KI-Vision für Brückenkrane: 5 Kernanwendungen
KI-Vision und Erkennungssysteme für Brückenkrane im Überblick: 5 Kernanwendungen von der Sicherheitsüberwachung bis zur SLAM-Kartierung. KI-basierte Vision- und Erkennungstechnologie für Brückenkrane verändert die Arbeitsweise in der Schwerindustrie grundlegend – von Sicherheitsüberwachung und Lastpositionierung bis hin zu Zustandsüberwachung und Umgebungskartierung. Deep-Learning-Vision deckt heute jeden kritischen Bereich der Brückenkran-Intelligenz ab. Kelude hat auf Basis der NVIDIA Jetson Orin NX Edge-Computing-Plattform und des YOLOv8-Frameworks fünf Kernanwendungen systematisch implementiert.
KI-Vision und Erkennungstechnologie für Brückenkrane verändern die Arbeitsweise in der Schwerindustrie grundlegend – von Sicherheitsüberwachung und Lastpositionierung bis hin zu Zustandsüberwachung der Anlagen und Umgebungskartierung. Deep-Learning-Vision deckt heute jeden kritischen Bereich der Brückenkran-Intelligenz ab. Kelude hat auf Basis der NVIDIA Jetson Orin NX Edge-Computing-Plattform und des YOLOv8-Objekterkennungsframeworks ein umfassendes KI-Visionssystem für den gesamten Brückenkran-Betrieb aufgebaut. Dieser Artikel dient als zentrale Einführung in die Beitragsreihe „KI-Vision und Erkennungssysteme für Brückenkrane“ und bietet einen vollständigen Überblick über die technischen Architekturen, Bereitstellungskonzepte und Auswahlempfehlungen der fünf Kernanwendungen – als praxisorientierter Technologieleitfaden für die intelligente Aufrüstung von Brückenkranen.
| Laufnummer | Einsatzszenario | Kernalgorithmus | GenauigkeitKennwert | Hardwareplattform | ZugehörigNorm |
|---|---|---|---|---|---|
| 1 | AIVisuelle Sicherheit Erfassung | YOLOv8sPersonalErkennung | mAP≥95% | Jetson Orin NX | GB/T 28264 — Sicherheitsüberwachungs- und Managementsystem-2017 |
| 2 | Vision-basierte Lastpositionierung | YOLOv8s + Koordinatentransformation | ±5mm | Jetson Orin NX | JB/T 1306-2008 |
| 3 | Drahtseil AIErkennung | YOLOv8s+EfficientNet-B4 | mAP≥93% | Jetson Orin NX | GB/T 5972-2016 |
| 4 | Schweißnaht AIErkennung | YOLOv8s-weld | mAP≥94% | Jetson AGX Orin | GB/T 3323-2005 |
| 5 | Vision-SLAM-Kartenerstellung und -Positionierung | ORB-SLAM3/VINS-Mono | ±10cm | Jetson Orin/AGX | Norm DIN 15018 |
Entwicklung der KI-Visionstechnologie für Brückenkrane
In Schlüsselindustrien wie Metallurgie, Schiffbau, Schwermaschinenbau und der Fertigung von Anlagen für neue Energien sind Brückenkrane das logistische Herzstück der Werkstatt. Sie bestimmen maßgeblich Produktionseffizienz und Sicherheitsniveau. Der konventionelle Kranbetrieb stützt sich auf die visuelle Beurteilung des Kranführers, die Sprachkommunikation mit dem Bodenpersonal und regelmäßige manuelle Inspektionen bei Stillstand – ein Modell, das angesichts steigender Produktionskapazitäten, wachsender Personalkosten und strengerer Sicherheitsvorschriften zunehmend an seine Grenzen stößt.
