zählwaage: Kleinteile per Kamera zählen

TL;DR

Konventionelle Zählwaagen versagen bei gemischten Kleinteilen oder Gewichtstoleranz über 2 %. KI-Kamerasysteme erkennen und zählen Teile optisch — unabhängig vom Gewicht. Bei O-Ringen, Schrauben oder Stanzteilen erreicht die KI 99,7 % Genauigkeit. Ein Mittelständler mit 200 Zählvorgängen pro Tag spart €23.000 jährlich durch weniger Fehlmengen und schnellere Kommissionierung.

Warum klassische Zählwaagen an ihre Grenzen stoßen

Zählwaagen berechnen die Stückzahl aus Gesamtgewicht geteilt durch Einzelteilgewicht. Das funktioniert bei homogenen Teilen — versagt aber bei:

• Gewichtsstreuung >2 %: Gussteile, Spritzgussteile mit Gratbildung, Holzschrauben
• Gemischte Chargen: Unterschiedliche Größen in einer Box (M6 + M8 Muttern)
• Sehr leichte Teile: Unter 0,1 g pro Stück (Federn, O-Ringe, Clips)
• Ölige oder feuchte Teile: Gewichtsverfälschung durch anhaftende Flüssigkeit
• Verbundene Teile: Verklemmte Stanzteile, ineinander verhakte Federn

Die Folge: Fehlmengen in der Kommissionierung. Branchenüblich sind 2–5 % Zählfehler bei Waagen, die bei Kunden zu Reklamationen und Konventionalstrafen führen.

Wie KI-basiertes Zählen per Kamera funktioniert

Bildaufnahme

Eine Industriekamera (5–20 Megapixel) fotografiert die Teile auf einer Lichtfläche von oben. Die Beleuchtung sorgt für gleichmäßigen Kontrast:

# Hardware-Setup KI-Zählsystem
kamera:
  typ: "Basler ace 2 (a2A5328-15ucBAS)"
  aufloesung: "5328 x 4608 Pixel"
  interface: "USB 3.0"
  kosten: "€890"

beleuchtung:
  typ: "LED-Flächenbeleuchtung (Durchlicht)"
  groesse: "400x300 mm"
  farbtemperatur: "6500K"
  kosten: "€380"

aufnahmeflaeche:
  material: "Milchglas oder Diffusorfolie"
  groesse: "350x250 mm"
  teile_pro_aufnahme: "bis 500 Stück"

rechner:
  typ: "NVIDIA Jetson Orin Nano"
  inferenz: "< 200 ms pro Bild"
  kosten: "€520"

gesamtkosten_hardware: "€2.800-4.200"

Erkennungsalgorithmus

Das System nutzt Instance Segmentation — jedes einzelne Teil wird pixelgenau erkannt, auch bei Überlappung:

1. Vorverarbeitung: Kontrastanpassung, Rauschunterdrückung
2. Segmentierung: YOLOv8-Seg oder Mask R-CNN erkennt jedes Teil einzeln
3. Overlap-Auflösung: Überlappende Teile werden durch Formanalyse getrennt
4. Zählung: Summe der erkannten Instanzen = Stückzahl
5. Konfidenzprüfung: Bei niedriger Konfidenz (<95 %) Alarm für manuelle Prüfung

Trainingsaufwand

Für ein neues Teil werden 50–100 Bilder mit unterschiedlichen Stückzahlen (10–500 pro Bild) benötigt. Das Labeling dauert 2–4 Stunden pro Teilenummer. Das Training selbst: 1–2 Stunden auf einer GPU.

Genauigkeit im Vergleich

Die KI-Lösung ist nicht nur genauer, sondern auch schneller und günstiger pro Zählvorgang.

