KI für Ersatzteil-Erkennung: Foto zu Teilenummer

TL;DR

Ein Vision-KI-System erkennt Ersatzteile anhand von Smartphone-Fotos und ordnet sie der korrekten Teilenummer zu. Servicetechniker fotografieren das defekte Teil, die App zeigt in 3 Sekunden die Teilenummer, den Preis und die Verfügbarkeit an. Bei 15.000 Teilen im Katalog erreicht das System 92 % Trefferquote. Die Bestellzeit sinkt von 25 Minuten auf 40 Sekunden.

Das Problem: Teilenummern kosten Zeit

Ein Servicetechniker steht vor einer geöffneten Werkzeugmaschine. Das defekte Teil liegt vor ihm: ein Zahnrad, 47 mm Durchmesser, Modul 2, 18 Zähne. Die Teilenummer? Steht irgendwo im 800-seitigen Ersatzteilkatalog, der als PDF auf dem Laptop liegt. Oder im ERP-System, das über VPN erreichbar ist, wenn das Mobilfunknetz in der Produktionshalle des Kunden reicht.

Die Realität bei einem Maschinenbauer mit 22 Servicetechnikern:

Hinzu kommen indirekte Kosten: Jede Minute, die der Techniker mit Suchen verbringt, steht die Maschine beim Kunden still. Bei 400 €/Stunde Maschinenstillstandkosten bedeutet die durchschnittliche Suchzeit von 25 Minuten pro Einsatz: 166 € Stillstandkosten, die der Kunde trägt und die die Kundenzufriedenheit senken.

Wie die Foto-zu-Teilenummer-KI funktioniert

Das System besteht aus drei Komponenten: einer Smartphone-App für die Bildaufnahme, einem Vision-Modell für die Erkennung und einer Katalogdatenbank für die Zuordnung.

Schritt 1: Foto aufnehmen. Der Techniker öffnet die App, fotografiert das Teil aus 20–30 cm Entfernung. Die App erkennt automatisch, ob das Bild scharf genug ist und fordert bei Bedarf ein neues Foto an.

Schritt 2: Merkmale extrahieren. Ein Vision Transformer (ViT) extrahiert visuelle Merkmale: Form, Größe, Oberflächenstruktur, Farbe, Gewinde, Bohrungen. Das Modell wurde auf 15.000 Ersatzteilen mit je 5–10 Fotos trainiert.

Schritt 3: Katalog-Matching. Die extrahierten Merkmale werden gegen die Vektordatenbank des Ersatzteilkatalogs abgeglichen. Die Top-3-Treffer werden mit Konfidenzwert, Teilenummer, Preis und Verfügbarkeit angezeigt.

Schritt 4: Bestellung auslösen. Der Techniker bestätigt das korrekte Teil per Tap und löst die Bestellung direkt aus der App aus. Das ERP legt den Auftrag an, der Versand wird automatisch angestoßen.

# ersatzteil_vision_config.yaml
system:
  modell:
    backbone: "google/vit-large-patch16-224"
    finetuned: true
    klassen: 15000  # Anzahl Teile im Katalog
    embedding_dim: 768
    quantisierung: "int8"  # Für mobile Inferenz
  inferenz:
    backend: "onnxruntime"  # Läuft auf Server
    device: "cpu"  # Keine GPU nötig für Inferenz
    batch_size: 1
    latenz_ziel: "< 3 Sekunden"
  katalog:
    datenbank: "qdrant"
    collection: "ersatzteile_embeddings"
    similarity: "cosine"
    top_k: 3
    min_confidence: 0.75
  app:
    plattform: "flutter"  # iOS + Android
    kamera:
      min_aufloesung: "1280x720"
      autofokus: true
      mindest_schaerfe: 0.6
    offline_cache:
      top_1000_teile: true  # Häufigste Teile lokal
  erp:
    system: "sap_b1"
    api: "odata"
    auto_bestellung: true
    max_auto_wert: 800  # EUR

Modell trainieren: 5 Fotos pro Teil reichen

Das Training erfordert keine KI-Expertise. Sie brauchen lediglich Fotos Ihrer Ersatzteile:

Fotografie: Jedes Teil wird aus 5 Perspektiven fotografiert: Vorderseite, Rückseite, Seitenansicht, 45-Grad-Winkel, Detail (Prägung/Beschriftung). Hintergrund: weißes Papier oder Werkbank. Beleuchtung: Tageslicht oder Werkstattlicht.

Aufwand: Bei 15.000 Teilen und 5 Fotos pro Teil: 75.000 Fotos. Klingt viel, ist aber in 6–8 Wochen machbar, wenn 2 Mitarbeiter je 4 Stunden am Tag fotografieren (500 Teile/Tag). Alternativ: Starten Sie mit den 3.000 häufigsten Teilen (Pareto-Prinzip: 20 % der Teile decken 80 % der Bestellungen ab).

