Ein Scrollytelling über Mut, Muster und die Frage, ob KI auch dann helfen kann, wenn jede Produktion anders aussieht.
KI MIT WENIGEN DATEN
Die Bahnware bewegt sich langsam durch die Anlage. Meter für Meter. Das Material ist neu. Die Farbe ebenfalls. Und das Muster hat die Maschine noch nie zuvor gesehen.
In vielen Textilproduktionen ist genau das der Alltag.
Heute ein Möbelstoff. Morgen ein technisches Gewebe. Übermorgen eine Sonderanfertigung.
Die Produkte wechseln ständig. Die Qualitätsanforderungen bleiben.
Für erfahrene Mitarbeitende ist das nichts Ungewöhnliches. Sie vergleichen. Sie erkennen Gemeinsamkeiten. Sie nutzen Erfahrung.
Doch wie sieht das bei einer Maschine aus?
Klassische Kamerasysteme benötigen klare Regeln. Sie funktionieren besonders gut, wenn Produkte immer gleich aussehen.
Doch was passiert, wenn jedes Produkt anders ist? Und was passiert, wenn kaum Daten vorhanden sind, um ein KI-System zu trainieren?
Genau diese Frage stand am Anfang eines Projekts des Mittelstand-Digital Zentrums Smarte Kreisläufe gemeinsam mit der QUINTINA GmbH und dem Sächsischen Textilforschungsinstitut STFI.
Eine Frage, die viele kleine und mittlere Unternehmen beschäftigt:
Kann KI auch dann helfen, wenn die Realität nicht perfekt planbar ist?
Die Menschen hinter dem Projekt
Drei Menschen. Drei Perspektiven. Ein gemeinsames Ziel.
Digitalisierung beginnt selten mit Technologie. Sie beginnt mit einer Beobachtung. Mit einem Problem.
Und mit Menschen, die neugierig genug sind, nach einer Lösung zu suchen.
Norman Thieme
KI muss dort funktionieren, wo die Realität kompliziert wird. Die meisten Produktionen liefern keine perfekten Datensätze. Genau deshalb müssen KI-Systeme lernen, mit realen Bedingungen umzugehen.
Norman Thieme
Norman Thieme ist Gründer und Geschäftsführer der QUINTINA GmbH. Sein Team entwickelt KI-basierte Kamerasysteme für industrielle Qualitätskontrolle.
Doch dieses Projekt war anders.
Denn hier ging es nicht darum, eine KI mit tausenden Bildern zu trainieren. Sondern darum herauszufinden, ob sie auch mit wenigen Beispielen lernen kann.
Eine Herausforderung, die viele kleine und mittlere Unternehmen kennen.
Andreas Böhm
„Die größte Herausforderung war nicht die KI. Sondern die Frage, was sie überhaupt lernen soll. Eine KI erkennt Fehler nicht automatisch. Sie muss lernen, was normal ist und was nicht.“
Andreas Böhm
Andreas Böhm ist wissenschaftlicher Mitarbeiter am Sächsischen Textilforschungsinstitut (STFI) in Chemnitz.
Er begleitete das Projekt als Digitalisierungsexperte. Schon früh wurde deutlich: Die Technologie war nicht das Problem.
Die eigentliche Herausforderung lag in den Daten.
Welche Fehler treten tatsächlich auf? Welche Muster wiederholen sich? Welche Unterschiede sind relevant? Und welche nicht?
Anja Merker
Viele Unternehmen glauben noch immer, KI sei nur etwas für Konzerne. Wir möchten zeigen, dass KI nicht mit Millioneninvestitionen beginnt. Sondern oft mit einer einzigen konkreten Fragestellung.
Anja Merker
Als Geschäftsführerin des Mittelstand-Digital Zentrums Smarte Kreisläufe erlebt Anja Merker regelmäßig dieselbe Situation:
Unternehmen interessieren sich für KI. Gleichzeitig gibt es Unsicherheiten. Fehlende Zeit. Fehlende Erfahrungen. Und die Sorge, dass die Technologie zu komplex sein könnte.
Nutzen Sie unsere Publikationen zum Thema Künstliche Intelligenz. Mehr dazu auf www.smarte-kreislaeufe.de ...
...oder treffen Sie uns und unsere KI-Trainer auf Veranstaltungen oder online.
Warum variable Produktionen für KI so schwierig sind
Viele KI-Anwendungen lieben Wiederholungen. Immer dieselben Produkte. Immer dieselben Abläufe. Immer dieselben Fehler.
Doch genau das gibt es in vielen Textilproduktionen nicht. Besonders in Lohnfertigungen. Hier entstehen Produkte für unterschiedliche Auftraggeber. In kleinen Stückzahlen. Mit wechselnden Materialien. Mit wechselnden Farben. Mit wechselnden Strukturen. Jeder Auftrag sieht anders aus. Und trotzdem muss die Qualität stimmen.
Die eigentliche Schwierigkeit: Eine KI benötigt Beispiele.
Das System kann als Retrofit‑Lösung direkt in ein bestehenden Prozess eingebunden werden.
Doch was passiert, wenn ein Produkt nur wenige Tage produziert wird? Woher sollen hunderte Fehlerbilder kommen? Woher tausende Trainingsdaten?
Genau diese Frage stand im Mittelpunkt des Projekts. Die Partner wollten herausfinden:
Kann ein KI-Kamerasystem auch mit wenig Ausgangsdaten zuverlässig arbeiten?
Nicht mehr Daten sammeln, sondern intelligenter lernen.