Praxisbeispiel: Schraubenhersteller aus dem Bergischen Land

Ein Hersteller von Spezialschrauben (67 Mitarbeiter, 4.800 Artikelvarianten) hat die KI-Zählwaage im Warenausgang implementiert:

Ausgangslage:

• 280 Kommissioniervorgänge pro Tag
• Zählwaage mit 3,2 % Fehlerrate bei Sonderschrauben
• 18 Kundenreklamationen/Quartal wegen Fehlmengen
• Konventionalstrafe bei Automobilkunden: €500 pro Vorfall
• Personalaufwand Nachzählen: 1,5 Std./Tag

Implementierung:

• 2 KI-Zählstationen im Warenausgang
• Training für die 120 häufigsten Artikelnummern (3 Tage)
• Integration in Lagerverwaltung (SAP WM)

Ergebnisse nach 6 Monaten:

Einsatzszenarien im Mittelstand

Wareneingang

Angelieferte Kleinteile sofort prüfen statt stichprobenartig wiegen. Abweichungen werden direkt an den Lieferanten gemeldet.

Kommissionierung

Vor dem Verpacken zählt die KI die kommissionierte Menge. Fehlmengen werden sofort erkannt — bevor das Paket den Betrieb verlässt.

Inventur

Die jährliche Inventur beschleunigt sich drastisch: Behälter auf die Zählfläche kippen, fotografieren, weiter. 500 Teile in 3 Sekunden statt 5 Minuten manuell.

Qualitätskontrolle

Neben der reinen Zählung erkennt die KI fehlerhafte Teile: fehlende Beschichtung, Gratbildung, Maßabweichungen — und sortiert diese aus der Zählung aus.

Integration in bestehende Systeme

# Systemintegration
erp_anbindung:
  sap: "RFC/BAPI oder REST-API über SAP Cloud Connector"
  proalpha: "REST-API"
  sage: "CSV-Import"

lagerverwaltung:
  sap_wm: "Bestandsbuchung automatisch"
  lfs: "Zählergebnis per MQTT"

ausgabeformate:
  - "Zählergebnis + Konfidenz als JSON"
  - "Foto mit Markierung jedes Teils (PNG)"
  - "Prüfprotokoll (PDF) für QS-Dokumentation"

schnittstelle:
  protokoll: "REST-API + MQTT"
  latenz: "< 500 ms (Ergebnis)"

Die Grundlagen für KI-Projekte im Mittelstand beschreibt der Komplettleitfaden KI für Unternehmen. Die ROI-Berechnung mit Excel-Vorlage hilft bei der Investitionsentscheidung. Weiterführende Informationen zur Verschleißerkennung in der Fertigung finden Sie unter KI-Stanzwerkzeug Verschleißerkennung.

FAQ

Wie viele Teile kann das System gleichzeitig zählen?

Auf einer 350x250 mm Fläche bis zu 500 Teile (abhängig von Teilegröße). Bei Teilen >20 mm sind es ca. 200, bei Teilen <5 mm bis zu 800.

Funktioniert die Erkennung auch bei schwarzen Teilen?

Ja, mit Durchlichtbeleuchtung. Schwarze Teile auf Milchglas erzeugen klare Silhouetten. Alternative: Infrarot-Beleuchtung bei reflektierenden Oberflächen.

Was passiert bei überlappenden Teilen?

Das Modell erkennt Überlappungen durch Formanalyse und zählt verdeckte Teile anhand der sichtbaren Kontur mit. Bei starker Überlappung (>50 %) schüttelt eine Vibrationsplatte die Teile automatisch auseinander.

Wie lange dauert das Anlernen neuer Teile?

50–100 Fotos aufnehmen und labeln: 2–4 Stunden. Training: 1–2 Stunden. Insgesamt ist ein neues Teil in einem halben Arbeitstag einsatzbereit.

Kann ich das System mieten statt kaufen?

Einige Anbieter (Sievert, inos Automationssoftware) bieten Mietmodelle ab €450/Monat. Der Kauf amortisiert sich bei täglichem Einsatz nach 6–8 Monaten.