Training: Transfer Learning mit einem vortrainierten ViT-Modell dauert 8–12 Stunden auf einer RTX 4090. Das resultierende Modell ist 350 MB groß.

Iteration: Nach dem ersten Training erreichen Sie typischerweise 85–88 % Trefferquote. Mit 10 weiteren Fotos pro Fehlklassifikation steigt die Genauigkeit auf 92–95 %.

Die KI-Budgetplanung hilft bei der Kalkulation der Gesamtkosten.

Ergebnisse im Praxistest

Ein Werkzeugmaschinenhersteller hat das System mit 12.400 Ersatzteilen getestet:

Die größten Herausforderungen bei der Erkennung: Teile ohne visuelle Unterschiede (z. B. Schrauben M8x20 vs. M8x25), schwarze Teile auf dunklem Hintergrund und stark verschmutzte Teile. Für diese Fälle fragt die App zusätzliche Merkmale ab (Länge, Gewinde, Material).

ROI-Berechnung

Die ROI-Berechnungsvorlage ermöglicht eine individuelle Kalkulation mit Ihren Technikerzahlen und Einsatzvolumen.

Implementierung in 8 Wochen

Woche 1–2: Projektvorbereitung. Teile-Liste aus ERP exportieren, Foto-Station einrichten (Tisch, Beleuchtung, Hintergrund), Pilotgruppe definieren (3.000 häufigste Teile).

Woche 3–6: Fotografie. 2 Mitarbeiter fotografieren 500 Teile pro Tag. Qualitätskontrolle der Bilder nach jeder Woche.

Woche 7: Training und App. Vision-Modell trainieren (1 Tag), Flutter-App konfigurieren (3 Tage), ERP-Anbindung testen (2 Tage).

Woche 8: Pilotbetrieb. 5 Servicetechniker testen die App im Feldeinsatz. Feedback sammeln, Modell mit Fehlerkennungen nachtrainieren.

Die KI-Implementierungsanleitung beschreibt Best Practices für die Einführung von KI-Tools bei Servicetechnikern. Der KI-Komplett-Leitfaden ordnet die Ersatzteil-Erkennung in eine Gesamt-KI-Strategie ein.

Erweiterungen

QR-Code-Fallback: Neue Teile erhalten bei der Einlagerung einen QR-Code. Ältere Teile ohne Code werden per Foto erkannt. Langfristig wird die gesamte Ersatzteil-Identifikation über QR laufen, die Foto-KI bleibt als Fallback.

Verschleißerkennung: Das Vision-Modell kann nicht nur das Teil identifizieren, sondern auch den Verschleißgrad bewerten (leicht/mittel/stark). Das ermöglicht präventive Ersatzteilbestellungen.

Augmented Reality: Die App blendet Einbauanleitungen direkt auf dem Kamerabild ein, sobald das Teil erkannt wurde. Zeigt Drehmomente, Einbaureihenfolge und Werkzeugbedarf an.

FAQ

Funktioniert die Erkennung auch bei schlechten Lichtverhältnissen? Die App aktiviert den Smartphone-Blitz automatisch bei unzureichendem Licht. Das Modell wurde mit Fotos unter verschiedenen Lichtbedingungen trainiert (Werkstatt, Tageslicht, Blitz). Bei starker Verschmutzung des Teils sinkt die Trefferquote um 5–8 Prozentpunkte.

Wie viele Fotos brauche ich pro Teil? Minimum 5 Fotos aus verschiedenen Perspektiven. Bei Teilen mit visuell ähnlichen Varianten (z. B. verschiedene Größen) empfehlen sich 10 Fotos, darunter Detailaufnahmen der Unterscheidungsmerkmale.

Läuft die Erkennung auf dem Smartphone oder auf einem Server? Die Inferenz läuft auf einem zentralen Server. Das Smartphone sendet das Foto per WLAN oder Mobilfunk, die Antwort kommt in 2–3 Sekunden. Für Offline-Szenarien (kein Mobilfunk) werden die 1.000 häufigsten Teile lokal auf dem Smartphone zwischengespeichert.

Kann ich das System auch für gebrauchte oder beschädigte Teile nutzen? Ja, mit Einschränkungen. Leichte Beschädigungen (Kratzer, Verfärbungen) beeinflussen die Erkennung kaum. Stark deformierte oder zerbrochene Teile werden oft nicht erkannt. In diesen Fällen fällt die App auf die manuelle Suche per Maschinentyp und Baugruppe zurück.

Wie gehe ich mit neuen Teilen um, die noch nicht im Katalog sind? Neue Teile werden beim Einpflegen ins ERP mit 5 Fotos erfasst. Ein Re-Training des Modells (2–4 Stunden) integriert die neuen Teile. Alternativ können neue Teile quartalsweise gebündelt nachtrainiert werden.