Intelligentes Kamera-Inspektionssystem für Krane LXD/DXT

Die vollständige technische Lösung für KI-basierte Bildverarbeitung in intelligenten Kranen und unbemannten Brückenkranen: von der Kamerawahl über die Objekterkennungsalgorithmen YOLOv8/v10, das Modelltraining, die Jetson-Edge-Bereitstellung bis hin zur Koordinatenkalibrierung – für die digitale Transformation in der Fertigungsindustrie.

Dieser Beitrag erläutert, wie KI-Bildverarbeitung intelligente Krane und unbemannte Brückenkrane optimiert. Behandelt werden die Auswahl der Industriekamera, ein Vergleich der Algorithmen YOLOv8/v10, der Trainingsablauf für das Modell, die Bereitstellung am Edge mit Jetson sowie die Technik zur Koordinatenkalibrierung. Eine praxisnahe Referenz für Ingenieure in der Fertigung.

KI-Bildverarbeitung für präzise Kranpositionierung

Die KI-Bildverarbeitung ist eine Wahrnehmungstechnologie, die auf Industriekameras und Deep-Learning-Algorithmen basiert. Sie ermöglicht es einem Brückenkran, Arbeitsziele in Echtzeit zu erkennen und zu lokalisieren. Herkömmliche Krane sind auf die visuelle Einschätzung des Bedieners angewiesen – ein Verfahren, das ineffizient und mit hohen Sicherheitsrisiken verbunden ist. Mit einem KI-Bildverarbeitungssystem verbessert sich die Positioniergenauigkeit beim Heben von ±100 mm auf ±5 mm, die Zykluszeit verkürzt sich um 35 % und die Zahl der Sicherheitsvorfälle sinkt um 90 %. Die visuelle KI ist heute Standard für automatisierte Krane der Stufen L3/L4 und ein entscheidender Faktor für die Digitalisierung in Branchen wie Metallurgie, Papierherstellung und Hafenlogistik. Die KI-Lösungen von Kelude wurden bereits in mehreren Branchen erfolgreich implementiert.

Kameraauswahl für vier typische Einsatzbereiche

Die unterschiedlichen Bedingungen im Kranbetrieb erfordern eine anwendungsspezifische Kamerawahl. Die folgende Übersicht zeigt geeignete Konzepte für vier typische Szenarien:

YOLOv8 vs. YOLOv10: Algorithmenvergleich für die Kransensorik

Die Wahl des richtigen Erkennungsalgorithmus ist entscheidend für die Leistungsfähigkeit des Systems. YOLOv8 bietet eine ausgewogene Performance mit hoher Geschwindigkeit und guter Genauigkeit und eignet sich besonders für Echtzeitanwendungen. YOLOv10 hingegen optimiert die Effizienz weiter und reduziert die Latenzzeit, was bei hochdynamischen Kranbewegungen von Vorteil ist. Beide Algorithmen unterstützen die Erkennung kleiner Objekte und lassen sich auf der Jetson-Plattform effizient ausführen.

Modelltraining: Vom Datensatz zur robusten Objekterkennung

Ein zuverlässiges KI-Modell erfordert ein strukturiertes Training. Zunächst werden repräsentative Bilddaten aus der realen Kranumgebung erfasst und annotiert. Die Datenqualität ist hierbei entscheidend. Anschließend wird das Modell mit diesen Daten trainiert, wobei Techniken wie Data Augmentation zur Verbesserung der Robustheit beitragen. Die Evaluierung erfolgt anhand von Metriken wie mAP (mean Average Precision) und F1-Score, um eine hohe Erkennungsgenauigkeit im Betrieb sicherzustellen.

Jetson Edge Deployment: Echtzeitfähige Bildverarbeitung am Kran

Die Bereitstellung des trainierten Modells auf einem NVIDIA Jetson-Modul ermöglicht eine latenzarme Bildverarbeitung direkt am Kran. Dies reduziert die Abhängigkeit von einer zentralen Recheneinheit und erhöht die Ausfallsicherheit. Durch die Optimierung mit TensorRT kann die Inferenzgeschwindigkeit deutlich gesteigert werden, was für die Echtzeitsteuerung des Krans unerlässlich ist. Die Integration in bestehende Steuerungssysteme erfolgt über standardisierte Schnittstellen.

Koordinatenkalibrierung: Vom Pixel zur präzisen Kranposition

Die Kalibrierung ist der Schlüssel zur genauen Übertragung der Bildkoordinaten in reale Kranpositionen. Hierbei werden die intrinsischen und extrinsischen Kameraparameter bestimmt, um Verzerrungen zu korrigieren und die Beziehung zwischen Kamerabild und Krankoordinatensystem herzustellen. Eine präzise Kalibrierung gewährleistet, dass die erkannten Objektpositionen exakt in Steuerbefehle umgesetzt werden können, was die Positioniergenauigkeit des gesamten Systems maßgeblich beeinflusst.

