Computer Vision für Produktionslinien: selbst entwickeln oder kaufen? Ein ehrlicher Entscheidungsleitfaden

Ihre Ingenieure haben die Demos gesehen. Ein vortrainiertes YOLO-Modell zeichnet an einem Nachmittag auf dem Laptop Rahmen um Produkte. Deshalb kommt in jedem Werk, das Kamerazählungen für die OEE möchte, dieselbe Frage auf: Warum einen Anbieter bezahlen, wenn die Modelle kostenlos sind?

Die Frage ist berechtigt, und manchmal ist die Eigenentwicklung die richtige Antwort. Dieser Leitfaden zeigt, was eine Eigenentwicklung umfasst, wohin die Stunden fließen und wie Sie Station für Station entscheiden. Er behandelt nur die Kameraebene; zu OEE-Software allgemein lesen Sie OEE-Software selbst entwickeln oder kaufen.

Worüber Sie tatsächlich entscheiden

Es geht darum, die Ausbringung zu zählen und in die OEE einzuspeisen, oft an Stationen ohne nutzbares Maschinensignal: manuelles Verpacken, Altmaschinen, ein Kartonpacker ohne freien SPS-Ausgang. Qualitätsprüfung (Fehler, Etiketten, Codes, Füllstände) ist eine andere Aufgabe mit einer eigenen Entscheidung. Wenn Sie nicht sicher sind, ob eine Station überhaupt eine Kamera braucht, lesen Sie Kamera oder Sensor für die OEE, je nach Maschine.

Die eigentliche Wahl besteht also zwischen drei Wegen:

• Selbst entwickeln: Ihr eigenes Team wählt Kameras und Edge-Boxen aus, trainiert Open-Source-Modelle, schreibt die Zähllogik und bindet sie an Ihre OEE-Daten an.
• Kamera-Add-on kaufen: Ein Anbieter liefert die Zählung und ihre Anbindung an die OEE, und Sie montieren die Kameras gemeinsam mit ihm und sorgen für Strom und Netzwerk.
• Vision-Plattform kaufen, Modell selbst entwickeln: Ihr Team annotiert und trainiert in den Werkzeugen eines Anbieters. Unsere Seiten zu Alternativen zu Landing AI und Alternativen zu Elementary vergleichen Anbieter in diesem Bereich, jeweils nach deren eigener Darstellung.

Was eine Eigenentwicklung umfasst

Open-Source-Werkzeuge machen den ersten Schritt leicht. OpenCV, die Open Source Computer Vision Library, steht unter der Apache-2.0-Lizenz. Ultralytics YOLO liefert vortrainierte Erkennungsmodelle, die Sie auf Ihre Produkte feinabstimmen. Ein Prototyp mit einer Kamera ist für einen fähigen Ingenieur ein realistisches Ziel. Ein Zählsystem, dem ein Werk in jeder Schicht vertrauen kann, braucht jedoch all diese Bausteine:

• Kameras, Objektive, Beleuchtung und Halterungen, die Nassreinigung, Vibrationen und Gabelstapler überstehen. Position und Beleuchtung bestimmen die Genauigkeit stärker als das Modell; siehe Kamerapositionierung und Beleuchtung an der Produktionslinie.
• Eine Edge-Box pro Linie oder für jeweils einige Kameras, mit GPU, Betriebssystem, Treibern und Sicherheitsupdates, dazu das Netzwerk, das die Ergebnisse überträgt.
• Annotierte Trainingsdaten. Der Ultralytics-Leitfaden zu Datenerfassung und Annotation (EN) sagt, dass einige hundert annotierte Objekte pro Klasse genügen, um mit Transfer Learning zu experimentieren, und empfiehlt mindestens 1.500 Bilder und 10.000 annotierte Instanzen pro Klasse für eine zuverlässige Leistung im realen Einsatz.
• Zähllogik auf Basis der Erkennung: Jede Einheit wird durch eine Zone verfolgt, damit eine Packung, die kurz stehen bleibt oder ihre Nachbarin berührt, einmal gezählt wird und nicht zweimal.
• Die Anbindung an die OEE: Maschinenzustände, Schichten, Produkte und Idealleistungen, damit aus einer Zählung Leistung und Qualität werden und nicht nur eine Zahl auf einem Bildschirm.
• Modellbetrieb: Versionsverwaltung für Modelle und Daten, Überwachung der Zählgenauigkeit und eine Möglichkeit, ein fehlerhaftes Modell zurückzurollen.

