KI-Vision-System für Brückenkrane: Lastenerkennung & Wiegen
KI-Vision für Brückenkrane – Mittels Deep-Learning-Modell YOLOv8s und ByteTrack-Mehrziel-Tracking-Algorithmus wird eine Echtzeiterkennung der Last erreicht, mit einer Erkennungsgenauigkeit von ≥95 % (mAP@0.5). Das LSTM-Modell für dynamische Wägung ermöglicht eine Messabweichung von ≤2 % FS. In Kombination mit einer bildstabilisierten Industriekamera (1920×1080@30fps) und einem Embedded-KI-Rechenmodul (TOPS≥4) entsteht ein vollständiges KI-Bildverarbeitungssystem. Die KI-Vision-Lösung von Kelude wurde bereits in über 30 Anlagen in den Bereichen Gießerei, Stahlwerk und Lagerwirtschaft eingesetzt.
Das KI-Bilderkennungssystem für Brückenkrane besteht aus drei Komponenten: einer bildstabilisierten Industriekamera, einem Embedded-KI-Rechenmodul und einer Bildanalyse-Software. Die Kamera ist unterhalb des Katzfahrwerkrahmens montiert und erfasst den Lastbereich von oben. Die Bilddaten werden per Ethernet an das KI-Rechenmodul übertragen, wo das YOLOv8s-Modell die Lasterkennung und -klassifizierung auf dem Edge-Gerät durchführt. Das System integriert außerdem eine elektronische Waage: Das LSTM-Deep-Learning-Modell kompensiert in Echtzeit Verformungen der Last sowie Drahtseilbewegungen im Videobild und ermöglicht so eine dynamische Wägung während des Hebevorgangs. Das folgende Architekturdiagramm zeigt den vollständigen Datenfluss von der Bilderfassung bis zur Ausgabe des Erkennungsergebnisses. Die Systemkonstruktion muss der Norm DIN 15018 – Krandimensionierungsnorm: Kernbestimmungen zu Last, Struktur, Mechanismus, Elektrik und Sicherheit sowie der JJG 555-2016 entsprechen.
Systemarchitektur des Bildverarbeitungssystems
Die Architektur des KI-Bildverarbeitungssystems gliedert sich in drei Ebenen: Bilderfassung, Edge-Inferenz und Ergebnisausgabe. Bilderfassungsebene: Die industrielle Bildstabilisierungskamera ist unterhalb des Katzfahrwerkrahmens montiert und nimmt Bilder mit einer Auflösung von 1920×1080@30fps auf. Ein 850-nm-Zusatzlicht gewährleistet klare Bilder auch bei schlechten Lichtverhältnissen. Die Schutzart der Kamera beträgt IP67. Edge-Inferenzebene: Das Embedded-KI-Modul basiert auf NVIDIA Jetson oder Rockchip RK3588 und bietet eine Rechenleistung von ≥4 TOPS (INT8). Das YOLOv8s-Modell führt die Inferenz für jedes Bild durch, mit einer Inferenzgeschwindigkeit von ≥25 fps für Echtzeitanforderungen. Ergebnisausgabebene: Die Erkennungsergebnisse werden über RS485 oder Ethernet an das SPS-Steuerungssystem des Brückenkrans übertragen, einschließlich Lastkategorie, Positionskoordinaten und dynamischem Gewichtswert.
Die Kommunikation zwischen dem Bildverarbeitungssystem und der SPS des Brückenkrans erfolgt über Modbus TCP. Der Datenrahmen der Erkennungsergebnisse enthält Last-ID, Koordinaten, Abmessungen, Gewicht, Konfidenzwert und Prüfsumme. Die Gesamtlänge des Rahmens beträgt 16 Byte, der Kommunikationszyklus 100 ms. Die KI-Vision-Lösung von Kelude ergänzt das visuelle SLAM des Positionierungssystems des Brückenkrans: SLAM übernimmt die Umgebungskartierung und Bahnplanung, während die KI-Vision für Lasterkennung und Wägung zuständig ist.
Technische Lösung zur Lasterkennung
Für die Lasterkennung wird das YOLOv8s-Modell als Basisdetektor verwendet. Der Trainingsdatensatz umfasst 12 gängige Lastkategorien (Stahlblech, Coils, Profile, Gussteile, Behälter, Rohre, Schüttgut, Container, Werkzeuge, Ausrüstung, leeres Lastaufnahmemittel, abnormaler Zustand). Für jede Kategorie stehen mindestens 2.000 Trainingsbilder zur Verfügung, insgesamt über 25.000 annotierte Bilder. Die Datenaugmentierung umfasst Mehrwinkel-Drehung (±15°), Variation der Lichtverhältnisse, Okklusionssimulation und Bewegungsunschärfe. Die Modelleingabe beträgt 640×640 Pixel, der NMS-Schwellenwert 0,45 und der Konfidenzschwellenwert 0,5. Die resultierende Erkennungsgenauigkeit beträgt mAP@0.5≥95 %.
