KI-Behälterinspektion: Kratzer in Edelstahl finden

TL;DR

KI-gestützte Behälterinspektion erkennt Kratzer, Pitting und Risse auf Edelstahloberflächen automatisch per Kamera. Pharma- und Lebensmittelbetriebe reduzieren damit Prüfzeiten um 40 %, senken Reklamationsquoten um 60 % und dokumentieren jeden Befund reproduzierbar. Der Einstieg kostet ab 25.000 € pro Inspektionszelle.

800 Behälter, ein Prüfer, null Pause

Ein Pharma-Lohnfertiger in Baden-Württemberg prüft pro Schicht rund 800 Edelstahl-Behälter auf Oberflächenfehler. Zwei erfahrene Prüfer arbeiten im Wechsel, jeder Behälter bekommt 45 Sekunden unter der Leuchte. Nach vier Stunden sinkt die Erkennungsrate nachweislich — Studien der BAuA zeigen, dass visuelle Ermüdung bei monotonen Prüfaufgaben nach 90 Minuten einsetzt. Das Ergebnis: 2–5 % der Kratzer werden übersehen, und jede übersehene Beschädigung kann bei einem Pharmakunden eine Charge im Wert von 50.000 € blockieren.

Die Herausforderung bei Edelstahl ist spezifisch: Die spiegelnde Oberfläche erzeugt Reflexionen, die echte Kratzer maskieren. Haarlinien-Schliff (Ra 0,4–0,8 µm) reflektiert anders als Elektropoliertes (Ra < 0,2 µm), und Schweißnähte bilden Übergangszonen mit eigener Textur. Ein menschlicher Prüfer kompensiert das intuitiv — aber nicht konstant über acht Stunden.

KI-Behälterinspektion löst genau dieses Problem. Computer-Vision-Modelle lernen die Unterschiede zwischen Schliffrichtung, Reflexion und echtem Defekt aus tausenden Trainingsbildern. Sie ermüden nicht, und sie dokumentieren jeden Fund mit Koordinaten und Schweregrad.

Wie Computer Vision Kratzer auf Edelstahl erkennt

Die technische Basis ist eine Kombination aus strukturierter Beleuchtung und Convolutional Neural Networks (CNNs). Anders als bei matten Oberflächen brauchen Sie bei Edelstahl eine Beleuchtung, die Reflexionen kontrolliert statt eliminiert.

Beleuchtungskonzept:

Dunkelfeld-Beleuchtung unter flachem Winkel (15–25°) macht Kratzer sichtbar, die bei diffuser Beleuchtung verschwinden. Für zylindrische Behälter hat sich eine ringförmige LED-Anordnung bewährt, die den Behälter während der Rotation aus konstanten Winkeln beleuchtet.

Bildverarbeitung:

# Konfiguration KI-Behälterinspektion Edelstahl
Kamera:
  Typ: Flächenkamera monochrom
  Auflösung: 12 MP (4096 x 3000)
  Pixelgröße: 25 µm/px bei 500 mm Behälterdurchmesser
  Framerate: 30 fps

Beleuchtung:
  Typ: Dunkelfeld-Ring-LED
  Winkel: 20° zur Oberfläche
  Wellenlänge: 625 nm (rot, minimiert Chromreflexion)
  Blitzdauer: 50 µs

Modell:
  Architektur: YOLOv8-Seg (Instanzsegmentierung)
  Klassen:
    - Kratzer_linear (> 0.5 mm Länge)
    - Pitting (> 0.1 mm Durchmesser)
    - Riss (beliebige Länge)
    - Schweissnaht_Fehler
  Inferenzzeit: 35 ms pro Bild
  Mindest-Konfidenz: 0.85

Die Instanzsegmentierung ist entscheidend — sie erkennt nicht nur, dass ein Kratzer da ist, sondern misst seine exakte Länge und Tiefe relativ zur Umgebungstextur. Damit lassen sich Kratzer nach Schweregrad klassifizieren: kosmetisch (< 0,1 mm tief), funktional relevant (0,1–0,3 mm) oder Ausschuss (> 0,3 mm).

Trainingsdaten: Das unterschätzte Nadelöhr

Wer mit KI-Behälterinspektion startet, stellt schnell fest: Nicht die Software ist die größte Hürde, sondern die Trainingsdaten. Edelstahlkratzer sind vielfältig — Schleifkratzer sehen anders aus als Handlingspuren, und ein 0,2-mm-Kratzer auf geschliffenem 1.4404 unterscheidet sich visuell von einem gleich großen Kratzer auf 1.4571 mit Elektropolitur.

