KI-Textilreinigung: Flecken erkennen und behandeln

TL;DR

Computer-Vision-Systeme erkennen Fleckenarten auf Textilien mit 94% Genauigkeit und empfehlen das passende Reinigungsverfahren automatisch. Textilreinigungen im Mittelstand reduzieren damit Fehlbehandlungen um 67%, senken den Chemikalienverbrauch um 23% und vermeiden Reklamationskosten von durchschnittlich €28.000 pro Jahr. Der Einstieg gelingt ab €6.500 Hardware plus Software.

Das Problem: Fleckenerkennung als Engpass in der Textilreinigung

Jede Textilreinigung kennt die Situation: Ein Kleidungsstück kommt mit einem unklaren Fleck an der Theke an. Ist es Rotwein, Fruchtsaft oder Tinte? Die Antwort entscheidet über Reinigungsmittel, Temperatur und Einwirkzeit -- und damit über Erfolg oder Misserfolg der Behandlung.

In Deutschland gibt es rund 3.200 Textilreinigungsbetriebe, davon 82% mit weniger als 20 Mitarbeitern. Die Fleckendiagnose hängt fast ausschließlich von der Erfahrung einzelner Fachkräfte ab. Bei Personalwechsel oder Krankheit geht dieses Wissen verloren. Das Ergebnis: 12-18% Fehlbehandlungsquote, beschädigte Textilien und unzufriedene Kunden.

KI-gestützte Fleckenerkennung standardisiert diesen kritischen Prozessschritt und macht ihn unabhängig von Einzelpersonen.

So funktioniert KI-basierte Fleckenerkennung

Bilderfassung und Vorverarbeitung

Eine hochauflösende Kamera (mindestens 12 Megapixel) erfasst den Fleck unter standardisierten Lichtbedingungen. Entscheidend ist die Beleuchtung: Eine Kombination aus Auflicht und UV-Licht macht auch unsichtbare Rückstände sichtbar, etwa Schweißflecken oder Sonnencreme-Reste.

Das Bildverarbeitungssystem segmentiert den Fleck automatisch vom Textilhintergrund und analysiert:

• Farbspektrum des Flecks in RGB und HSV
• Textur und Oberflächenstruktur (körnig, filmig, eingetrocknet)
• Konturgrenzen (scharf, verlaufend, ringförmig)
• Fluoreszenz unter UV-Licht (organisch vs. synthetisch)
• Fasermaterial des Textils (Baumwolle, Polyester, Seide, Mischgewebe)

Klassifikation mit Convolutional Neural Networks

Ein CNN-Modell, trainiert mit über 180.000 gelabelten Fleckenbildern, ordnet den Fleck einer von 47 Kategorien zu. Die wichtigsten Gruppen:

Automatische Behandlungsempfehlung

Basierend auf Fleckenart und Fasermaterial generiert die KI eine spezifische Behandlungsanweisung:

# Beispiel: KI-Behandlungsempfehlung
fleck_analyse:
  kategorie: 'Gerbstoff - Rotwein'
  konfidenz: 0.94
  alter_geschaetzt: '6-24 Stunden'
  textil: 'Baumwolle-Elasthan-Mischung (96/4)'
  farbe_textil: 'hellblau'

behandlung:
  schritt_1:
    verfahren: 'Vorbehandlung'
    mittel: 'Enzymbasierter Fleckentferner (Protease + Amylase)'
    konzentration: '3%'
    einwirkzeit_min: 15
    temperatur_grad: 30
  schritt_2:
    verfahren: 'Nassreinigung'
    programm: 'Sensitiv 40°C'
    waschmittel: 'pH-neutral flüssig'
    dosierung_ml_pro_kg: 8
  schritt_3:
    verfahren: 'Nachbehandlung'
    mittel: 'Oxidationsbleiche (Natriumpercarbonat)'
    nur_falls: 'Restfleck nach Schritt 2'

risiko:
  farbverlust_wahrscheinlichkeit: 0.08
  faserschaden_wahrscheinlichkeit: 0.02
  empfehlung: 'Behandlung empfohlen - geringes Risiko'