Für das Mehrziel-Tracking wird der ByteTrack-Algorithmus eingesetzt, der auf Kalman-Filter-Prädiktion und Ungarischer Algorithmus-Matching basiert, um die Last-ID über aufeinanderfolgende Frames hinweg konsistent zu halten. Der Kernvorteil von ByteTrack liegt in der sekundären Verarbeitung von Detektionsboxen mit niedrigem Konfidenzwert, was die Anzahl der ID-Wechsel bei Okklusion und Perspektivenwechseln deutlich reduziert. In einem Praxistest an einem 10-t-Brückenkran lag die ID-Wechselrate bei <1 Wechsel pro 1.000 Frames, die Mehrziel-Tracking-Genauigkeit (MOTA) bei ≥93 %. Die Tracking-Ergebnisse liefern Bewegungsbahnen der Last und Statistiken zum Arbeitszyklus, die als Grundlage für Produktivitätsanalysen dienen.
Kommentar des technischen Leiters von Kelude:
“Die größte praktische Herausforderung bei der KI-basierten Lasterkennung ist nicht die Modellgenauigkeit, sondern die unkontrollierbaren Lichtverhältnisse vor Ort. In unseren Projekten in Gießereien und Stahlwerken sind wir auf ein typisches Problem gestoßen: Reflexionen auf Gussteilen und starkes Licht am Ofen führten zu überbelichteten Kamerabildern, wodurch die Erkennungskonfidenz von YOLOv8s von 95 % auf 40 % fiel. Unsere Lösung umfasst drei Maßnahmen: Erstens verwenden wir Kameras mit Global-Shutter-Sensor und Hardware-WDR (Weißabgleich >120 dB). Zweitens integrieren wir überbelichtete Bilder in die Datenaugmentierung des Modelltrainings. Drittens implementieren wir einen adaptiven Belichtungsalgorithmus im KI-Rechenmodul, der Belichtungszeit und Verstärkung dynamisch an die durchschnittliche Helligkeit des vorherigen Frames anpasst. Mit diesem Ansatz konnten wir die Erkennungskonfidenz in Umgebungen mit starkem Licht auf über 90 % wiederherstellen.”
Intelligentes Wiegen mit elektronischer Waage
Die dynamische Wägung basiert auf einem LSTM-Deep-Learning-Modell, das in Echtzeit Pendelbewegungen des Drahtseils unter der Last, Rotation der Last und Kameravibrationen im Videobild kompensiert. Herkömmliche elektronische Waagen erfordern einen vollständigen Stillstand der Last (Schwebezeit ≥3 s), um einen stabilen Messwert zu liefern. Die KI-basierte Waage hingegen lernt die zeitlichen Merkmale der Lastbewegung mittels LSTM und kann während des Hebevorgangs einen stabilen Gewichtswert ausgeben. Die Eingangsmerkmale des LSTM-Modells umfassen die Änderungsrate der Bounding-Box-Fläche der Last, die Beschleunigung der Zentrumsverschiebung, den Pendelwinkel und die Pendelgeschwindigkeit des Drahtseils. Die Ausgabe ist der kompensierte Gewichtswert.
Der Trainingsdatensatz für das LSTM-Modell stammt aus Kalibrierungsdaten der Kelude-Testplattform: Beim Heben von Prüfgewichten mit bekanntem Gewicht werden gleichzeitig Videomerkmale und die Messwerte der Wägezelle als Referenz erfasst. Insgesamt wurden etwa 8.000 Trainingssequenzen generiert. In der Praxis liegt die Messabweichung der dynamischen Wägung bei ≤2 % FS, die Dauer einer einzelnen Wägung beträgt <1 s (im Vergleich zu 5–8 s bei herkömmlicher Methode). Bei einer Betriebsfrequenz von 25 Zyklen/h ergibt sich eine tägliche Zeitersparnis von ca. 3–5 Minuten.
