Gemeinschaftsprojekt zur KI-basierten textilen Oberflächenprüfung
Im Rahmen eines Anwendungsprojekts mit dem Sächsischen Textilforschungsinstitut e. V. (STFI) – gefördert und begleitet durch das Mittelstand-Digital Zentrum Smarte Kreisläufe – haben wir untersucht, ob KI-gestützte Fehlererkennung in der Textilproduktion auch dann funktioniert, wenn kaum Fehlerdaten vorhanden sind. Das Ergebnis: Ja – bereits mit 11 gelabelten Trainingsbildern ließ sich zuverlässig erkennen, ob ein Textilfehler vorliegt oder nicht. Der Einstieg in die automatisierte Qualitätsprüfung ist damit auch ohne jahrelange Datensammlung möglich.
Die Ausgangssituation – Qualitätsprüfung mit wenig Fehlerdaten
Die Warenschau in der Textilproduktion ist personalintensiv: Mitarbeiterinnen und Mitarbeiter schauen Meter für Meter durch – und rund 95 % davon ist einwandfreie Gutware. Gleichzeitig fehlt der Nachwuchs, und Lohn- sowie Energiekosten steigen. Wer diesen Prozess automatisieren will, steht jedoch oft vor einem praktischen Problem: Es gibt kaum eine strukturierte Fehlerdatenbank. Zu wenig Fehlerbilder, zu wenig gelabelte Aufnahmen. KI-Systeme scheitern genau daran.
Die entscheidende Frage, die wir mit diesem Projekt beantworten wollten: Kann KI-Bildverarbeitung auch mit einer kleinen Datenbasis sinnvoll eingesetzt werden – und zwar in der realen Produktionsumgebung, nicht im Labor?
Wenn Sie mehr über die wirtschaftlichen Hintergründe der manuellen Warenschau und die drei Prozessschritte der Automatisierung erfahren möchten, lesen Sie zunächst unseren ausführlichen Artikel zur KI-basierten Warenschau.
Das Projekt – Aufbau und Vorgehen
Partner für dieses Projekt war das Sächsische Textilforschungsinstitut e. V. (STFI) in Chemnitz – eine der führenden Textilforschungseinrichtungen in Deutschland und Partner des Mittelstand-Digital Zentrums Smarte Kreisläufe.
Grundlage war ein bestehender Prüfstand am STFI – kein Neubau, sondern ein klassischer Retrofit-Ansatz: Das vorhandene System wurde technisch erweitert und für die neuen Anforderungen angepasst. Genau so, wie wir es auch in Produktionsbetrieben umsetzen.
Das Vorgehen im Projekt Schritt für Schritt:
Schritt 1:
Kamerasystem und KI-Technik ergänzen: Integration in den bestehenden Prüfstand, Kalibrierung der Kamera
Schritt 2:
Fehlerbilder aufnehmen: Hochauflösende Aufnahmen von Fehlern an Musterstücken, anschließende Klassifikation durch Fachexperten
Schritt 3:
Datenbasis aufbauen: 50 Bilder gesichtet, 11 Bilder für das KI-Training gelabelt
Schritt 4:
KI-Modell trainieren und auswerten: Einsatz des Real-Time Detection Transformers (RT-DETR), einem modernen KI-Modell für die visuelle Inspektion, das auch bei schwer erkennbaren Fehlermerkmalen mit voller Bildauflösung arbeitet
Die Ergebnisse – was das System konnte und was nicht
Was funktioniert hat
Bereits mit 11 Trainingsbildern konnte das System zuverlässig erkennen, ob ein Textilfehler vorliegt oder nicht. Die binäre Unterscheidung – fehlerhafte Ware ja oder nein – funktionierte stabil. Zwei typische Fehlerklassen ließen sich dabei grundsätzlich maschinell unterscheiden:
- Schussfehler – Unterbrechungen oder Unregelmäßigkeiten im Schussfaden
- Einflug durch Textilfasern – Fremdmaterial, das in das Gewebe eingetragen wurde
Das ist für die Praxis bereits ein konkreter Nutzen: Das System kann als Vorselektion eingesetzt werden – es filtert aus großen Bildmengen automatisch die relevanten Aufnahmen heraus, die tatsächlich einen Fehler zeigen. Ihre Mitarbeiter müssen nicht mehr jeden Meter schauen. Sie werden nur noch dort aktiv, wo das System anschlägt.
Was noch nicht durchgängig sicher war
Die feinere Differenzierung einzelner Fehlertypen – also die genaue Klassifikation, um welche Art von Fehler es sich handelt – war mit 11 Trainingsbildern noch nicht durchgängig zuverlässig. Dafür sind mehr Trainingsdaten erforderlich.
Das ist kein Rückschlag, sondern ein realistischer Entwicklungspfad: Fehlererkennung zuerst, Fehlerklassifikation danach – mit jeder neuen Aufnahme wird das Modell besser.
Was das für Textilbetriebe bedeutet
Die Ergebnisse dieses Projekts zeigen etwas Wichtiges: Sie müssen nicht erst eine vollständige Fehlerdatenbank aufbauen, bevor ein KI-System sinnvoll arbeitet. Der Einstieg ist heute möglich – mit dem Material, das Sie bereits haben.
Besonders geeignet ist dieser Ansatz für:
- Lohnfertiger mit wechselnden Produkten und Kunden, bei denen klassische regelbasierte Systeme an der Produktvarianz scheitern
- Produzenten technischer Textilien, Vliesstoffe und Gewebe mit variablen Anforderungen
- Betriebe, die erfahrene Warenschauer nicht nachbesetzen können – und trotzdem keine Abstriche bei der Qualität machen wollen
Der Skalierungspfad ist klar: von der zuverlässigen Fehlererkennung (ja/nein) hin zur differenzierten Fehlerklassifikation.
FAQ - Häufig gestellte Fragen
Weniger als viele erwarten. Im STFI-Projekt reichten 11 gelabelte Bilder für eine erste, zuverlässige Fehlererkennung. Für eine differenzierte Fehlerklassifikation sind mehr Daten hilfreich – aber kein Voraussetzung für den Einstieg. Das System liefert bereits in frühen Phasen einen konkreten Nutzen.
Ja. Der Retrofit-Ansatz und das KI-Modell RT-DETR sind nicht auf einen spezifischen Stoff oder eine Maschine beschränkt. Das Vorgehen lässt sich auf Vliesstoffe, Gewebe, technische Textilien und Lohnfertigung mit wechselnden Produkten übertragen.
Mit hoher Wahrscheinlichkeit ja! Alles, was Ihre Mitarbeiter erkennen, erkennt auch ein KI-basiertes Kamerasystem. In jeden Quartal vergeben wir 2 Plätze für einen kostenfreien Machbarkeitstest (Wert: 1.500,- EUR) – bewerben Sie sich einfach dafür.
Kostenfreier Machbarkeitstest?
Jedes Quartal vergeben wir 2 Plätze für einen kostenfreien Machbarkeitstest (Wert: 1.500,- EUR), einfach jetzt dafür bewerben.