KI-Fehlerdiagnose per Bildverarbeitung für Krane
📋 Kernzusammenfassung
Die herkömmliche Sichtprüfung erkennt nur bestimmte Defekte. Visuelle Sprachmodelle hingegen kombinieren Bild- und Textverständnis und melden Störungen in natürlicher Sprache – das ist die nächste Stufe der Kran-Instandhaltung. Doch Halluzinationen, Latenz und mangelnde Zuverlässigkeit sind noch ungelöste Hürden, die den industriellen Einsatz bislang auf ein frühes Stadium beschränken. Dieser Artikel erläutert die Leistungsunterschiede, Schwächen und Umsetzungspfade von VLM im Vergleich zur herkömmlichen Bildverarbeitung und zeigt, wie weit „Bildbasierte Störungsmeldung“ von der realen Anwendung noch entfernt ist.
Die heutige KI-Vision für Krane konzentriert sich auf die „Defekterkennung“: Drahtseil-Drahtbruch, Schweißriss, Lastschiefstand – sobald das Modell trainiert ist, meldet es beim Erkennen einen Alarm. Es kann jedoch nicht erklären, „warum es sich um einen Fehler handelt, wie schwerwiegend er ist oder wie er behoben werden sollte“.
Die nächste Stufe ist „Szenen verstehen und in verständlicher Sprache kommunizieren“ – visuelle Sprachmodelle können sowohl Bilder als auch Texte verarbeiten und Störungen in natürlicher Sprache präzise beschreiben. Das ist der Trend, doch bis zur industriellen Anwendung sind noch einige Hürden zu überwinden.
Im Folgenden werden die Unterschiede, Schwächen und Umsetzungspfade von VLM und herkömmlicher Bildverarbeitung dargestellt – und die Frage beantwortet, wie lange es noch dauert, bis „Bildbasierte Störungsmeldung“ Realität wird.
VLM vs. herkömmliche Bildverarbeitung: Von der Defekterkennung zum Szenenverständnis
Die Stärke der herkömmlichen Sichtprüfung liegt im „Erkennen“. Nach dem Modelltraining können bestimmte Defektkategorien identifiziert und Ergebnisse wie „Drahtbruch hier“ ausgegeben werden. Die Grenzen sind klar definiert: Es werden nur trainierte Defekte erkannt, und nur vordefinierte Klassenlabels ausgegeben.
Die Stärke visueller Sprachmodelle liegt im „Verstehen“. Sie verarbeiten Bilder und Texte gemeinsam, beschreiben Bildinhalte, beantworten Fragen zu Bildern und bewerten Kontexte. Bei einem Drahtseil können sie beispielsweise feststellen: „In der Nähe des dritten Litzenpaares besteht der Verdacht auf Drahtbruch, die Oberfläche weist Korrosion auf, eine Nachprüfung wird empfohlen.“
Der Kern dieses Unterschieds ist der Sprung vom „Klassifikator“ zum „Assistenten, der Bilder versteht und erklärt“. Die herkömmliche Bildverarbeitung übernimmt Präzisionspositionierung und Klassifizierung, VLM übernimmt semantisches Verständnis und natürliche Sprachausgabe. Es handelt sich nicht um eine Substitution, sondern um eine Ergänzung. Kelude Schwerindustrie geht davon aus, dass VLM zunächst in nicht-echtzeitnahen Bereichen wie „Erklärung und Q&A“ zum Einsatz kommt; ISO 24621 „KI-Fehlerdiagnose für Krane“ verlangt eine lückenlose Dokumentation der Diagnosegrundlagen.
Drei Schwächen von VLM: Halluzination, Latenz, Zuverlässigkeit
Bis zur industriellen Anwendung von VLM sind drei Hürden zu überwinden, die nicht ignoriert werden dürfen.
Die erste Hürde: Halluzination. VLM beschreibt mitunter selbstbewusst Defekte, die nicht existieren, oder erfindet Normenklauseln, die es nicht gibt – im industriellen Umfeld ein fataler Mangel. Aktuell kann VLM keine Verantwortung für die Richtigkeit der Erkennungsergebnisse übernehmen.