Wirtschaftliche Ergebnisse aus der Praxis

Eine Textilreinigung in München mit 8 Mitarbeitern und 340 Teilen pro Tag hat das KI-System seit Juni 2025 im Einsatz. Die dokumentierten Ergebnisse nach 9 Monaten:

Qualitätsverbesserung:

• Erfolgreiche Fleckentfernung beim ersten Durchgang: von 71% auf 89%
• Nacharbeit-Quote: von 24% auf 8%
• Reklamationen durch Textilschäden: von 3,2% auf 0,9%

Kostenersparnis:

• Chemikalienverbrauch: -23% (€7.800/Jahr) durch präzise Dosierung
• Nacharbeit-Kosten: -€12.400/Jahr
• Reklamations- und Schadenersatz-Kosten: -€8.200/Jahr
• Gesamtersparnis: €28.400/Jahr

Investitionskosten:

• Kamera-Station mit UV-Beleuchtung: €3.200
• Software-Lizenz (Jahresabo): €3.600
• Installation und Einrichtung: €1.800
• Schulung (2 Tage): €1.200
• Gesamt: €9.800 im ersten Jahr

Die ROI-Berechnung ergibt eine Amortisation nach 4,1 Monaten.

Implementierung in der Textilreinigung

Schritt 1: Hardware-Setup (Tag 1-3)

Die Kamerastation wird direkt am Annahmeplatz installiert. Platzbedarf: 60×80 cm Arbeitsfläche. Die Kamera wird über USB 3.0 an einen Standard-PC angeschlossen. Die UV-Zusatzbeleuchtung benötigt eine separate 230V-Steckdose.

Wichtig: Die Umgebungsbeleuchtung muss konstant sein. Direktes Sonnenlicht auf die Erfassungsfläche verfälscht die Farbanalyse. Ein einfacher Lichtschutz (Haube oder Vorhang) löst das Problem.

Schritt 2: Software-Kalibrierung (Tag 4-5)

Die KI-Software wird mit 50-100 Referenzflecken aus dem eigenen Betrieb kalibriert. Dieser Schritt ist entscheidend: Jede Reinigung hat spezifische Chemikalien, Maschinen und Wasserqualitäten. Die Kalibrierung passt die Behandlungsempfehlungen an die lokalen Gegebenheiten an.

Schritt 3: Parallelbetrieb (Woche 2-4)

Lassen Sie das KI-System parallel zum gewohnten Prozess laufen. Jeder Fleck wird fotografiert und von der KI analysiert, aber die erfahrenen Mitarbeiter entscheiden weiterhin selbst. Nach 2 Wochen vergleichen Sie die KI-Empfehlungen mit den tatsächlichen Ergebnissen.

Erfahrungswerte zeigen: Nach 3 Wochen Parallelbetrieb vertrauen 85% der Mitarbeiter den KI-Empfehlungen. Für den strukturierten Einstieg in KI-Projekte bietet der Komplett-Leitfaden eine bewährte Vorgehensweise.

Schritt 4: Produktivbetrieb (ab Woche 5)

Im Produktivbetrieb scannt jedes Teil bei der Annahme die Kamerastation. Die KI erstellt automatisch einen Laufzettel mit Fleckenposition, Behandlungsempfehlung und Risikoeinschätzung. Der Laufzettel begleitet das Kleidungsstück durch alle Stationen.

Chemische Reinigung vs. Nassreinigung: KI als Entscheidungshilfe

Eine der wertvollsten Funktionen der KI ist die Empfehlung des Reinigungsverfahrens. Viele Textilien, die traditionell chemisch gereinigt werden, lassen sich mit dem richtigen Nassreinigungsverfahren schonender und kostengünstiger behandeln.