Forscher, die maschinelles Lernen produktiv betreiben, warnen seit Jahren vor dieser Lücke. In „Hidden Technical Debt in Machine Learning Systems“ argumentieren Ingenieure von Google, es sei „gefährlich, diese schnellen Erfolge als kostenlos anzusehen“. Der schnelle Erfolg ist die Demo. Die technischen Schulden stecken in allem, was drumherum nötig ist.

Verpackungswechsel sind der versteckte Aufwand

An einer FMCG-Linie ändert sich das Produkt ständig: neues Design, eine Aktions-Banderole, eine neue Packungsgröße, eine andere Folie. Für die Kamera ist jede dieser Änderungen ein neu aussehendes Objekt.

Im maschinellen Lernen heißt das Drift. Ein Übersichtsartikel in IEEE Transactions on Knowledge and Data Engineering, „Learning under Concept Drift: A Review“, definiert Concept Drift als „unvorhersehbare Veränderungen der zugrunde liegenden Verteilung von Datenströmen im Zeitverlauf“. An einer Verpackungslinie sind die Änderungen oft vorhersehbar, weil sie geplant sind, doch die Wirkung ist dieselbe. Ein Modell, das auf die Packungen des Vorjahres trainiert wurde, kann die diesjährigen übersehen oder doppelt zählen.

Drift ist leise. Nichts stürzt ab; die Zählung ist einfach etwas zu niedrig, und die OEE sieht schlechter aus als die Realität. Das Rechenbeispiel unten zeigt, um wie viel. Der Leitfaden Wie genau ist Kamera-OEE? erklärt, wie Sie Zählungen gegen eine Referenz prüfen.

Wer behebt den Fehler um 3 Uhr nachts?

Linien laufen nachts und am Wochenende. Wenn um 3 Uhr nachts eine Edge-Box hängt oder eine Kamera angestoßen wird, fehlen die OEE-Daten dieser Linie oder sind falsch, bis jemand den Fehler behebt. Bei einer Eigenentwicklung steht dieser Jemand auf Ihrer Gehaltsliste.

Eine einzelne Person kann nicht jede Nacht des Jahres Rufbereitschaft haben. Ein echter Bereitschaftsplan braucht mindestens zwei Personen, die das System kennen, dazu schriftliche Betriebsanleitungen (Runbooks) für das Schichtteam. Besteht Ihr Datenteam aus einem Ingenieur, der auch den Prozessdaten-Historian des Werks betreut, ist das ein Risiko und kein Detail, und es wird größer an dem Tag, an dem dieser Ingenieur das Unternehmen verlässt.

Lizenzen: die Rechnung für Open Source

Kostenlos herunterladbar heißt nicht immer kostenlos im Werk nutzbar. Die Lizenzseite von Ultralytics sagt (übersetzt): „Eine Enterprise License ist erforderlich, wenn Sie Ultralytics YOLO nutzen möchten, ohne Ihr gesamtes Projekt als Open Source zu veröffentlichen.“ Dieselbe Seite nennt interne Business-Tools sowie eingebettete Einsätze auf Edge-Geräten und Kameras unter den abgedeckten Fällen. OpenCV selbst steht unter Apache-2.0, einer freizügigen Lizenz. Dies ist keine Rechtsberatung: Legen Sie die genauen Bibliotheken und Modelle Ihrer Rechtsabteilung vor, bevor etwas produktiv läuft, und planen Sie eventuelle kommerzielle Lizenzen neben den Stunden ins Budget ein.

