In vielen produzierenden Unternehmen wächst der Druck, Qualität zuverlässig zu sichern und gleichzeitig Ressourcen effizient einzusetzen. Gerade bei kleinen Losgrößen und wechselnden Produkten stoßen klassische kamerabasierte Prüfsysteme jedoch schnell an Grenzen. Wo nur wenige Fehlerdaten vorliegen, wird die automatisierte Erkennung anspruchsvoll. Umso relevanter sind Lösungen, die auch unter variablen Produktionsbedingungen tragfähig arbeiten und dabei helfen, Materialverluste, Energieeinsatz und unnötige Nacharbeit zu reduzieren.
Die Quintina GmbH, ein IT-Startup aus Frankenberg in Sachsen, hat deshalb gemeinsam mit dem Sächsischen Textilforschungsinstitut e. V. (STFI), einem Partner des Mittelstand-Digital Zentrums Smarte Kreisläufe, untersucht, wie sich KI-gestützte Qualitätskontrolle in Textilproduktionen mit wenig Lerndaten sinnvoll einsetzen lässt. Im Mittelpunkt stand die Frage, ob ein kamerabasiertes System auch dann zuverlässig unterstützen kann, wenn Produkte zwar ähnlich, aber nie vollständig identisch sind, wie es etwa in der Lohnfertigung häufig der Fall ist. Grundlage dafür war ein bestehender Prüfstand am STFI, der im Projekt technisch erweitert und für die neuen Anforderungen angepasst wurde.
Im Projektverlauf wurde der vorhandene Prüfstand zunächst um ein neues Kamerasystem und passende KI-Technik ergänzt. Nach der Kalibrierung der Kamera konnten Fehler an Musterstücken hochauflösend aufgenommen und durch Fachexperten klassifiziert werden. Darauf aufbauend wurden 50 Bilder gesichtet und 11 Bilder für das KI-Training gelabelt. Bereits dabei zeigte sich, dass sich die Fehlerklassen „Schussfehler“ und „Einflug durch Textilfasern“ grundsätzlich maschinell unterscheiden lassen. Für die Auswertung wurde wegen der schwer erkennbaren Fehlermerkmale mit voller Auflösung gearbeitet und das KI-Modell Real-Time Detection Transformer eingesetzt. Damit ließ sich zuverlässig erkennen, ob ein Textilfehler vorliegt oder nicht. Noch nicht durchgängig sicher war hingegen die Trennung einzelner Fehlertypen. Dafür wären weitere Trainingsdaten erforderlich.
Gerade dieser Befund ist für die Praxis besonders relevant. Denn er zeigt, dass KI-basierte Qualitätskontrolle auch in Umgebungen mit knapper Datenlage bereits einen konkreten Nutzen stiften kann. Im Produktionsalltag kann die grundsätzliche Erkennung fehlerhafter Ware als Vorselektion dienen, um aus großen Bildmengen gezielt relevante Aufnahmen herauszufiltern. Das erleichtert den Aufbau geeigneter Trainingsdaten und schafft die Grundlage dafür, Fehlertypen künftig noch genauer zu unterscheiden. Damit entsteht ein realistischer Entwicklungspfad von der zuverlässigen Fehlererkennung hin zu einer differenzierten Fehlerklassifikation.
Der Mehrwert reicht dabei über die reine Qualitätsprüfung hinaus. Wenn Fehler früher erkannt werden, sinken Ausschuss und Pseudoausschuss. Rohstoffe, Wasser und Energie können gezielter eingesetzt werden, weil weniger fehlerhafte Ware weiterverarbeitet oder ersetzt werden muss. Auch Retouren lassen sich reduzieren. Zugleich unterstützt die automatisierte Prüfung Unternehmen dabei, dem Fachkräftemangel zu begegnen, indem Prüfprozesse effizienter und weniger personalintensiv gestaltet werden. Das entspricht auch dem Nachhaltigkeitsansatz des Projekts: Ressourcen schonen, Prozesse stabilisieren und digitale Werkzeuge so einsetzen, dass sie in der Breite nutzbar werden. Die Ergebnisse sind zudem nicht nur für die Textilbranche interessant, sondern grundsätzlich auch auf Bereiche wie die Kunststoff- und Metallverarbeitung übertragbar.
Nach Abschluss des Anwendungsprojekts soll die Entwicklung weiter vertieft werden. Gemeinsam mit dem STFI sollen zusätzliche Textilmuster, insbesondere Vliesstoffe, genutzt werden, um das schnelle KI-Training für neue Muster weiter zu testen und zu verfeinern. Aus Sicht der Forschungseinrichtung wird der entwickelte Prototyp außerdem für Unternehmen zum Test bereitgestellt. So wird anschaulich, wie KI-Technologien Qualitätsprozesse in der Produktion konkret unterstützen können und welche Potenziale sich für weitere Anwendungsfelder ergeben.