Die Reife industrieller KI-Visionstechnologie, insbesondere von Deep-Learning-Frameworks zur Objekterkennung, eröffnet einen kostengünstigen und ertragreichen Weg zur Kranintelligenz. Im Gegensatz zu herkömmlichen Sensorlösungen wie Gray-Code-Bus, Laser-Entfernungsmessung oder Encodern nutzt ein KI-Visionssystem Industriekameras als zentrale Sensoren. Es benötigt keine Infrastruktur entlang der Kranbahn und ermöglicht dennoch Personensicherheitsüberwachung, Lastpositionierung, Fehlererkennung an Anlagen und Umgebungskartierung. Auf Basis einer einheitlichen Edge-Computing-Hardwareplattform (NVIDIA Jetson-Serie) und eines einheitlichen Algorithmus-Frameworks (YOLOv8-Serie) lässt sich das KI-Visionssystem modular und schrittweise einsetzen – beginnend mit den kritischsten Sicherheitsanwendungen bis hin zum vollständig intelligenten Kran in allen Szenarien.
Das von Kelude Schwerindustrie entwickelte KI-Visions- und Inspektionssystem für Brückenkrane deckt fünf zentrale Anwendungsszenarien ab: Sicherheitsüberwachung, Lastpositionierung, Drahtseilprüfung, Schweißnahtprüfung und visuelle SLAM-Kartierung und -Positionierung. Diese fünf Szenarien bilden aus den Dimensionen Mensch (Sicherheit), Last (Handhabung), Maschine (Anlagengesundheit), Struktur (Inspektion metallischer Komponenten) und Position (Umgebungserfassung) die vollständige Kompetenzmatrix der Kran-KI-Vision. Nachfolgend werden die einzelnen Szenarien detailliert erläutert.
KI-basierte Sicherheitsüberwachung: Zutrittserkennung und Kollisionsschutz im Kranbetrieb
Die Personensicherheit beim Kranhub ist die oberste Priorität des Sicherheitsmanagements in der Werkstatt. Gemäß GB/T 28264-2017 – Sicherheitsüberwachungs- und Managementsystem für Hebezeuge – muss ein Kran über die Fähigkeit zur aktiven Erkennung und Reaktion auf Gefahrenzustände im Lastbereich verfügen. Herkömmliche Sicherheitskonzepte – physische Absperrungen, Sicherheitstürschlösser und manuelle Überwachung – beruhen auf passiver Isolierung und menschlicher Aufmerksamkeit und weisen in dynamischen, komplexen Hubumgebungen erhebliche Schutzlücken auf.
Das KI-Visions-Sicherheitsüberwachungssystem für Brückenkrane von Kelude Schwerindustrie installiert je eine industrielle KI-Kamera an beiden Seiten der Endträger sowie eine unterhalb der Laufkatze – eine dreifach redundante Abdeckung des Lastbereichs. Die Kameras erfassen Echtzeitbilder in 1080P bei 30fps und übertragen diese über Gigabit-Ethernet an das Jetson-Orin-NX-Edge-Computing-Modul (Rechenleistung 100 TOPS). Das auf der Jetson-Plattform laufende YOLOv8s-Objektmodell führt pro Bild eine Personenerkennung durch; die Inferenzlatenz pro Frame liegt unter 15 ms, die Ende-zu-Ende-Reaktionszeit unter 100 ms.
<3 m) löst einen STO-Notstopp (Safe Torque Off) aus. Bei normalen Lichtverhältnissen (500 Lux) erreicht die Personenerkennung eine mAP von ≥95 %, bei schwachem Licht (50 Lux mit Infrarot-Zusatzbeleuchtung) ≥90 %. Die redundante Drei-Kamera-Anordnung gewährleistet, dass jede Person am Boden von mindestens zwei Kameras gleichzeitig erfasst wird, wodurch das Risiko von Fehlerkennungen durch Einzelwinkel-Verschattung eliminiert wird. Bei mehreren Kränen auf derselben Kranbahn wird ein zeitversetztes Frequenz-Beleuchtungskonzept eingesetzt; die Fehlauslöserate bei drei Kränen auf einer Bahn liegt unter 0,1 Ereignissen pro Stunde. Weitere Details finden Sie in der Die zentrale Sicherheitslogik des Systems basiert auf einer dreistufigen Alarmstrategie – die gelbe Warnzone (5–8 m) löst einen akustischen und optischen Alarm sowie eine Verzögerung ausustischen und optischen Alarm sowie eine Verzögerung aus, die orange Gefahrenzone (3–5 m) bewirkt eine Notverzögerung und Sprachwarnung zur Vertreibung, und die rote Gefahrenzone (Fachpublikation „KI-basierte Sicherheitsüberwachung für Brückenkrane: Zutrittserkennung im Gefahrenbereich und Kollisionsschutz in der Praxis“.