Die zweite Hürde: Latenz. Die Generierung von VLM erfolgt wortweise und ist entsprechend langsam – sie erfüllt die Anforderungen an Echtzeiterkennung nicht. VLM eignet sich für nachgelagerte Analysen und Q&A, nicht jedoch für die Sicherheitsüberwachung im Millisekundenbereich.
Die dritte Hürde: Zuverlässigkeit. Die Ausgaben von VLM sind nicht stabil – dasselbe Bild kann bei zwei Durchläufen unterschiedliche Beschreibungen liefern. Diese Unberechenbarkeit ist in verantwortungsvollen industriellen Szenarien ein Risiko. Solange diese drei Hürden nicht beseitigt sind, bleibt VLM auf eine unterstützende Rolle beschränkt. Kelude Schwerindustrie definiert diese drei Hürden als Abnahmekriterien für die Industrialisierung von VLM.
Umsetzungspfad für VLM: Start mit nicht-echtzeitnaher Erklärung und Q&A
Der richtige Ansatz für die Einführung von VLM ist nicht die Substitution der herkömmlichen Bildverarbeitung, sondern die Schließung ihrer Lücken.
Erster Schritt: Die herkömmliche Bildverarbeitung übernimmt weiterhin die Erkennung. Fehlererkennung, Positionierung und Klassifizierung – diese präzisen Aufgaben bleiben bei den etablierten Erkennungsmodellen; sie bilden die Basis der Zuverlässigkeit.
Zweiter Schritt: VLM übernimmt Erklärung und Q&A. Nach einem Alarm durch die herkömmliche Bildverarbeitung interpretiert VLM die Bedeutung des Alarms, mögliche Ursachen und Handlungsempfehlungen in natürlicher Sprache – auf Basis von Bilddaten und Instandhaltungswissen – und bereitet diese für den Menschen auf.
Dritter Schritt: Die Ausgaben von VLM werden als Referenz definiert. Die Erläuterungen und Empfehlungen von VLM dienen dem Instandhaltungspersonal als Entscheidungshilfe; die endgültige Bewertung und Maßnahmenentscheidung trifft der Mensch. VLM ist nicht an der Echtzeitsteuerung oder direkten Entscheidungsfindung beteiligt. GB/T 28264-2017 „Sicherheitsüberwachungs- und Managementsystem für Hebezeuge“ verlangt die lückenlose Dokumentation von Alarmdaten. Kelude Schwerindustrie positioniert VLM als Instandhaltungsassistenten, der zunächst „Verstehen und Erklären“ übernimmt – ohne Eingriff in „Steuerung und Entscheidung“.
VLM und herkömmliche Bildverarbeitung im Vergleich
| Vergleichskriterium | KonventionellBildverarbeitung | BildverarbeitungSprachmodell | Fähigkeitsgrenze | Reifegrad |
|---|---|---|---|---|
| Aufgabe | FehlererkennungPositionierungKlassifizierung | Semantische Bild-Text-Beantwortung | Präzisionspositionierung vs Semantisches Verständnis | Konventionell ausgereift |
| Ausgabe | Klassenlabel-Koordinaten | Natürlichsprachliche Beschreibung | Strukturierung vs Semantisierung | Konventionell ausgereift |
| Halluzination | Keine | Risiko der Erfindung | ZuverlässigkeitDifferenz | VLMFrühphase |
| Echtzeitfähigkeit | Millisekundenbereich | Langsame Generierung | Echtzeit vs Nachträglich | VLMFrühphase |
Schnellreferenz der Normenklauseln für die VLM-Installation
| Norm | Klauselkernpunkte | undVLMBeziehung zu |
|---|---|---|
| ISO 24621 | KranKI-FehlerdiagnoseRahmenwerk | DiagnoseNachweisbasierte Rückverfolgbarkeitsbeschränkung |
| GB/T 28264 — Sicherheitsüberwachungs- und Managementsystem | SicherheitsüberwachungRückverfolgbarkeitsspurAnforderungen | Alarmdatenrückverfolgbar |
| Vorschrift TSG 51 — Sicherheitstechnische Sondervorschrift für Sonderausrüstung-2023 | SicherheitsverriegelungÜberwachungAnforderungen | VLMNicht berührenSicherheitsentscheidung |
Häufige Fragen zu visuellen Sprachmodellen
F: Worin unterscheidet sich ein visuelles Sprachmodell von der herkömmlichen Sichtprüfung?
