KI-Rissprüfung Keramik: Fehler vor dem Brennen

TL;DR

Haarrisse in Keramik-Rohlingen sind mit bloßem Auge kaum sichtbar, führen aber nach dem Brennen zu 8-15 % Ausschuss. Eine KI-Kamera erkennt Risse ab 0,1 mm Breite mit 99,2 % Trefferquote direkt am Förderband. Die Investition von 12.000-25.000 € amortisiert sich bei mittleren Keramikbetrieben in 4-8 Monaten.

Das Ausschuss-Problem in der Keramikfertigung

Keramische Produkte durchlaufen einen irreversiblen Prozess: Formen, Trocknen, Brennen. Wird ein Riss erst nach dem Brennen entdeckt, sind Material, Energie und Ofenkapazität verloren. Bei industrieller Keramik (Fliesen, Sanitär, technische Keramik) liegt die Ausschussrate typischerweise bei 5-15 %.

Die Kosten sind erheblich:

• Materialverlust: 2-8 € pro Stück je nach Produkt
• Energieverlust: 0,8-1,5 kWh pro kg Brenngut bei 1.100-1.300 °C
• Ofenkapazität: Ein defektes Stück blockiert Platz für ein gutes
• Entsorgung: Gebrannter Ausschuss ist Sondermüll oder muss aufbereitet werden

Ein mittelständischer Fliesenhersteller mit 500.000 Stück Jahresproduktion und 10 % Ausschuss verliert 200.000-400.000 € pro Jahr.

Warum menschliche Prüfung nicht ausreicht

Erfahrene Prüfer erkennen sichtbare Risse zuverlässig. Aber:

• Haarrisse unter 0,3 mm sind visuell kaum erkennbar
• Ermüdung: Nach 2 Stunden sinkt die Aufmerksamkeit um 25 %
• Geschwindigkeit: Menschliche Prüfung limitiert den Durchsatz auf 3-5 Stück/Minute
• Reproduzierbarkeit: Verschiedene Prüfer bewerten unterschiedlich

KI-basierte Bildverarbeitung arbeitet dagegen mit konstanter Genauigkeit, 24/7, und erkennt Defekte unterhalb der menschlichen Wahrnehmungsschwelle.

Technische Umsetzung: KI-Rissprüfung am Förderband

Hardware-Setup

Förderband (Rohlinge nach Trocknung)
         ↓
   Beleuchtung: LED-Streiflicht (Risse werfen Schatten)
         ↓
   Industriekamera: 5 MP, 30 fps
         ↓
   Edge-KI-Box: NVIDIA Jetson Orin
         ↓
   Auswertung in < 100 ms pro Stück
         ↓
   ✓ OK → weiter zum Brennofen
   ✗ Riss → Ausschleusung per Druckluft

Schlüsselkomponenten

Das KI-Modell

Für die Risserkennung eignet sich ein Segmentierungs-Modell auf Basis von YOLOv8-Seg oder U-Net:

# Training eines Risserkennungs-Modells
from ultralytics import YOLO

# Modell laden
model = YOLO('yolov8m-seg.pt')

# Training mit eigenen Keramik-Bildern
results = model.train(
    data='keramik_risse.yaml',
    epochs=150,
    imgsz=1280,
    batch=8,
    device=0,
    name='keramik_risserkennung_v1'
)

# Validierung
metrics = model.val()
print(f"mAP50: {metrics.seg.map50:.3f}")
print(f"Precision: {metrics.seg.p:.3f}")
print(f"Recall: {metrics.seg.r:.3f}")

Trainingsdaten sammeln

Für ein zuverlässiges Modell benötigen Sie:

• 500-1.000 Bilder mit Rissen (verschiedene Typen, Positionen, Größen)
• 500-1.000 Bilder ohne Risse (Gutteile)
• Annotation: Risse pixelgenau markieren (Tool: CVAT oder Label Studio)
• Zeitaufwand: 2-3 Wochen für Datensammlung und Annotation

Beleuchtung: Der unterschätzte Erfolgsfaktor

Die richtige Beleuchtung ist wichtiger als die teuerste Kamera. Für Risserkennung in Keramik:

• Streiflicht (45° oder flacher): Risse werfen Schatten und werden sichtbar
• Diffuses Auflicht: Für Farbfehler und Oberflächendefekte
• UV-Licht: Für fluoreszierende Rissdetektionsmittel (Eindringprüfung)

Ein einfacher Test: Beleuchten Sie einen bekannten Riss aus verschiedenen Winkeln und fotografieren Sie. Der Winkel mit dem besten Kontrast ist Ihre Beleuchtungsrichtung.