Visuelle Lastidentifikation und präzises Positionierungssystem für Krane
Das präzise Positionieren von Lasten – etwa das exakte Ablegen von Stahlcoils, Stahlblechen, Großanlagen oder Formen an vorgegebenen Stellen – ist ein entscheidender Engpass für die Produktionseffizienz in der Werkstatt. Herkömmliche Verfahren beruhen auf der Sichtprüfung des Kranführers in Abstimmung mit dem Bodenpersonal; die Positioniergenauigkeit hängt stark von der Fahrerfahrung und den Sichtverhältnissen ab, sodass häufig mehrere Korrekturzyklen erforderlich sind. Mit der zunehmenden Verbreitung des „Endlos-Gießwalzprozesses“ in der Stahlindustrie und den steigenden Anforderungen an die Präzisionsmontage in der Fertigung von Anlagen für neue Energien genügt das manuelle Positionieren nicht mehr den Anforderungen moderner Produktionstakte.
Das visuelle Identifikations- und Präzisionspositionierungssystem für Kranlasten verwendet eine vierschichtige Architektur (Erfassungsebene – Inferenzebene – Transformationsebene – Steuerungsebene), die einen vollständigen Regelkreis von der Bilderfassung bis zur automatischen Positionierung bildet. Die Erfassungsebene nutzt Industriekameras von Hikvision oder Basler (5–20 MP, GigE-Vision-Schnittstelle), ergänzt durch LED-Stroboskopbeleuchtung zur Kompensation schwankender Lichtverhältnisse in der Werkstatt. In der Inferenzebene erkennt das YOLOv8s-Modell vier Lastkategorien – Stahlcoil, Stahlblech, Ausrüstung und Form – in Echtzeit mit einer mAP@0.5 von 0,962 und einer Inferenzzeit von 12–18 ms pro Frame (TensorRT-FP16-Optimierung).
Der Kern der Positionierung liegt in der Koordinatentransformationsebene: Über vorab kalibrierte Kameraintrinsics und eine Perspektivtransformationsmatrix werden die vom YOLOv8-Modell ausgegebenen Pixelkoordinaten in Weltkoordinaten der Bodenebene (in mm) umgerechnet. Die Transformation verwendet bilineare Interpolation und Subpixel-Optimierung und erreicht eine Positioniergenauigkeit von ±5 mm. Die Steuerungsebene überträgt die Abweichung über ein PROFINET-Gateway an eine Siemens-S7-1200/1500-SPS, die Bewegungsbefehle für Kranbrücke, Laufkatze und Hubwerk generiert. Die Ende-zu-Ende-Verarbeitungsverzögerung des Systems bleibt unter 100 ms und erfüllt damit die Echtzeit-Steuerungsanforderungen für den Kranbetrieb bei niedrigen Geschwindigkeiten (≤20 m/min). Weitere Details finden Sie in der Fachpublikation „Visuelle Identifikation und Präzisionspositionierung für Kranlasten: YOLOv8-basierte Lasterkennung und visuell geführte Positionierung in der Praxis“.
KI-basierte Online-Drahtseilprüfung für Brückenkrane
Das Drahtseil ist das kritischste tragende Bauteil eines Krans; sein Zustand hat direkten Einfluss auf die Sicherheit von Anlagen und Personal. Gemäß GB/T 5972-2016 – Krane – Drahtseile – Wartung, Instandhaltung, Prüfung und Außerbetriebnahme sowie TSG Q7015-2016 – Regeln für die wiederkehrende Inspektion von Hebezeugen – müssen Drahtseile regelmäßig auf Drahtbrüche, Verschleiß, Korrosion und Verformung geprüft werden. Die herkömmliche manuelle Sichtprüfung (VT) ist stark von der Erfahrung des Prüfers abhängig und weist grundlegende Probleme auf: viele tote Winkel, uneinheitliche Bewertungsmaßstäbe und keine Möglichkeit zur Echtzeit-Warnung.