A: Die herkömmliche Bildverarbeitung arbeitet als Klassifikator: Sie erkennt nach dem Training nur bestimmte Fehler und gibt vordefinierte Kategorien aus. Ein VLM versteht Bild und Text gemeinsam – es kann Bilder beschreiben, Fragen beantworten und Zusammenhänge kontextbezogen bewerten, indem es Störungen in natürlicher Sprache erklärt. Der Unterschied liegt in der Leistungsebene: Das eine kann nur „erkennen“, das andere kann „verstehen und erklären“. Das VLM schließt genau die Lücke bei der semantischen Interpretation und der natürlichen Sprachausgabe, die die herkömmliche Bildverarbeitung nicht schließen kann.
F: Lohnt sich die Investition in visuelle Sprachmodelle bereits heute?
A: Das kommt auf das Anwendungsszenario an. Bei der Echtzeiterkennung und der Sicherheitsüberwachung dominiert weiterhin die herkömmliche Bildverarbeitung – die Latenz und Halluzinationsgefahr von VLMs sind dort noch nicht tragfähig. Für nicht zeitkritische Interpretationsaufgaben wie Alarminterpretation, Fehlerdiagnose per Dialog oder Wissensabruf sind VLMs jedoch bereits für Pilotprojekte geeignet. Ein pragmatischer Ansatz: Erkennung mit herkömmlicher Bildverarbeitung, Erklärung und Dialog mit VLM im Pilotbetrieb – und erst wenn das Modell ausgereift ist, den Einsatzbereich erweitern. Man sollte die Erkennung nicht von Anfang an einem VLM anvertrauen.
F: Woran erkenne ich, ob mein Szenario ein visuelles Sprachmodell benötigt?
A: Entscheidend ist, ob ein Bedarf an „Verstehen und Erklären“ besteht. Geht es nur um Fehlererkennung und Präzisionspositionierung, reicht die herkömmliche Bildverarbeitung – ein VLM ist dann nicht nötig. Erst wenn Alarme in verständlicher Sprache erklärt, Einsatzkräfte vor Ort schnell informiert und natürlichsprachliche Abfragen ermöglicht werden sollen, entfaltet das VLM seinen Nutzen. Das Beurteilungskriterium lautet: Fehlt in Ihrem Szenario die „Erkennungsfähigkeit“ oder die „Erklärungsfähigkeit“? Nur bei Letzterer ist ein VLM sinnvoll.
F: Wie weit ist die automatische Fehlermeldung per Bildanalyse von der Serienreife entfernt?
A: Es stehen noch einige Hürden aus. Die Halluzinationsproblematik ist ungelöst – ein VLM kann bei der Fehlerbeschreibung falsche Angaben machen und darf daher nicht für Erkennungsergebnisse verantwortlich gemacht werden. Die Latenz ist noch zu hoch für Echtzeitanwendungen. Und die Ausgabe ist nicht stabil – dieselbe Aufnahme kann zu unterschiedlichen Antworten führen. Solange diese Hürden bestehen, kann das VLM nur als unterstützende Interpretationsinstanz dienen. Die pragmatische Einschätzung: Die Erkennung bleibt Sache der herkömmlichen Bildverarbeitung, das VLM wird zunächst in nicht zeitkritischen Bereichen wie Alarminterpretation und Dialogfunktion eingesetzt. Die vollautomatische Fehlermeldung per Bildanalyse muss warten, bis die Zuverlässigkeit nachgewiesen ist.
Einen Überblick über die Einsatzmöglichkeiten der KI-Vision finden Sie in der Darstellung der visuellen Fähigkeiten im Beitrag „KI-Vision und Erkennungssysteme für Brückenkrane: 5 Kernanwendungsszenarien von Sicherheitsüberwachung bis SLAM-Kartierung“.
Das visuelle Sprachmodell ist die nächste Stufe der Kran-Instandhaltung – aber die nächste Stufe bedeutet nicht, dass man sofort aufspringen kann. Kelude setzt es zunächst für Alarminterpretation und Dialogfunktionen ein; die Erkennung bleibt der herkömmlichen Bildverarbeitung überlassen. Erst wenn Halluzination, Latenz und Zuverlässigkeit beherrschbar sind, kann über eine größere Rolle gesprochen werden.