Häufige Fragen zur KI-Kranausrüstung

F: Welche Voraussetzungen muss ein bestehender Kran für die Nachrüstung mit KI-Bildverarbeitung erfüllen?
A: Grundsätzlich sind die meisten Brückenkrane nachrüstbar. Wichtig sind eine ausreichende Stromversorgung, freie Montagepunkte für die Kameras sowie eine kompatible Steuerungsschnittstelle. Eine genaue Analyse vor Ort ist empfehlenswert.

F: Wie hoch ist der Integrationsaufwand für ein KI-basiertes Positioniersystem?
A: Der Aufwand variiert je nach Komplexität des bestehenden Systems. In der Regel ist eine Integration innerhalb weniger Tage möglich, inklusive Kalibrierung und Testphase. Unser Team unterstützt Sie bei der Planung und Umsetzung.

F: Kann das System auch bei schlechten Sichtverhältnissen (Staub, Rauch, Dunkelheit) zuverlässig arbeiten?
A: Ja, durch den Einsatz spezieller Kameras mit IR-Beleuchtung oder Wärmebildtechnik sowie entsprechender Filter kann die Erkennung auch unter anspruchsvollen Bedingungen sichergestellt werden. Die genaue Lösung hängt von der jeweiligen Umgebung ab.

Für Aufnahmen aus der Vogelperspektive mit dem Brückenkran (Arbeitsabstand 8–15 m) werden Objektive mit 25–50 mm Brennweite empfohlen. Die Brennweite berechnet sich nach der Formel: f = Sensorbreite × Arbeitsabstand / Sichtfeldbreite. Beispiel: Bei einem Ziel von 1,5 m, einem Abstand von 8 m und einem IMX265-Sensor mit 7,1 mm ergibt sich f = 7,1 × 8000 / 1500 ≈ 38 mm. Hierfür eignen sich Festbrennweiten von 35 oder 50 mm. In Stahlwerksumgebungen ist zusätzlich eine wassergekühlte Schutzhaube erforderlich; die Kamera sollte mindestens der Schutzklasse IP65 entsprechen.

Objekterkennung mit YOLOv8/v10 im Brückenkran-Einsatz

Die Objekterkennung ist eine Deep-Learning-Technik zur Lokalisierung und Klassifizierung von Objekten in Bilddaten und bildet die zentrale Entscheidungseinheit des Kran-Vision-Systems. Die folgenden Messwerte vergleichen gängige Algorithmen auf GPU- und Jetson-Edge-Geräten:

Projektempfehlung: Für die Standard-Lastenerkennung wird YOLOv10n auf einem Jetson Orin NX eingesetzt und erreicht über 60 fps. Für die präzise Positionierung des Anschlagmittels wird YOLOv8s mit PnP-Positionsschätzung verwendet, das 6-Freiheitsgrad-Parameter ausgibt. Für die Sicherheitsüberwachung kommt YOLOv8n mit ByteTrack zur Mehrpersonenverfolgung zum Einsatz. Die QR-Code-Erkennung nutzt eine kombinierte Lösung aus OpenCV ArUco und YOLOv8. Für das Training empfiehlt sich eine Datenverteilung von 80 % Draufsicht und 20 % Seitenaufnahme, die verschiedene Bedingungen wie Tageslicht, Nacht und starke Beleuchtung abdeckt.

Trainingsablauf und Koordinatenkalibrierung für das Vision-Modell

Bei hochpräzisen Vision-Modellen entfallen 70 % des Aufwands auf die Datenvorbereitung. Datenanforderungen: Mindestens 500 Originalbilder pro Klasse, annotiert im PascalVOC- oder COCO-Format. Die Augmentierungsstrategie muss auf die Brückenkran-Umgebung abgestimmt sein – große Drehwinkel sind zu deaktivieren (feste Draufsicht), während Mosaic-Augmentierung (Simulation von Stapelgut) und HSV-Helligkeitsanpassung (starke Beleuchtungsschwankungen im Stahlwerk) verstärkt werden. Empfohlene Konfiguration: Mosaic=1.0, Mixup=0.1, HSV-Helligkeit=0.4.

Trainingsparameter: Eingabe 640×640, 200 Epochen, batch=32, lr=0.001 auf einer einzelnen RTX 4090. Erst bei mAP50 ≥ 90 % ist das Modell einsatzbereit. Nach der Konvertierung zu TensorRT mit INT8-Quantisierung schrumpft das Modell auf ein Viertel seiner Größe, die Inferenzlatenz auf dem Jetson liegt unter 10 ms.