Das KI-basierte Online-Drahtseilprüfsystem für Brückenkrane verwendet ein koordiniertes Multi-Kamera-Konzept: Eine Überkopfkamera erfasst den oberen, fest eingespannten Seilabschnitt, eine Seitenkamera überwacht den freien Seilbereich in der Mitte, und eine Unterkamera ist auf den unteren Seilendbereich sowie die Hakenflaschenrolle ausgerichtet. Die Erfassungsebene nutzt CMOS-Sensoren mit Global Shutter (bis zu 200fps); die LED-Stroboskopbeleuchtung ermöglicht Pulsbreiten bis in den Mikrosekundenbereich. In der Inferenzebene läuft ein verbessertes YOLOv8s-Modell (mit DCNv4-deformierbaren Faltungen und Coordinate-Attention-Mechanismus), das die drei Hauptfehlerkategorien Drahtbruch, Verschleiß und Korrosion in Echtzeit erkennt und eine kombinierte mAP von ≥0,93 erreicht.
In der Analyseebene führt das System eine sekundäre Feinklassifizierung von 11 Defektuntertypen (lokale Drahtbrüche, konzentrierte Drahtbrüche, gleichmäßiger Verschleiß, lokaler Verschleiß, Lochfraßkorrosion, gleichmäßige Korrosion, Wellenverformung, Laternenverformung, Seildurchmesser-Reduzierung, unzureichende Schmierung, Fremdkörperanhaftung) mittels des EfficientNet-B4-Backbone-Netzwerks durch, mit einer Klassifizierungsgenauigkeit von ≥95 %. Die Defekte werden je nach Schweregrad in vier Stufen (Grade 0–3) eingeteilt; ab mittlerem Schweregrad wird automatisch ein Alarm ausgelöst. Die Alarmschicht ist in das PHM-System für vorausschauende Instandhaltung und das CMMS-Computer-Maintenance-Management-System integriert. Die durchschnittliche Reaktionszeit von der Erkennung bis zur Erstellung eines Arbeitsauftrags beträgt nicht mehr als 30 Sekunden. Die multispektrale Fusionsstrategie (RGB+NIR) verbessert die Erkennungsrate (Recall) für Korrosionsdefekte um 12,7 %. Details finden Sie unter „KI-basiertes Online-Inspektionssystem für Kranseile: Praxis der Defekterkennung (Drahtbruch/Verschleiß/Korrosion) mittels Deep Learning“.
KI-Inspektionssystem für Kranbahnschienen und Hauptträger-Schweißnähte
Die Stumpfnähte der Kranbahnschienen und die Kehlnähte des Hauptträgers sind die Schwachstellen der gesamten Metallstruktur – Schweißnähte, die dauerhaft Wechsellasten, schweren Stoßbelastungen und Umwelteinflüssen ausgesetzt sind, können bei unentdeckten Rissen oder mangelhafter Durchschweißung zu katastrophalem Strukturversagen führen. Die KI-basierte Erkennung von Schweißnahtfehlern steht vor erheblichen technischen Herausforderungen: Die Rissbreite beträgt nur 0,05–0,3 mm, was ein typisches Problem der Erkennung kleiner Objekte darstellt; zudem weisen Schweißnahtoberflächen starke Störhintergründe wie Schlacke, Spritzer und Zunder auf.
Das KI-Inspektionssystem für Kranbahnschienen und Hauptträger-Schweißnähte verwendet eine Drei-Formen-Architektur – AGV-Inspektionsfahrzeug (automatisierte Inspektion großer Schienenabschnitte), Handprüfgerät (für enge Räume und Kopfträger-Kehlnähte) und stationärer Prüfstand (für die Montage- und Schweißstation des Hauptträgers) – alle drei Formen nutzen einen gemeinsamen Software-Stack. Die Wahrnehmungsebene ist mit zwei Industriekameras (Global-Shutter-Weitwinkel + Makro), strukturierter Ringlicht-Beleuchtung und einem Laser-Konturscanner (zur Erfassung der 3D-Kontur der Schweißnaht) ausgestattet.