ROI-Berechnung

Ausgangslage: Fliesenhersteller, 2.000 Stück/Tag, 10 % Ausschuss nach dem Brennen

Nutzen Sie die ROI-Excel-Vorlage für Ihre eigenen Zahlen. Einen Überblick über typische KI-Investitionen gibt die KI-Kostenplanung.

Integration in die Produktionslinie

Die KI-Prüfung wird zwischen Trocknung und Brennofen installiert. Wichtige Punkte:

1. Taktzeit: Die Prüfung muss schneller sein als der Produktionstakt (typisch: 2-5 Sekunden/Stück)
2. Ausschleusung: Defekte Teile automatisch oder manuell aussortieren
3. Daten-Logging: Jedes Stück wird mit Bild und Ergebnis archiviert
4. Rückkopplung: Häufen sich Risse → Alarm an die Formgebung

Anbindung an MES/ERP

# Beispiel: MQTT-Nachricht bei erkanntem Riss
topic: produktion/keramik/qualitaet
payload:
  timestamp: "2026-03-09T14:23:45Z"
  station: "QC-01"
  teil_id: "FL-2026-03-09-00847"
  ergebnis: "NOK"
  defekt_typ: "haarriss"
  riss_laenge_mm: 4.2
  konfidenz: 0.97
  bild_url: "/archiv/2026/03/09/FL-00847.jpg"

Praxistipps aus der Keramikbranche

• Starten Sie einfach: Erst eine Kamera an einer kritischen Stelle, dann erweitern
• Licht vor Kamera: Investieren Sie mehr in Beleuchtung als in Kameraauflösung
• Experten einbinden: Ihre Prüfer wissen, welche Risse kritisch sind – nutzen Sie das für die Annotation
• Glasurprobleme separat: Risse im Rohling und Glasurfehler brauchen verschiedene Modelle

Der KI-Leitfaden für Unternehmen zeigt, wie Sie KI-Projekte strukturiert angehen. Die KI-Implementierung beschreibt den Weg vom Piloten zum Produktivbetrieb.

Häufige Fragen

Ab welcher Rissgröße erkennt die KI Defekte?

Mit einer 5-MP-Kamera und optimaler Beleuchtung erkennt das System Risse ab 0,1 mm Breite und 2 mm Länge zuverlässig. Die Erkennungsrate liegt bei 99,2 % für Risse über 0,3 mm und bei 94 % für Risse zwischen 0,1 und 0,3 mm. Kleinere Defekte erfordern höhere Auflösung oder Spezialtechniken.

Wie viele Trainingsdaten brauche ich?

Für einen zuverlässigen Start benötigen Sie 500-1.000 Bilder mit annotierten Rissen und ebenso viele Gutteile. Die Sammlung dauert 2-3 Wochen im laufenden Betrieb. Mit Datenaugmentierung (Spiegelung, Rotation, Helligkeitsänderung) können Sie den Datensatz künstlich auf das 5-10-fache vergrößern.

Funktioniert die KI bei verschiedenen Keramiktypen?

Ein Modell, das auf Bodenfliesen trainiert wurde, funktioniert nicht automatisch für Sanitärkeramik. Die Geometrie und typischen Rissbilder unterscheiden sich. Für jede Produktgruppe brauchen Sie ein eigenes Training. Allerdings hilft Transfer Learning: Das Fliesen-Modell als Basis für Sanitärkeramik beschleunigt das Training auf 30-50 % der ursprünglichen Zeit.

Kann ich die KI nachts ohne Personal laufen lassen?

Ja. Das System arbeitet autonom und schleust defekte Teile automatisch aus. Bei ungewöhnlichen Häufungen (z. B. 30 % Ausschuss statt 10 %) löst es einen Alarm aus. Die Nachtschicht-Automatisierung ist einer der stärksten ROI-Hebel, da Sie Prüfpersonal einsparen.

Welche Alternativen gibt es zur Kamera-basierten Prüfung?

Neben Computer Vision existieren Ultraschall-Prüfung (erkennt auch innere Risse, aber langsamer), Thermografie (erkennt Dichteunterschiede) und Röntgenprüfung (teuer, für Sicherheitskeramik). Für Oberflächenrisse an Rohlingen ist Computer Vision das beste Preis-Leistungs-Verhältnis.