Koordinatenkalibrierung: Pixelkoordinaten werden über eine Hand-Auge-Kalibrierung in das Weltkoordinatensystem des Brückenkrans überführt. Mithilfe eines Schachbrettmusters wird die starre Transformationsmatrix zwischen Kamera und Kran ermittelt. Die Kalibriergenauigkeit beeinflusst direkt die Greiferfolgsrate. Eine Neukalibrierung wird vierteljährlich empfohlen, um Drift durch Kranvibrationen zu kompensieren.

Edge-Deployment-Architektur und technische Kernpunkte

Jeder Brückenkran ist mit einem Jetson Orin NX (ca. 5.000 €) für die Echtzeit-Inferenz ausgestattet. Ein zentraler Server in der Werkstatt aggregiert die Daten mehrerer Krane für Modell-Updates.

Deployment-Ablauf: ① Kamera an der Unterseite der Laufkatze oder oberhalb des Anschlagmittels montieren ② Gemeinsame Kalibrierung von intrinsischen und extrinsischen Parametern ③ Konvertierung PyTorch → ONNX → TensorRT (INT8-Quantisierung mit ≤ 2 % Genauigkeitsverlust) ④ Ausgabe der Positionierungsdaten an die SPS über MQTT/Modbus TCP ⑤ Inkrementelle OTA-Updates nach Erfassung neuer Daten. In Kombination mit dem AI Predictive-Maintenance-System kann das Modell bereits am Edge eine erste Fehlerdiagnose durchführen.

Häufige Fallstricke: ① Unzureichender Schutz – Vibrationen und Staub am Kran führen zu Kameralockerung oder Verschmutzung. Empfohlen werden Schutzart IP67 und eine schwingungsdämpfende Halterung. ② Überbelichtung durch Lichtbogen – beim Schweißen im Stahlwerk HDR oder dynamische Belichtungsstrategie aktivieren, Belichtungszeit im Bereich von 1–5 ms halten. ③ Kalibrierdrift – vierteljährliche Schnellprüfung mit ArUco-Markern, bei Abweichungen über 3 mm ist eine Neukalibrierung erforderlich.

Vorteile der KI-Vision-Lösung von Kelude Schwerindustrie

Kelude Schwerindustrie hat über 30 KI-Vision-Systeme für unbemannte Brückenkrane ausgeliefert, die in Stahlwerken, Aluminiumwerken, Papierfabriken und Häfen im Einsatz sind. Wir bieten einen Komplettservice von der Auswahl über das Training bis zur Inbetriebnahme und unterstützen Automatisierungsgrade von L3 bis L4. Die MTBF liegt bei über 5.000 Stunden. Eine kostenlose Vor-Ort-Besichtigung und ein ROI-Bewertungsbericht sind auf Anfrage erhältlich.

Häufig gestellte Fragen (FAQ)

Welche Funktionen kann die KI-Visionserkennung an einem Kran übernehmen?

Die KI-Visionserkennung wird hauptsächlich in vier Bereichen eingesetzt: Erkennung und Positionierung von Lasten, präzises Ansetzen des Anschlagmittels (±5 mm), Personenerkennung im Sicherheitsbereich sowie QR-Code-/Kennzeichnungserkennung. Nach der Implementierung verbessert sich die Positioniergenauigkeit von ±100 mm auf ±5 mm.

Welche Kamera ist für das Vision-System am Brückenkran geeignet?

Je nach Anwendung: Für die Lasterkennung empfehlen wir die Basler acA1300 mit Intel D435 (ca. 6.500 €); für präzises Ansetzen die Basler acA2500 mit 3D-Strukturlicht (ca. 18.000 €); für die Sicherheitsüberwachung den Banner iVu mit SICK-Radar (ca. 28.000 €); für Hochtemperaturbereiche im Stahlwerk die Optris PI 640 Wärmebildkamera mit Kühlung (ca. 20.000 €).

Ist YOLOv8 oder YOLOv10 besser für den Brückenkran-Einsatz geeignet?

YOLOv10n erreicht eine Inferenzgeschwindigkeit von 1,1 ms (GPU) bzw. 7 ms (Jetson) und ist damit schneller als YOLOv8n mit 1,2 ms bzw. 8 ms. Zudem liegt die mAP-Genauigkeit bei 43,5 % gegenüber 42,0 % bei v8n, und das Modell ist mit nur 5,5 MB deutlich kompakter – die bevorzugte Wahl für Edge-Deployments.

Relevante Normen: GB/T 28264-2012 – Sicherheitsüberwachungs- und Managementsystem für Hebezeuge, ISO 10218 – Sicherheitsanforderungen für Industrieroboter, IEC 62443 – IT-Sicherheit für industrielle Kommunikationsnetze

Schlüsselbegriffe: KI-Visionserkennung, Intelligenter Kran, unbemannter Brückenkran, YOLOv8-Objekterkennung, maschinelles Sehen am Brückenkran, Kran-Umbau mit intelligenter Technologie, Kelude Schwerindustrie