In der Inferenzebene wird das Modell YOLOv8s-weld eingesetzt – basierend auf YOLOv8s, optimiert durch Pruning und erweitert um einen Detektionskopf für kleine Objekte, speziell für Schweißnahtdefekte entwickelt. Auf einem Jetson AGX Orin erreicht es eine Inferenzzeit von ≤15 ms pro Bild (≥60 FPS). Das System erkennt in Echtzeit fünf Defektkategorien: Risse (längs, quer, Krater), unzureichende Durchschweißung, Poren, Schlackeneinschluss und Einbrandkerbe, mit einer Gesamt-mAP von ≥0,94. Die Bewertungsebene greift automatisch auf die Qualitätsnorm GB/T 3323-2020 („Durchstrahlungsprüfung von Schmelzschweißverbindungen“) zu und gibt eine Qualitätsbewertung der Stufen I–IV sowie Nacharbeitsempfehlungen aus. Die abgedeckten Schweißnahttypen umfassen die drei typischen Kran-Schweißkonstruktionen: V-Naht-Stumpfschweißung für QU70/80/100-Schienen, Doppelkehlnaht am Hauptträger und Mischschweißnaht am Kopfträger. Details finden Sie unter „KI-Inspektionssystem für Kranbahnschienen und Hauptträger-Schweißnähte: Praxis der Defekterkennung (Riss/Durchschweißung/Pore) mittels Deep Learning“.
Visuelles SLAM-System zur Umgebungskartierung und Positionierung für Brückenkrane
Eine der größten Herausforderungen für den Vollautomatischen Betrieb von Brückenkranen ist die zuverlässige und präzise globale Positionierung in Werkshallen ohne GPS-Empfang. Herkömmliche Verfahren – Laser-Entfernungsmesser (stark anfällig für Staub), Gray-Code-Bus (hohe Installations- und Wartungskosten) und Encoder (Drift durch Radschlupf) – liefern nur eindimensionale oder zweidimensionale Positionsdaten und können die räumliche Lage (6 Freiheitsgrade) des Krans nicht erfassen.
Das visuelle SLAM-System zur Umgebungskartierung und Positionierung für Brückenkrane kombiniert die beiden Open-Source-Frameworks ORB-SLAM3 und VINS-Mono. Mit Mono-/Stereo-Kameras und einer 6-Achsen-IMU als Sensoren wird gleichzeitig die 6-DOF-Pose des Krans geschätzt und eine sparse/dense Karte der unbekannten Werkshalle erstellt. Die Merkmalsextraktion ist an die Kranumgebung angepasst (nFeatures von 1200 auf 2000 erhöht, iniThFAST von 20 auf 12 gesenkt) und führt LSD-Liniensegment-Merkmale als zusätzliche Matching-Ebene ein, wodurch die Merkmalsübereinstimmungsrate von 35 % auf 52 % steigt.
Technischer Vergleich und Auswahlleitfaden für die fünf Systeme
Die fünf Systeme unterscheiden sich in Technologie-Stack, Leistungskennwerten und Hardwarekosten. Die Auswahl für die tatsächliche Implementierung muss auf Basis der Kranbetriebsbedingungen, der Werkshallenumgebung und der Wartungsanforderungen getroffen werden. Die folgende Tabelle vergleicht die Systeme anhand der wichtigsten Parameter:
| Vergleichskriterium | Visuelle SicherheitErfassung | LastPositionierung | Drahtseilprüfung | Schweißnahtprüfung | Lasthaken-VisionSLAM |
|---|---|---|---|---|---|
| Erkennungsobjekt | person(Personal) | Hook_Load(Last) | Drahtbruch/Verschleiß/Korrosion | Riss/Pore/Mangelhafte Durchschweißung | Umgebungsmerkmale/IMU |
| Inferenzlatenz | ≤15ms | 12~18ms | ≤25ms | ≤15ms | 33~50ms |
| Genauigkeit/Kennwert | mAP≥95% | ±5mm | mAP≥93% | mAP≥94% | ±10cm |
| Kameraanzahl | 2~4Hardwareplattform | 1~2Hardwareplattform | 3~6Hardwareplattform | 2Hardwareplattform+LaserKonturMessgerät | 1~2Hardwareplattform+IMU |
| Empfohlene Bereitstellung | AlleBrückenkran(Erste Wahl) | Präzisionspositionierung | HochSicherheitsstufeBrückenkran | RegelmäßigInspektion/NeubauInspektion | VollautomatischBrückenkran/RedundanzPositionierung |
