KI-Wäscherei: Sortierung 5x schneller mit Vision

TL;DR

Industrielle Wäschereien sortieren mit KI-gestützter Bilderkennung 5x schneller als manuell – 1.200 statt 250 Teile pro Stunde und Arbeitsplatz. Textilart, Verschmutzungsgrad und Flecktyp werden automatisch erkannt. Fehlsortierungen sinken von 8 % auf unter 1,5 %, Personalkosten um 30 %.

45 Tonnen Wäsche pro Tag – und jedes Teil muss richtig landen

Eine industrielle Großwäscherei in Nordrhein-Westfalen verarbeitet täglich 45 Tonnen Textilien: Hotelwäsche, Krankenhausbettwäsche, Berufsbekleidung, OP-Textilien. Am Eingangsband stehen 12 Mitarbeiter und sortieren manuell nach 28 Kategorien. Fehlsortierungen führen zu falschen Waschprogrammen, Textilschäden und Reklamationen.

Die Zahlen sprechen für sich:

• 250 Teile/Stunde pro Mitarbeiter bei manueller Sortierung
• 8 % Fehlsortierungsrate in der Frühschicht, steigend auf 14 % in der Spätschicht
• 62.000 €/Jahr Kosten durch Textilschäden wegen falscher Waschprogramme
• 3,8 Tage durchschnittliche Krankheitsrate durch ergonomische Belastung

Computer-Vision-Systeme ändern diese Gleichung grundlegend.

Wie Textilerkennung per KI funktioniert

Das Prinzip: Eine Kamera über dem Förderband erfasst jedes Textil. Ein trainiertes Convolutional Neural Network (CNN) klassifiziert in unter 150 ms nach Textilart, Material und Verschmutzungsgrad. Ein Pneumatik-Weichensystem leitet das Teil automatisch in den richtigen Wäschewagen.

Die drei Erkennungsebenen

Ebene 1 – Textilklassifikation: Bettwäsche, Handtuch, Kittel, Tischdecke, OP-Tuch. Genauigkeit: 98,5 % nach Training mit 50.000 Bildern.

Ebene 2 – Materialerkennung: Baumwolle, Mischgewebe, Polyester, Mikrofaser. Hier kommt neben der Kamera ein NIR-Sensor zum Einsatz, da weiße Baumwolle und weißes Polyester optisch identisch erscheinen. Genauigkeit: 96 %.

Ebene 3 – Fleck- und Schadensanalyse: Blut, Betadine, Rost, Fett, Riss, Loch. Diese Ebene bestimmt, ob ein Textil Vorbehandlung benötigt oder aussortiert wird. Genauigkeit: 91 %.

# Klassifikationsmodell: Industrielle Wäschesortierung
model_config:
  architecture: EfficientNet-B3
  input_resolution: 640x480
  inference_time: 140ms  # auf NVIDIA Jetson Orin
  classes:
    textilart:
      - bettwaesche_140x200
      - bettwaesche_200x200
      - kopfkissen
      - handtuch_50x100
      - handtuch_70x140
      - bademantel
      - kittel_arzt
      - kittel_pflege
      - op_tuch
      - tischdecke
    material:
      - baumwolle_100
      - baumwolle_polyester_50_50
      - polyester_100
      - mikrofaser
    verschmutzung:
      - leicht
      - mittel
      - stark
      - vorbehandlung_noetig

sorting_rules:
  - condition: "textilart == op_tuch AND verschmutzung == stark"
    action: "route_to: desinfektion_vorab"
  - condition: "material == mikrofaser"
    action: "route_to: programm_mikrofaser_40"
  - condition: "damage_detected == true AND damage_type == riss"
    action: "route_to: aussortierung"

sewts VELUM und Alternativen: Der Markt für Wäscherei-KI

Das Münchner Startup sewts hat mit VELUM ein System entwickelt, das speziell auf verformbare Textilien zugeschnitten ist. Anders als starre Bauteile in der Industrie verändern Textilien bei jedem Griff ihre Form – eine besondere Herausforderung für Robotik und Bildverarbeitung.

VELUM kombiniert 3D-Kamerasysteme mit Greifrobotern und erreicht bei Flachwäsche (Betttücher, Tischdecken) Durchsatzraten von 900–1.200 Teilen pro Stunde. Das System lernt kontinuierlich: Neue Textiltypen werden per wenigen Trainingsbildern hinzugefügt.

Alternativen und Ergänzungen im deutschen Markt:

• Kannegiesser (Vlotho): Integrierte Sortier- und Zuführsysteme mit optionaler KI-Erweiterung
• Jensen Group: Sortieranlagen mit RFID-Integration und Bildverarbeitung
• Eigenentwicklung: Basierend auf Open-Source-Frameworks wie YOLOv8 und industriellen Kameras (Kosten: 35.000–60.000 € pro Linie)

Für den Einstieg in Computer Vision eignen sich die Grundlagen der Bilderkennung in der Produktion als Orientierung.