Selbst entwickeln oder kaufen: die Entscheidungstabelle

Die Eigenentwicklung verschafft Ihnen Kontrolle. Der Kauf verlagert die wiederkehrende Arbeit (Annotation, Nachtraining, Updates, Nachtbereitschaft) zu jemandem, dessen Aufgabe genau das ist. Was mehr wert ist, hängt von Ihrem Team und Ihren Stationen ab.

Sie möchten sehen, wie ein Kamera-Add-on die OEE speist, bevor Sie entscheiden? Buchen Sie eine Demo und bringen Sie Ihre Stationsliste mit.

Beispielhaftes Aufwandsmodell: das erste Jahr einer Eigenentwicklung

Illustrativ, Beispieldaten. Ein Werk stattet 4 Linien mit Kameras aus, auf denen 4 Packformate laufen. Das Team annotiert nach der Ultralytics-Empfehlung von 1.500 Bildern pro Klasse und braucht 1 Minute pro Bild. Das Marketing ändert die Verpackung 8-mal im Jahr. Das sind Beispielannahmen, keine Benchmarks: Ersetzen Sie sie durch Ihre eigenen Werte.

• Erstannotation: 4 Formate × 1.500 Bilder × 1 Minute = 6.000 Minuten = 100 Stunden.
• Modelltraining und Abnahmetests: 80 Stunden (Beispiel).
• Zähllogik, Tracking und die Anbindung an OEE-Zustände, Schichten und Idealleistungen: 320 Stunden (Beispiel).
• Pflege von Edge-Box und Kameras: 4 Linien × 2 Stunden × 12-mal im Jahr = 96 Stunden.
• Nachtraining nach Verpackungswechseln: 8 Wechsel × 1.500 Bilder × 1 Minute = 200 Stunden, plus 8 Testläufe × 6 Stunden = 48 Stunden, also 248 Stunden.

Summe für das erste Jahr: 100 + 80 + 320 + 96 + 248 = 844 Stunden. Bei einem beispielhaften Arbeitsjahr von 1.700 Stunden ist das etwa eine halbe Ingenieurstelle. Im zweiten Jahr sind Annotation und Logik erledigt, Pflege und Nachtraining bleiben aber: 96 + 248 + 80 Stunden für Korrekturen und Upgrades (Beispiel) = 424 Stunden, etwa eine Viertelstelle, jedes Jahr. Nächtliche Einsätze sind in diesen Stunden nicht enthalten.

Was leise Drift mit der OEE macht

Illustrativ, Beispieldaten. Eine Linie, eine Schicht: 450 Minuten geplante Produktionszeit, 400 Minuten Laufzeit, eine Idealleistung von 100 Einheiten pro Minute. Die Linie produziert tatsächlich 34.000 Einheiten, davon 680 Ausschuss.

• Verfügbarkeit = 400 ÷ 450 = 88,9 %.
• Leistung = 34.000 ÷ (400 × 100) = 85,0 %.
• Qualität = 33.320 ÷ 34.000 = 98,0 %.
• OEE = 88,9 % × 85,0 % × 98,0 % = 74,0 %. Probe: 33.320 Gutteile ÷ (450 × 100) = 74,0 %.

Nun kommt eine neue Banderole, und das Modell übersieht unbemerkt 3 % der Einheiten. Es zählt 32.980. Die Leistung fällt auf 82,5 %, die Qualität (bei denselben 680 Ausschussteilen) auf 97,9 % und die OEE auf 71,8 %. Die Linie ist nicht schlechter geworden. Die Zählung schon. Ein Team, das diesen verlorenen 2 OEE-Punkten nachjagt, jagt in Wahrheit einem Modellproblem nach. Deshalb gehören Zählaudits und ein Nachtrainingsplan in den Business Case, egal wer das System baut.

Wann die Eigenentwicklung die richtige Wahl ist

Selbst zu entwickeln ist nicht die falsche Antwort. Es passt gut zu einer kleinen Gruppe von Werken.