Schlüsselparameter des KI-Visionssystems im Überblick
| ParameterPunkt | Sichtprüfung | Dynamische Wägung | konventionellElektronische Waage | Beschreibung |
|---|---|---|---|---|
| Kernalgorithmus | YOLOv8s+ByteTrack | LSTMZeitreihenmodell | WiderstandDehnungsmessstreifen-basiertSensor | AIberührungsloses Verfahren |
| Genauigkeit | mAP≥95% | ≤2%FS | ≤0.5%FS | konventionellGenauigkeithöher, aber stationär erforderlich |
| Reaktionszeit | 40ms(Inferenz) | <1s(dynamisch) | 3~8s(Schwebebetrieb erforderlich) | AIDynamische Wägungschnell4~8fach |
| Hardwarekosten | 2~410.000 CNY | enthalten inBildverarbeitungssystemin | 0.5~210.000 CNY | AIzusätzliche Rechenleistung des VerfahrensModul |
| Einsatzbereiche | Schüttgut/Gussstücke/Bleche | DauerbetriebWägung | Präzisionswägung | beide komplementär einsetzbar |
Kerndaten des Systems
| Erkennungsgenauigkeit ≥95% YOLOv8s mAP@0.5 | Wägefehler ≤2%FS LSTMdynamische Kompensation | Inferenzgeschwindigkeit 25fps JetsonEdge-Gerät |
| Rechenleistungsbedarf 4TOPS INT8quantisierte Inferenz | Trainingsdaten 25000Stück (Bilder) 12Lastklassen-Labeling | IDUmschalthäufigkeit <1Mal/tausend Frames ByteTrackmehrereObjekttracking |
Häufige Fragen zur KI-Vision für Brückenkrane
F: Wie hoch ist die Investition für ein KI-Vision-Erkennungssystem am Brückenkran?
A: Die Hardwarekosten für das KI-Vision-System liegen bei ca. 2.000 bis 4.000 EUR pro Anlage. Darin enthalten sind die bildstabilisierte Industriekamera (ca. 300 bis 600 EUR), das eingebettete KI-Rechenmodul (ca. 1.000 bis 2.500 EUR) sowie das Montagezubehör. Die Softwarelizenz wird jährlich mit ca. 500 bis 1.000 EUR pro Anlage berechnet. Gegenüber einer herkömmlichen elektronischen Waage (500 bis 2.000 EUR) bietet die KI-Vision-Lösung gleich zwei Funktionen – Lastprüfung und dynamische Wägung – und ist damit in der Gesamtbetrachtung deutlich wirtschaftlicher. Für den ersten Einsatz stellt Kelude die Montage & Inbetriebnahme vor Ort kostenlos zur Verfügung.
F: Was ist genauer – die KI-Visionswaage oder die herkömmliche elektronische Waage?
A: Die herkömmliche elektronische Waage erreicht mit einer statischen Genauigkeit von ≤ 0,5 % v. E. die höhere Messpräzision, erfordert jedoch ein Schweben der Last über 3 bis 8 Sekunden, was die Arbeitsproduktivität beeinträchtigt. Die KI-Visionswaage arbeitet mit einer dynamischen Genauigkeit von ≤ 2 % v. E. etwas ungenauer, benötigt aber keinen Stillstand und spart pro Hub 3 bis 5 Sekunden. Bei einer Taktfrequenz von 25 Hüben pro Stunde summiert sich die Zeitersparnis auf 3 bis 5 Minuten pro Schicht. Empfehlung von Kelude: Für Anwendungen mit hohen Genauigkeitsanforderungen (z. B. Abrechnung im Handelsverkehr) bleibt die elektronische Waage die erste Wahl; für Produktionsstatistik und Materialmanagement ist die KI-Visionswaage klar zu bevorzugen.
F: Funktioniert die KI-Vision auch unter rauen Umgebungsbedingungen?
A: Ja. Die KI-Vision-Lösung von Kelude wurde gezielt für raue Umgebungen wie Gießereien (Hitze und Staub), Stahlwerke (grelles Licht und Dampf) sowie Häfen (Salznebel und Feuchtigkeit) optimiert. Die Kamera verfügt über die Schutzart IP67 und einen Global-Shutter-Sensor mit einem Dynamikbereich von > 120 dB. Das KI-Rechenmodul ist mit einem industrietauglichen Kühlkonzept ausgestattet und arbeitet zuverlässig im Temperaturbereich von –20 bis 70 °C. Messdaten aus Gießereien zeigen, dass die Erkennungssicherheit dank der WDR-Hardware-Optimierung auch bei grellem Licht konstant über 90 % liegt.
F: Wie lässt sich das KI-Vision-System in die bestehende Kransteuerung integrieren?
A: Das KI-Vision-System kommuniziert über Modbus TCP mit der Kran-SPS. Die Erkennungsergebnisse werden als 16-Byte-Standarddatenrahmen übertragen. Für die Hardware-Anbindung genügt ein Ethernet-Kabel zwischen dem KI-Rechenmodul und dem Netzwerk-Switch der SPS. Auf der Softwareseite muss in der SPS ein Modbus-Client-Programm zur Auswertung der Datenrahmen hinterlegt werden. Kelude liefert Standard-Anbindungsbibliotheken für Siemens S7-1200/S7-1500 sowie Mitsubishi FX5U/L-Serie. Die Integrations-Inbetriebnahme ist in der Regel innerhalb von 2 Arbeitstagen abgeschlossen.