Fleckdetektion: Vorbehandlung gezielt statt pauschal

Ohne KI landet verschmutzte Wäsche pauschal im Intensivprogramm – höhere Temperatur, mehr Chemie, längere Laufzeit. Das kostet pro Waschgang 2,80 € mehr als das Standardprogramm. Bei 120 Maschinen und 8 Durchläufen pro Tag summiert sich das.

KI-gestützte Fleckdetektion erkennt den Flecktyp und ordnet die passende Vorbehandlung zu:

Eine Wäscherei mit 30 Tonnen Tageskapazität spart durch gezielte Vorbehandlung 85.000–110.000 € pro Jahr an Chemikalien und Energie.

Routenoptimierung: Vom Sortierband zur Waschmaschine

Die Sortierung ist nur der erste Schritt. KI optimiert auch die nachgelagerte Logistik: Welche Maschine bekommt welche Charge? Wie werden Wäschewagen optimal befüllt? Wann ist der nächste CIP-Zyklus der Waschstraße fällig?

Ein Reinforcement-Learning-Modell plant die Maschinenbelegung in Echtzeit. Es berücksichtigt:

• Aktuelle Füllstände aller Maschinen
• Waschprogramm-Dauer und Energiekosten nach Tageszeit
• Kundenprioritäten und Liefertermine
• Trocknerverfügbarkeit

Das Resultat: 12 % höherer Maschinendurchsatz bei 15 % geringerem Energieverbrauch. Die Prozessautomatisierung erstreckt sich hier über die gesamte Wertschöpfungskette.

Wirtschaftlichkeitsrechnung für eine mittelständische Wäscherei

Ausgangssituation: 15 Tonnen/Tag, 8 manuelle Sortierplätze, 2-Schicht-Betrieb.

Investition KI-Sortierung:

• 2 Kamerasysteme mit Beleuchtung: 18.000 €
• Edge-Computing (2x NVIDIA Jetson Orin): 6.000 €
• Pneumatik-Weichen (6 Ausgänge): 24.000 €
• Software-Lizenz und Training: 22.000 €
• Integration und Inbetriebnahme: 15.000 €
• Gesamt: 85.000 €

Jährliche Einsparungen:

• Personal (4 von 8 Sortierplätzen eingespart): 144.000 €
• Weniger Textilschäden: 38.000 €
• Chemikalien-Optimierung: 52.000 €
• Gesamt: 234.000 €/Jahr

Amortisation: 4,4 Monate. Das macht KI-Sortierung zu einem der schnellsten ROI-Projekte im Mittelstand. Die Budgetplanung zeigt vergleichbare Werte in anderen Branchen.

Datenschutz und Arbeitnehmerrechte

Kameras in der Produktion sind ein sensibles Thema. Wichtig: Die KI-Systeme erfassen Textilien, nicht Personen. Dennoch gelten Anforderungen:

• Betriebsrat frühzeitig einbinden (BetrVG §87 Abs. 1 Nr. 6)
• Kameras so ausrichten, dass Gesichter nicht erfasst werden
• Keine Leistungsüberwachung einzelner Mitarbeiter
• Datenspeicherung auf lokalen Systemen, keine Cloud-Übertragung der Bilder

Der Implementierungsleitfaden behandelt diese organisatorischen Aspekte ausführlich.

Häufige Fragen

Wie schnell sortiert KI-gestützte Wäschesortierung im Vergleich zu manuell?

KI-Sortiersysteme verarbeiten 1.000–1.200 Teile pro Stunde und Linie, verglichen mit 250 Teilen pro Stunde bei manueller Sortierung. Die Fehlsortierungsrate sinkt gleichzeitig von 8–14 % auf unter 1,5 %.

Was kostet ein KI-Sortiersystem für eine industrielle Wäscherei?

Für eine Linie mit 6 Sortierausgängen liegt die Investition bei 75.000–95.000 €. Bei einer mittelständischen Wäscherei mit 15 Tonnen Tageskapazität amortisiert sich die Anlage in unter 5 Monaten.

Kann das System neue Textiltypen lernen?

Ja. Moderne Systeme benötigen 50–200 annotierte Bilder pro neuer Kategorie. Das Training dauert 2–4 Stunden auf einer Standard-GPU. Neue Textiltypen eines Kunden lassen sich innerhalb eines Arbeitstages integrieren.

Funktioniert die Erkennung auch bei stark verknitterter Wäsche?

Verformbare Textilien sind die zentrale Herausforderung. Systeme wie sewts VELUM nutzen 3D-Kameras und sind speziell auf verformbare Objekte trainiert. Die Erkennungsrate liegt bei Flachwäsche über 98 %, bei stark verknitterten Teilen bei 93–95 %.

Welche Hygienestandards müssen KI-Sortiersysteme in der Textilreinigung erfüllen?

Die Systeme müssen den Anforderungen der RAL-GZ 992 (Sachgemäßes Waschen) entsprechen. Kontaminierte Wäsche (z. B. aus Krankenhäusern) muss physisch von Normalwäsche getrennt werden – die KI-Sortierung stellt sicher, dass diese Trennung zuverlässig erfolgt.