Die KI analysiert das Pflegeetikett, das Fasermaterial und den Fleck gemeinsam und empfiehlt:

• Chemische Reinigung bei lösemittelempfindlichen Flecken auf empfindlichen Fasern
• Nassreinigung bei wasserlöslichen Flecken auf waschbaren Materialien
• Kombination bei Mischflecken (z.B. Soße = Fett + Gerbstoff + Protein)

Ein SHK-naher Vergleich: Ähnlich wie die KI-Prozesssteuerung in der Galvanik verschiedene Badparameter optimiert, balanciert die KI in der Textilreinigung die Parameter Temperatur, Chemie, Mechanik und Zeit für optimale Ergebnisse.

Digitalisierung der Annahme und Kundenkommunikation

Die KI-Fleckenerkennung ermöglicht eine transparente Kundenkommunikation. Bei der Annahme erhält der Kunde sofort eine Einschätzung:

• Wahrscheinlichkeit der erfolgreichen Entfernung (z.B. 87%)
• Voraussichtliche Kosten der Spezialbehandlung
• Risiken (Farbveränderung, Faserbelastung)
• Geschätzte Bearbeitungszeit

Diese Transparenz reduziert Konflikte bei schwierigen Flecken und erhöht die Zahlungsbereitschaft für Spezialbehandlungen um durchschnittlich 34%.

Für die Budgetplanung solcher Digitalisierungsprojekte sollten Textilreinigungen 8-15% ihres Jahresumsatzes einplanen.

FAQ

Erkennt die KI auch alte, eingetrocknete Flecken zuverlässig?

Eingetrocknete Flecken sind schwieriger zu klassifizieren, da sich die optischen Eigenschaften verändern. Die Erkennungsrate sinkt bei Flecken älter als 72 Stunden von 94% auf 82%. UV-Analyse hilft besonders bei alten Proteinflecken. Das System gibt bei unsicheren Diagnosen eine Konfidenz unter 70% aus und empfiehlt eine manuelle Prüfung.

Welche Kamerahardware wird benötigt?

Eine industrielle USB-Kamera mit 12+ Megapixel, kombiniert mit einer LED-Ringlichtbeleuchtung (5600K Farbtemperatur) und einer UV-A-LED (365nm). Gesamtkosten: €2.800-4.500. Consumer-Kameras oder Smartphones sind für den professionellen Einsatz nicht geeignet, da sie keine konsistente Farbwiedergabe gewährleisten.

Wie viele Fleckenbilder braucht das System zum Training?

Das vortrainierte Basismodell funktioniert sofort mit 47 Fleckenkategorien. Für die betriebsspezifische Kalibrierung reichen 50-100 eigene Bilder. Die Erkennungsrate verbessert sich mit jedem verarbeiteten Teil automatisch -- nach 5.000 Teilen erreichen die meisten Betriebe 94%+ Genauigkeit.

Funktioniert die KI auch bei dunklen Textilien?

Dunkle Textilien sind eine Herausforderung, da der Kontrast zwischen Fleck und Textil gering ist. Die UV-Analyse gleicht diesen Nachteil teilweise aus. Bei schwarzen Textilien liegt die Erkennungsrate bei 78% (vs. 94% bei hellen Textilien). Das System warnt automatisch bei niedriger Konfidenz.

Lässt sich die KI mit der bestehenden Kassensoftware verbinden?

Die meisten KI-Anbieter bieten REST-API-Schnittstellen, die sich in gängige Branchensoftware (Comtex, Kreussler, Seitz) integrieren lassen. Der Laufzettel kann als PDF oder über Barcode-/QR-Code-System in den bestehenden Workflow eingebunden werden. Rechnen Sie mit 1-2 Tagen Integrationsaufwand durch den Software-Anbieter.

Fazit

KI-gestützte Fleckenerkennung löst ein Kernproblem der Textilreinigungsbranche: die Abhängigkeit von individuellem Erfahrungswissen. Mit Computer Vision und standardisierten Behandlungsempfehlungen steigern mittelständische Reinigungsbetriebe ihre Erfolgsquote bei der Fleckentfernung auf über 89% und senken gleichzeitig Kosten für Chemikalien und Nacharbeit. Die Investition amortisiert sich in unter 5 Monaten -- ein klarer Business Case für die Digitalisierung im Handwerk.