Wir empfehlen mindestens 500 annotierte Bilder pro Defektklasse für ein belastbares Modell. Bei vier Klassen sind das 2.000 Bilder — ein Aufwand von etwa 40 Arbeitsstunden für die Annotation. Hier lohnt sich die Zusammenarbeit mit dem eigenen QC-Team: Die Prüfer kennen die kritischen Stellen und annotieren schneller als externe Dienstleister.

Ein pragmatischer Ansatz für den Start: Sammeln Sie über vier Wochen systematisch Bilder aus der laufenden Produktion. Markieren Sie in jeder Schicht zehn Gut-Teile und alle erkannten Fehlteile. So entsteht ein ausbalancierter Datensatz ohne Produktionsunterbrechung.

Für Betriebe, die schneller starten wollen, bieten vortrainierte Modelle einen Kompromiss. Anbieter wie Cognex ViDi oder MVTec HALCON liefern Basismodelle für Oberflächeninspektion, die mit 50–100 betriebsspezifischen Bildern feingetunt werden. Die Erkennungsrate liegt dann bei 85–90 % statt der 95–98 %, die ein vollständig eigenes Modell erreicht — aber der Einstieg gelingt in zwei Wochen statt drei Monaten.

ROI: Was die Investition bringt

Die Wirtschaftlichkeit einer KI-Behälterinspektion hängt von drei Faktoren ab: Durchsatz, Reklamationskosten und Personalkosten.

Für einen Betrieb mit 200.000 Behältern pro Jahr und durchschnittlichen Reklamationskosten von 3.500 € ergibt sich:

• Einsparung Reklamationen: 8 × 3.500 € = 28.000 €/Jahr
• Einsparung Personal: 1,5 Stellen × 45.000 € = 67.500 €/Jahr
• Investition: 25.000 € Hardware + 15.000 € Software + 10.000 € Integration = 50.000 €
• Amortisation: 6–8 Monate

Die höhere Falsch-Positiv-Rate von 3 % bedeutet, dass etwa 6.000 Behälter pro Jahr unnötig aussortiert werden. Diese müssen manuell nachgeprüft werden — ein Aufwand von etwa 200 Stunden jährlich. Das ist der Preis für die konservative Einstellung, die keine echten Fehler durchlässt. In der Pharma-Branche ist dieser Kompromiss fast immer akzeptabel.

Details zur ROI-Berechnung finden Sie in unserem Excel-Tool zur KI-ROI-Berechnung.

Integration in bestehende Linien

Die meisten Behälterfertiger haben keine Platzreserve für eine eigenständige Inspektionsstation. Daher muss die KI-Behälterinspektion in den vorhandenen Materialfluss passen.

Option A: Inline nach der Endbearbeitung. Der Behälter rotiert auf einem Drehteller, vier Kameras erfassen die gesamte Mantelfläche in einer Umdrehung. Taktzeit: 8 Sekunden inklusive Handling. Platzbedarf: 1,5 × 1,5 m. Diese Variante eignet sich für Linien mit konstanter Taktzeit über 10 Sekunden.

Option B: Offline-Stichprobe. Ein mobiler Inspektionsroboter fährt zum Behälter und scannt die Oberfläche mit einer geführten Kamera. Flexibler, aber langsamer (2–3 Minuten pro Behälter). Sinnvoll für Einzelfertigung oder große Tanks, die nicht auf einen Drehteller passen.

Die Datenanbindung erfolgt über OPC UA oder REST-API an Ihr MES. Jeder Prüfbefund wird mit Behälter-ID, Defektklasse, Position und Bild gespeichert. Für GMP-regulierte Betriebe ist das ein entscheidender Vorteil: Die Dokumentation entsteht automatisch und ist audit-sicher.

Wer die Grundlagen der KI-Implementierung noch nicht kennt, findet dort einen strukturierten Fahrplan für den Einstieg.

Typische Stolpersteine und wie Sie sie vermeiden

Oberflächenvielfalt unterschätzt: Wenn Sie fünf verschiedene Legierungen und drei Oberflächengüten fertigen, brauchen Sie für jede Kombination ausreichend Trainingsdaten. Ein Modell, das auf 1.4301 geschliffen trainiert wurde, versagt bei 1.4404 elektropoliert.

