KI-Visionalgorithmus für Brückenkranseile: Fehlererkennung
KI-Visionalgorithmus-Team für Brückenkrane erzielt Spitzenergebnisse bei internationalem Industriefehler-Wettbewerb. Die Leistungsfähigkeit der KI-basierten Sichtprüfung bestimmt maßgeblich die Erkennungsgenauigkeit und die praktische Einsetzbarkeit intelligenter Inspektionssysteme für Brückenkrane.
Die Leistungsfähigkeit der KI-basierten Sichtprüfung bestimmt maßgeblich die Erkennungsgenauigkeit und die praktische Einsetzbarkeit intelligenter Inspektionssysteme für Brückenkrane. Das KI-Vision-Team für Brückenkrane hat kürzlich am internationalen CrackDetection Challenge 2026 für Industriefehler teilgenommen und in den beiden Disziplinen Drahtbrucherkennung am Seil und Schweißnaht-Rissprüfung die Gesamtränge 3 und 5 erreicht. In der Disziplin Drahtbrucherkennung am Seil wurde eine Erkennungsgenauigkeit (mAP) von 94,7 % erzielt. Das teamintern unabhängig entwickelte, verbesserte YOLOv8-Modell auf Basis von DCNv4-deformierbaren Faltungen und Coordinate-Attention-Mechanismus wurde von der Wettbewerbsleitung als eines der Basismodelle übernommen.
Wettbewerbsergebnisse und Teilnahmeerfolge
Der CrackDetection Challenge 2026 wurde gemeinsam vom IEEE Industrial Electronics Society und der Technischen Universität München ausgerichtet und zog 157 Teilnehmerteams aus 28 Ländern an, darunter universitäre Forschungsgruppen und Entwicklungsabteilungen industrieller Inspektionsunternehmen. Der Wettbewerb umfasste vier Disziplinen – Drahtbrucherkennung am Seil, Schweißnaht-Rissprüfung, Risserkennung an Straßenbelägen und Mikrorissprüfung an Flugzeugtriebwerks-Rotorblättern – die einen gemeinsamen Bewertungsrahmen nutzten. Das Team trat in den beiden für die KI-Vision-Technologie bei Brückenkranen direkt relevanten Disziplinen an: Drahtbrucherkennung am Seil und Schweißnaht-Rissprüfung.
Der Trainingsdatensatz für die Drahtbrucherkennung am Seil umfasste 8.000 annotierte Bilder mit drei Fehlerklassen: lokale Drahtbrüche, konzentrierte Drahtbrüche und Seildurchmesserverformung. Der Testsatz bestand aus 2.000 nicht annotierten Bildern. Das eingereichte Modell erreichte in dieser Disziplin einen Gesamtwert von 86,7 Punkten und Rang 3 – mit einer Erkennungsgenauigkeit (mAP) von 94,7 % (Rang 3), einer Inferenzgeschwindigkeit von 38,2 ms pro Bild (Rang 5) und 7,3 M Modellparametern (Rang 2). In der Disziplin Schweißnaht-Rissprüfung erzielte das Modell 82,3 Punkte und Rang 5. Beide Ergebnisse sind die besten Platzierungen aller teilnehmenden Kranhersteller aus dem Inland.
Technologische Innovationen des verbesserten Modells
Das im Wettbewerb eingesetzte Modell basiert auf der YOLOv8s-Architektur und wurde in drei Schlüsseltechnologien verbessert: DCNv4-deformierbare Faltungen ersetzen Standardfaltungen, sodass sich die Abtastpunkte des Faltungskerns adaptiv an die Fehlerform in der Feature-Map anpassen können. Dadurch wurde die Recall-Rate für kleine Drahtbruchziele von 83,5 % auf 91,2 % gesteigert. Der Coordinate-Attention-Mechanismus integriert auf jeder Ebene des Feature-Pyramiden-Netzwerks Koordinateninformationen und ermöglicht so eine präzise räumliche Positionierung von Fehlern. Durch die Leichtbauweise mittels Tiefen-getrennter Faltungen und Kanal-Pruning wurde die Modellparametergröße von ursprünglich 11,2 M auf 7,3 M reduziert – eine Verringerung um ca. 35 %.
Technische Umsetzung der Wettbewerbsergebnisse
Die im Wettbewerb validierten Algorithmusverbesserungen werden bereits in der Produktlinie für KI-basierte Sichtprüfung bei Brückenkranen technisch umgesetzt. Das DCNv4-Modul wurde in das Produktmodell des KI-basierten Online-Erkennungssystems für Drahtseile integriert und bereitgestellt. In Tests konnte der kombinierte mAP-Wert bei gleichbleibender Echtzeit-Inferenzgeschwindigkeit von 0,91 auf 0,94 gesteigert werden. Der Coordinate-Attention-Mechanismus wurde in das KI-Modell zur Schweißnahtprüfung integriert und verbesserte die Erkennungsgenauigkeit für Rissfehler um 4,3 Prozentpunkte. Die Leichtbau-Pruning-Technik wurde für die Modellbereitstellung auf dem Jetson Orin NX Edge-Gerät eingesetzt, wodurch die Inferenzgeschwindigkeit von 18 ms/Bild auf 12 ms/Bild reduziert werden konnte, während mehr als 98 % der ursprünglichen Genauigkeit erhalten blieben.