Eigenentwicklung, wenn Folgendes zutrifft:

• Die Station ist einzigartig: ein ungewöhnliches Produkt, ein Prozess, den noch kein Anbieter gesehen hat, oder eine Zählung, die eigene Logik braucht.
• Sie haben bereits ein Datenteam, das Modelle produktiv betreibt, mit Rufbereitschaft und Dokumentation.
• Die Vision-Arbeit ist Teil Ihres Wettbewerbsvorteils, daher zählt das eigene Modell mehr als die Stunden.
• Ihre Rechtsabteilung hat die Lizenzen freigegeben, und Sie sind bereit, die Arbeit jedes Jahr zu finanzieren, nicht nur einmal.

Kauf, wenn Folgendes zutrifft:

• Auf Ihren Linien laufen Standardpackungen, Kartons und Trays, und das Ziel sind Zählungen für die OEE, kein Forschungsprojekt.
• Ihre Ingenieure sind bei Rüstvorgängen und Verlusten besser eingesetzt als bei der Modellpflege.
• Niemand kann über Jahre eine Nachtbereitschaft für das Kamerasystem zusagen.

Beides, wenn die meisten Stationen Standard sind, eine aber nicht. Kaufen Sie die Zählung für die Standardlinien, und setzen Sie Ihr Team auf die eine Station an, für die kein Anbieter passt. Wenn Sie irgendwo selbst entwickeln, führen Sie es als Pilot mit klaren Abbruchkriterien; der Leitfaden zum Computer-Vision-OEE-Pilot zeigt, wie Sie diese festlegen.

Fragen an jeden Anbieter oder an Ihr eigenes Team

Dieselben Fragen funktionieren in beide Richtungen. Wenn Ihr eigenes Team sie nicht beantworten kann, haben Sie Ihre Antwort zur Eigenentwicklung.

1. Wer annotiert die Trainingsdaten, und wie viele Bilder pro Produkt braucht das erste Modell?
2. Wer trainiert das Modell bei einem Verpackungswechsel nach, wie schnell, und wie wird die Zählung vor dem neuen Lauf geprüft?
3. Wie wird die Zählgenauigkeit gegen eine Referenzzählung getestet, und wie oft nach dem Go-live?
4. Wer spielt Updates auf Edge-Box und Kameras ein, und wer bemerkt es, wenn ein Gerät offline geht?
5. Wer meldet sich sonntags um 3 Uhr nachts, und was ist für das Schichtteam schriftlich festgehalten?
6. Welche Open-Source-Bibliotheken und Modelle stecken darin, und unter welchen Lizenzen?
7. Wie werden Zählungen mit Maschinenzuständen, Schichten und Idealleistungen zur OEE verknüpft?
8. Wird Video gespeichert, wo, und wer kann es sehen? Siehe Speicherung von Linienvideos und Kameras ohne Überwachung.

Wo Fabrico ins Bild passt

Fabrico ist eine Cloud-Plattform für OEE-Software und Light MES. Stillstände und Stückzahlen kommen aus dem Maschinensignal (SPS, Sensor oder Zähler), und der Bediener erfasst den Stillstandsgrund direkt an der Linie auf Tablet oder Smartphone. OEE, Stillstände und Verluste werden pro Linie und Schicht angezeigt, die Verluste in Geld bewertet.

Für Stationen ohne nutzbares Signal bietet Fabrico auf Anfrage ein Computer-Vision-Kamera-Add-on an. Das Kamera-Add-on zählt die Ausbringung an der Linie, auch an manuellen Arbeitsschritten, und diese Zählungen fließen in dieselbe OEE wie die Maschinendaten. Mit dem Kamera-Add-on können Sie für jeden Moment auf der Schicht-Zeitachse das Video öffnen; im Standard-Setup wird Video auf Anfrage gestreamt, nicht gespeichert. Wie die Zählung funktioniert, erklärt KI-gestützte visuelle Zählung in der Fertigung.

Roadmap, klar gekennzeichnet: Von Kameras erkannte Stillstände und Vorschläge für Stillstandsgründe, die der Bediener bestätigt, stehen auf der Roadmap und sind heute nicht verfügbar. Fabrico verkauft keine Qualitätsprüfung. Individuelle KI-Module gibt es als Sonderentwicklung auf Anfrage, für die seltene Station, die das braucht.