Beleuchtung vernachlässigt: 70 % der Inspektionsprobleme sind Beleuchtungsprobleme. Investieren Sie mindestens 20 % des Budgets in Beleuchtung und Optik — nicht in schnellere GPUs.

Schwellenwerte zu eng: Wer jede Haarline als Defekt klassifiziert, ertrinkt in Falsch-Positiven. Definieren Sie gemeinsam mit Ihrem Qualitätsmanagement, welche Kratzer wirklich relevant sind — nach Kundenspezifikation, nicht nach Perfektionsanspruch.

Einen umfassenden Überblick über KI-Kosten und Budgetplanung bietet unser Leitfaden zur KI-Budgetplanung.

Nächste Schritte für Ihren Betrieb

1. Bestandsaufnahme: Welche Behältertypen, Legierungen und Oberflächengüten prüfen Sie? Wie hoch ist die aktuelle Reklamationsquote?
2. Pilotlinie wählen: Starten Sie mit dem Produkt, das die höchste Reklamationsrate hat — dort ist der ROI am schnellsten sichtbar.
3. Daten sammeln: Vier Wochen lang systematisch Gut- und Schlecht-Bilder erfassen.
4. Anbieter vergleichen: Holen Sie mindestens zwei Angebote ein — von einem Kamerahersteller (Cognex, Basler) und einem Systemintegrator.
5. Pilotphase: Drei Monate parallel zum manuellen Prozess laufen lassen, dann schrittweise umstellen.

Weitere Einblicke in KI-Anwendungen in der Oberflächentechnik finden Sie in unserem Artikel zur KI-Galvanik und Prozesssteuerung.

Häufige Fragen

Welche Kratzergrößen erkennt die KI-Behälterinspektion zuverlässig?

Ab einer Kratzerlänge von 0,5 mm und einer Tiefe von 0,05 mm erreichen aktuelle Modelle Erkennungsraten über 95 %. Für kleinere Defekte (0,1–0,5 mm) liegt die Rate bei 80–90 %, abhängig von der Auflösung und Beleuchtung. Mikrokratzer unter 0,1 mm erfordern Spezialkameras mit Auflösungen unter 10 µm/px.

Funktioniert die Inspektion auch bei gebürsteten oder gestrahlten Oberflächen?

Ja, aber das Modell muss explizit auf diese Oberflächentypen trainiert werden. Gebürstete Oberflächen haben eine Richtungstextur, die lineare Kratzer in Bürstrichtung maskieren kann. Gestrahlte Oberflächen erzeugen eine statistische Textur, bei der Pitting schwerer zu erkennen ist. Pro Oberflächentyp rechnen Sie mit 300–500 zusätzlichen Trainingsbildern.

Wie hoch sind die laufenden Kosten nach der Erstinstallation?

Rechnen Sie mit 3.000–5.000 € pro Jahr für Wartung (Kamerareinigung, LED-Austausch, Kalibrierung) und 2.000–4.000 € für Modellpflege (Nachtraining bei neuen Produkten oder Oberflächenänderungen). Dazu kommen Cloud- oder Edge-Server-Kosten von 1.200–2.400 € jährlich, falls Sie keine eigene GPU-Hardware betreiben.

Ist die KI-Behälterinspektion GMP-konform einsetzbar?

Grundsätzlich ja. Die Inspektion muss als computergestütztes System nach GAMP 5 validiert werden. Das bedeutet: Qualifizierungsdokumentation (IQ/OQ/PQ), regelmäßige Leistungstests mit Referenzteilen und ein Change-Control-Prozess für Modellupdates. Planen Sie für die GMP-Validierung 15.000–25.000 € und drei bis vier Monate ein.

Kann ich die Inspektionsdaten für prädiktive Wartung nutzen?

Ja — und das ist ein oft übersehener Zusatznutzen. Wenn die KI-Behälterinspektion systematisch mehr Kratzer auf Behältern aus einer bestimmten Fertigungslinie erkennt, deutet das auf Werkzeugverschleiß oder Handlingprobleme hin. Durch Trendanalyse der Defektdaten lässt sich die Ursache beheben, bevor Ausschussquoten steigen. Mehr zum Thema KI im Unternehmen finden Sie in unserem Komplettleitfaden.