Kontinuierliche Innovationsfähigkeit des Algorithmus-Teams
Das KI-Vision-Algorithmus-Team für Brückenkrane umfasst derzeit 22 Vollzeit-Algorithmusingenieure, darunter 4 Promovierte, 12 Master-Absolventen und 6 Bachelor-Absolventen. Die Teammitglieder stammen aus den Fachbereichen Computer Vision und Deep Learning und decken die drei Schwerpunkte Objekterkennung, Bildsegmentierung und Modellleichtbau ab. Das Team hat einen standardisierten Prozess für Algorithmusiterationen etabliert – vierteljährlich findet eine Architekturbewertung statt, bei der auf Basis von Wettbewerbsvalidierungen und neu veröffentlichten Forschungsergebnissen die Verbesserungsrichtung für das nächste Quartal festgelegt wird. Die über die Jahre gesammelten Modelltrainingsprotokolle und Ablationsstudien haben sich zu einem Wissensbestand des Teams entwickelt, der es neuen Mitgliedern ermöglicht, auf bestehenden Experimenten schnell aufzubauen und die Forschung zu erweitern.
Häufige Fragen (FAQ)
F: Ist das im Wettbewerb eingesetzte Modell identisch mit dem tatsächlichen Erkennungsmodell in den Kranprodukten?
A: Nein, es ist nicht identisch, aber technisch verwandt. Das Wettbewerbsmodell verwendet eine höhere Eingabeauflösung und ein komplexeres Trainingsverfahren, um maximale Genauigkeitskennwerte zu erzielen. Das Produktmodell entfernt darauf aufbauend Komponenten, die sich negativ auf die Echtzeitfähigkeit auswirken, und wurde für TensorRT-FP16-Quantisierung sowie die Jetson-Plattform optimiert. Das Wettbewerbsmodell validiert die theoretische Genauigkeitsobergrenze des Algorithmus, während das Produktmodell den optimalen Kompromiss zwischen Genauigkeit und Geschwindigkeit darstellt. Die mAP des aktuellen Produktmodells liegt bei ca. 95 % bis 98 % der Genauigkeit des Wettbewerbsmodells.
F: Plant das Team die Teilnahme an weiteren internationalen Wettbewerben?
A: Geplant ist die Teilnahme an 1 bis 2 internationalen Wettbewerben pro Jahr, die im Zusammenhang mit der KI-Vision-Technologie für Brückenkrane stehen. Für die zweite Jahreshälfte 2026 ist die Anmeldung zum MVTec AD 2026, dem industriellen Anomalieerkennungs-Wettbewerb der International Association for Pattern Recognition (IAPR), bereits erfolgt. Das Hauptziel der Wettbewerbsteilnahme ist nicht die Platzierung, sondern die Validierung der tatsächlichen Algorithmusleistung durch den direkten Vergleich mit weltweit führenden Teams und die Identifikation eigener technischer Schwachstellen.
F: Werden die technischen Ergebnisse des Teams in Form von wissenschaftlichen Publikationen veröffentlicht?
A: Ja. In den letzten zwei Jahren wurden insgesamt 5 Beiträge in akademischen Fachzeitschriften und auf Konferenzen im Bereich industrieller Inspektion veröffentlicht. Die Publikationen sind anwendungsorientiert und legen den Schwerpunkt auf den praktischen Ingenieurswert. Die vollständigen technischen Details des im Wettbewerb validierten DCNv4+Coordinate-Attention-Ansatzes sind zur Einreichung bei IEEE Transactions on Industrial Informatics geplant.
F: Was sind die größten technischen Herausforderungen im Bereich der industriellen Fehlererkennung und welche Auswirkungen haben sie auf die Kraninspektion?
A: Die industrielle Fehlererkennung steht vor drei zentralen Herausforderungen: Die Erkennung kleiner Defekte ist schwierig – ein Riss mit einer Breite von nur 0,05 bis 0,3 mm umfasst im Bild lediglich wenige bis zu einem Dutzend Pixel. Zudem ist die Ähnlichkeit zwischen den Klassen hoch – Poren und Schlackeneinschlüsse weisen visuell starke Ähnlichkeiten auf, und auch die Texturmerkmale von Korrosion und Ölverschmutzung sind leicht zu verwechseln. Hinzu kommt die Knappheit annotierter Daten – die Erfassung industrieller Fehlerdaten ist kostenintensiv, und das Verhältnis von Positiv- zu Negativbeispielen ist äußerst unausgewogen. Diese Herausforderungen gelten gleichermaßen für die Drahtseilprüfung an Brückenkranen sowie für die Schweißnahtprüfung.