Daten verlassen Fabrico über eine REST-API, Webhooks sowie Excel- oder CSV-Export. Wie Verpackungswechsel gehandhabt werden und ob Zählungen aus Ihrem eigenen Modell übernommen werden können, sind Fragen für die Demo. Prüfen Sie diese Aussagen wie die jedes anderen Anbieters. Eine FMCG-Sicht darauf, wo sich Kameras lohnen, bietet Computer Vision in der FMCG-Fertigung.

Häufige Fragen

Ist es günstiger, Computer Vision selbst zu entwickeln?

Code und Modelle kosten wenig oder nichts. Die Stunden nicht. Im Beispielmodell auf dieser Seite investiert ein Team im ersten Jahr 844 Stunden und in jedem Folgejahr 424 Stunden, überwiegend für Integration und Nachtraining. Stellen Sie Ihre eigenen Stunden neben das Angebot jedes Anbieters, und lassen Sie alle Anbieter dieselbe Stationsliste kalkulieren, damit die Zahlen vergleichbar sind.

Können wir mit Open-Source-YOLO starten und später zu einem Anbieter wechseln?

Ja, und ein kurzer Test ist ein günstiger Weg herauszufinden, wie schwer Ihre Produkte zu zählen sind. Prüfen Sie die Lizenz, bevor etwas produktiv läuft: Laut Ultralytics ist für die YOLO-Modelle eine Enterprise License erforderlich, sofern Sie nicht Ihr gesamtes Projekt als Open Source veröffentlichen. Bewahren Sie die Zählungen und Definitionen aus dem Test auf, damit Sie sie in denselben Schichten mit den Zählungen eines Anbieters vergleichen können.

Wie viele Bilder müssen wir annotieren?

Laut Ultralytics genügen einige hundert annotierte Objekte pro Klasse, um mit Transfer Learning zu experimentieren; für eine zuverlässige Leistung im realen Einsatz empfiehlt Ultralytics mindestens 1.500 Bilder und 10.000 annotierte Instanzen pro Klasse. Jedes Packformat, das anders aussieht, ist ein Kandidat für eine eigene Klasse oder zusätzliche Trainingsdaten.

Was passiert mit einem Zählmodell, wenn sich die Verpackung ändert?

Das Produkt sieht für die Kamera anders aus, daher kann das Modell Einheiten übersehen oder eine Einheit doppelt zählen. Planen Sie neue Bilder, Annotationen und einen Testlauf ein, bevor das neue Design an die Linie kommt. Wenn Sie kaufen, fragen Sie jeden Anbieter, wer einen Verpackungswechsel übernimmt, wie schnell und wie er anschließend nachweist, dass die Zählung stimmt.

Können wir ein eigenes Modell betreiben und trotzdem die OEE-Software eines Anbieters nutzen?

Oft ja, wenn die OEE-Software Zählungen aus externen Quellen annimmt. Fragen Sie jeden Anbieter, wie externe Zählungen hineinkommen und wie sie mit Maschinenzuständen und Schichten verknüpft werden. Ob bei Fabrico Zählungen aus Ihrem eigenen Modell an einer bestimmten Linie übernommen werden können, ist eine Frage für die Demo.

Ersetzt ein Kamera-Add-on für die OEE unsere Prüfkameras?

Nein. Prüfsysteme kontrollieren Fehler, Etiketten, Codes und Füllstände. Ein Kamera-Add-on für die OEE zählt die Ausbringung. Beide arbeiten nebeneinander, und Ausschuss aus einem Prüfsystem kann über die Ausschusszählung oder das Ausschusssignal der Linie in den Qualitätsfaktor der OEE einfließen.

Sie möchten den Kaufweg mit Ihrem Plan zur Eigenentwicklung vergleichen? Buchen Sie eine Demo und sehen Sie es sich an einer Linie wie Ihrer an.