Empfehlung zur Priorisierung: Für die intelligente Nachrüstung eines einzelnen Brückenkrans empfiehlt sich eine schrittweise Umsetzung nach dem Prinzip „Sicherheit – Gesundheit – Positionierung – Kartierung“. Das Sicherheitsüberwachungssystem (Zutrittserkennung im Gefahrenbereich) ist die Basisausstattung jedes Brückenkrans und stellt die Pflichtmaßnahme mit höchster Priorität dar. Die Drahtseil- und Schweißnahtprüfung kann je nach Einsatzdauer und Betriebsumgebung des Krans optional konfiguriert werden – bei älteren Kranen steht die Drahtseilprüfung im Vordergrund, bei Neubauten die werksseitige Schweißnahtprüfung. Das Lastpositionierungssystem adressiert Engpässe im Produktionstakt und eignet sich für Krane mit automatisiertem Positionierbedarf. Das visuelle SLAM-System ist hingegen auf den vollautomatischen Betrieb und intelligente Logistikszenarien ausgelegt. Alle fünf Systeme nutzen gemeinsam die Edge-Computing-Plattform Jetson Orin NX/AGX sowie die YOLOv8-Algorithmus-Ökologie und lassen sich auf demselben Brückenkran integriert einsetzen. Durch GPU-Zeitscheibenverteilung und dynamisches Modell-Loading wird eine effiziente Ressourcennutzung realisiert.
Multisensor-Fusion und Systemintegration im Kranbetrieb
Die Sensordaten der fünf Systeme werden auf der einheitlichen Edge-Computing-Plattform tief integriert und bilden einen geschlossenen Regelkreis aus Erfassung, Entscheidung und Steuerung, der das gesamte Einsatzspektrum des Brückenkrans abdeckt. Ein Beispiel für die Kopplung von Sicherheitsüberwachung und Lastpositionierung: Erkennt das Sicherheitsüberwachungssystem eine Person im orangefarbenen Warnbereich, zeichnet das Lastpositionierungssystem synchron die aktuellen Koordinaten der Last auf. Dies liefert vollständige Zeit- und Ortsdaten für die spätere Ursachenanalyse von Sicherheitsvorfällen. Ein vom Drahtseilprüfsystem festgestellter schwerwiegender Fehler der Stufe Grade 3 löst automatisch einen gezielten Inspektionsauftrag für das Schweißnahtprüfsystem aus – der Schweißnaht-Inspektionsroboter (AGV) erhält den Befehl, eigenständig zum entsprechenden Abschnitt der Kranbahnschiene in der Nähe der Fehlerstelle zu navigieren und dort die Schienenstöße sowie die Kehlnähte am Hauptträger gezielt zu prüfen.
Aus einer übergeordneten Perspektive bilden diese fünf KI-Visionssysteme zusammen mit der Kernsteuerung des Krans (SPS), dem prädiktiven Gesundheitsmanagement (PHM), dem Manufacturing Execution System (MES) und dem Enterprise-Resource-Planning-System (ERP) eine vollständige industrielle IoT-Architektur. Die auf der Erfassungsebene gesammelten Echtzeitdaten werden nach der KI-Verarbeitung am Edge strukturiert an die Werkstatt- und Konzernebene übermittelt und bilden die Datengrundlage für das Management über den gesamten Lebenszyklus, die Produktionsoptimierung und die Sicherheits-Compliance-Prüfung. Mit der kontinuierlich steigenden Rechenleistung im Edge-Bereich (die nächste Jetson-Orin-Generation wird voraussichtlich 200–500 TOPS erreichen) und der Weiterentwicklung multimodaler Großmodelle wird sich das KI-Visionssystem am Brückenkran von der reinen Erkennung hin zum kognitiven Verständnis entwickeln – es erkennt nicht nur das Eindringen von Personen, sondern versteht auch Handgesten und Arbeitsintentionen des Bodenpersonals.
