Wir freuen uns riesig: Unser KI-basiertes Kamerainspektionssystem, das wir gemeinsam mit der ZOLLERN GmbH & Co. KG entwickelt haben, hat den MATERIALICA Design + Technology Award 2026 in der Kategorie „Process“ gewonnen.

Für uns ist das mehr als ein Pokal fürs Regal. Der Preis zeigt, dass KI in der Produktion kein Zukunftsthema mehr ist. Sie ist ein Werkzeug, das heute direkt an der Linie Kosten spart.

In diesem Artikel schauen wir uns an, welches Problem das System löst, wie es technisch aufgebaut ist und warum wir hier bewusst einen anderen Ansatz gewählt haben als die Anomalie-Detektion, über die wir sonst oft schreiben.

Media 1: Ausgezeichnet in der Kategorie „Process“: Das KI-Kamerainspektionssystem von ZOLLERN und preML gewinnt den MATERIALICA Design + Technology Award 2026.

+++ In nur 5 Minuten zum ersten KI-Modell – jetzt kostenlos bei preML Vision Lab starten! +++

Jeder aus der Fertigung kennt die Situation: Ein Materialfehler fällt erst bei der Endkontrolle auf. Bis dahin ist das Teil aber schon durch mehrere Bearbeitungsschritte gelaufen. Jeder dieser Schritte hat Maschinenzeit, Energie und Personal gekostet, und am Ende landet trotzdem alles im Ausschuss.

Die alte Faustregel aus dem Qualitätsmanagement gilt hier voll: Je später ein Fehler entdeckt wird, desto teurer wird er.

Bei ZOLLERN werden Stahlprofile zuerst vorbehandelt. Sie werden gestrahlt, bevor sie in die weiteren Fertigungsschritte gehen. Genau hier lag die Chance: Hat ein Profil bereits einen Materialfehler, soll es die Linie gar nicht erst weiter durchlaufen.

Die Aufgabe war also klar formuliert:

• Fehler am Material so früh wie möglich erkennen
• jedes einzelne Teil prüfen, nicht nur Stichproben
• die Produktion dabei nicht ausbremsen

Das Prüfsystem sitzt direkt im Strahlprozess. Drei Kameras sind so angeordnet, dass sie jedes Profil von allen Seiten erfassen. Ein Fehler auf der Unterseite wird damit genauso gefunden wie einer auf der Oberseite.

Was das System im Alltag ausmacht:

• Echtzeit: Jedes Profil wird bewertet, während es durchläuft. Das Ergebnis steht fest, bevor das Teil in den nächsten Schritt geht.
• Rundumprüfung: Drei Kamerablickwinkel decken das ganze Profil ab, ohne blinde Flecken.
• 100 % Kontrolle: Geprüft wird jedes Produkt, das über das Band läuft, nicht nur eine Stichprobe.
• Kein Eingriff in die Produktion: Das Band muss für die Prüfung weder anhalten noch langsamer laufen. Der bestehende Ablauf bleibt, wie er ist.
• Vollautomatisch: Niemand muss an der Linie stehen und hinschauen. Fehlerhaftes Material wird erkannt und kann aussortiert werden.

Dazu kommt: Eine Strahlanlage ist keine freundliche Umgebung für Kameras. Staub und Vibrationen gehören zum Alltag. Das System muss also nicht nur gut erkennen, sondern auch unter diesen Bedingungen dauerhaft stabil laufen.

Media 2: Drei Kameras prüfen die Stahlprofile direkt im Strahlprozess von allen Seiten, ohne dass die Linie anhalten muss.

Wer unseren Blog kennt, weiß: Wir sind große Fans der Anomalie-Detektion. Dort braucht das Modell nur Bilder von Gutteilen, lernt „so sieht normal aus“ und meldet alles, was davon abweicht (diese Modelle kann man übrigens kostenlos in unserer Online-Version von Vision Lab ausprobieren).

Bei ZOLLERN haben wir uns trotzdem bewusst für einen anderen Weg entschieden: überwachtes Lernen, auf Englisch Supervised Learning.

Der Unterschied lässt sich gut mit zwei Prüfern vergleichen:

• Anomalie-Detektion ist wie ein Prüfer, der nur weiß, wie ein gutes Teil aussieht. Alles, was anders ist, legt er zur Seite.
• Supervised Learning ist wie ein Prüfer, dem man vorher einen Fehlerkatalog gezeigt hat: „Das ist Fehler A, das ist Fehler B, und das hier ist noch in Ordnung.“

Supervised Learning spielt seine Stärken aus, wenn die Fehlerarten bekannt sind und sich Beispielbilder davon sammeln lassen. Und wenn die Oberfläche von Natur aus unruhig ist, wie bei gestrahltem Stahl. Dann reicht „sieht anders aus“ als Kriterium nicht. Das Modell muss wissen, welche Abweichung ein echter Fehler ist und welche nicht.

Der Preis dafür: Am Anfang braucht es mehr Aufwand, weil Fehlerbilder gesammelt und markiert werden müssen. Dafür sagt das System nicht nur „auffällig“, sondern auch, um welchen Fehler es sich handelt. Wie immer gilt bei uns:

Wir wählen den Ansatz, der zur Prüfaufgabe passt, nicht umgekehrt.

Die beste Erkennung bringt wenig, wenn niemand das Ergebnis versteht. Deshalb gehört zum System eine Oberfläche, die auch ohne KI-Wissen sofort lesbar ist. Das Team sieht auf einen Blick, wie die Produktion läuft, und kann bei jedem auffälligen Profil nachvollziehen, warum es aussortiert wurde.

Aufgrund des Modularen Aufbaus unserer Software, erhalten Kunden oft eine individuelle Ansicht für Ihre Systeme – zugeschnitten auf die Prüfaufgabe.

Media 3: Die Übersicht zeigt die Stahlprofile aufgeteilt in die einzelnen Aufnahmen des Profils. Wurde auf einer Aufnahme ein Defekt entdeckt, färbt sich der Bereich rot.

Media 4: Detailansicht eines erkannten Fehlers. So lässt sich jede Entscheidung des Systems direkt am Bild nachvollziehen.

Die Idee hinter dem System ist einfach: Fehler möglichst früh finden. Wird ein Profil schon beim Strahlen aussortiert, spart das jeden weiteren Bearbeitungsschritt. Das bedeutet konkret:

• weniger Bearbeitung von fehlerhaftem Material
• weniger Energie- und Ressourcenverbrauch
• weniger unnötige Fertigungsschritte
• ein stabilerer Prozess und gleichmäßigere Qualität

Ein großes Dankeschön geht an das Team von ZOLLERN. Ohne ihr Prozesswissen und die Möglichkeit, direkt in der echten Produktion zu entwickeln, wäre dieses Projekt nicht möglich gewesen. Genau diese Kombination aus Fertigungserfahrung und KI-Know-how macht solche Lösungen erst praxistauglich.

Sie haben eine ähnliche Prüfaufgabe in Ihrer Fertigung, bei der Fehler zu spät auffallen? Schreiben Sie uns gerne, wir schauen uns Ihren Anwendungsfall an. Oder hinterlassen Sie einen Kommentar, wo in Ihrer Prozesskette eine frühe Prüfung am meisten bringen würde.

Cheers!

David