Die Projektpartner entschieden sich bewusst gegen einen klassischen Ansatz. Denn mehr Daten zu sammeln, hätte das eigentliche Problem nicht gelöst. Variable Produktionen bleiben variabel. Stattdessen entstand eine andere Idee.
Die KI sollte lernen, Ähnlichkeiten zu erkennen.
Auch wenn Produkte unterschiedlich aussehen. Auch wenn nur wenige Beispiele vorhanden sind.
Ein Trainingssystem für die Praxis
Das Ziel war nicht nur die Entwicklung einer KI. Das Ziel war die Entwicklung eines Anlernprozesses. Eines Workflows. Einer Methode. Damit Unternehmen die KI später selbst an neue Produkte anpassen können.
Wo die KI lernen sollte
Die Reise führte nach Chemnitz zum Sächsischen Textilforschungsinstitut (STFI).
Am STFI in Chemnitz kann live erlebt werden...
...wie z. B. Robotik in der Produktion eingesetzt werden kann. Außerdem...
... informiert das STFI z. B. mit Labtouren oder mit Workshops über vernetzte Produktionssysteme.
Das STFI ist Partner im Mittelstand-Digital Zentrum Smarte Kreisläufe und demonstriert in einer Modellfabrik, wie vernetzte Produktionssysteme ausgestaltet sein können. Ein Teil der Produktionslinie ist ein klassischer Prüfstand für Textilien.
Hier entstand die technische Umgebung für das Projekt. Ein Prüfstand. Ausgestattet mit Kameratechnik, Beleuchtung, Software. Und vor allem: Testmaterialien.
DIE SUCHE NACH FEHLERN
Doch bevor trainiert werden konnte, musste der Prüfstand angepasst werden. Analysiert. Umgebaut. Eingerichtet. Schritt für Schritt entstand eine Umgebung, in der die KI unter realitätsnahen Bedingungen lernen konnte.
Und dann? Eine unerwartete Herausforderung:
Die KI brauchte Fehler. Viele Fehler. Doch Fehler entstehen nicht auf Bestellung.
Echte Produktionsdaten: Warum generische Bilder nicht reichen.
Also begann die Suche. Welche Fehler treten typischerweise auf? Welche sind für die Qualitätskontrolle relevant? Welche sind auf Bildern überhaupt sichtbar? Welche Fehler ähneln sich? Welche unterscheiden sich deutlich?
Die Projektpartner sichteten Materialien. Verglichen Beispiele. Diskutierten Grenzfälle.
Erst danach konnte die eigentliche Trainingsphase beginnen.
DIE KI LERNT
Die ersten Trainingsläufe
Die ersten Ergebnisse waren vielversprechend. Dann kamen die Probleme. Neue Stoffe. Neue Lichtverhältnisse. Neue Strukturen. Plötzlich wurden Fehler übersehen. Oder harmlose Abweichungen fälschlicherweise markiert. Ein typischer Moment in KI-Projekten. Nicht jeder Rückschlag ist ein Scheitern. Oft beginnt genau dort der Lernprozess.
Fehlererkennung: Optimale Zeitpunkte & wirtschaftliche Lösungen
Jede neue Materialvariante hat uns etwas über die Grenzen des Systems beigebracht.
Andreas Böhm
Die KI wurde erneut trainiert. Neue Daten kamen hinzu. Parameter wurden angepasst. Tests wiederholt. Ergebnisse verglichen. Und langsam wurde das System robuster.
DER PRAXISTEST
KI-gestützte Prüfung eines Textils
Jetzt zählt die Realität. Der Prüfstand läuft. Die Bahnware bewegt sich. Die Kamera erfasst jedes Detail. Die KI analysiert Bild für Bild. Keine Pause. Keine Müdigkeit. Keine Konzentrationsschwankungen. Nur Muster. Vergleiche. Bewertungen.
Und dann erscheint die Markierung. Ein Fehler wurde erkannt. Genau dafür wurde das Projekt gestartet.
Das Projekt hat gezeigt, dass KI-basierte Qualitätsprüfung auch bei wenigen Lerndaten bereits einen praktischen Nutzen entfalten kann. Besonders interessant ist für uns das Potenzial, relevante Bildmerkmale schneller zu identifizieren und daraus robuste Anwendungen für variable Produktionsumgebungen weiterzuentwickeln.
Norman Thieme
Mehr als Qualität
Ein Fehler kostet mehr als Geld. Er kostet Material. Wasser. Energie. Zeit.
Je früher Fehler erkannt werden, desto geringer wird der Ausschuss.
Genau deshalb kann KI-basierte Qualitätskontrolle auch einen Beitrag zur Nachhaltigkeit leisten.
Weniger fehlerhafte Ware bedeutet:
- weniger Rohstoffverbrauch,
- weniger Nacharbeit,
- weniger Ersatzproduktion
- weniger Ressourcenverschwendung
Das macht die Technologie nicht nur wirtschaftlich interessant. Sondern auch ökologisch relevant.
Die spannendste Erkenntnis des Projekts lautet nicht: „Die KI funktioniert.“
Sondern: „Die KI kann lernen, obwohl nur wenige Daten vorhanden sind.“
Genau das macht die Ergebnisse interessant.
Nicht nur für die Textilbranche.
Sondern auch für Unternehmen aus:
- Kunststoffverarbeitung
- Metallverarbeitung
- variantenreicher Fertigung allgemein.
Denn überall wächst dieselbe Herausforderung: Mehr Varianten. Kleinere Stückzahlen. Weniger Standardisierung.
Die Erkenntnisse des Projekts sind deshalb weit über die Textilindustrie hinaus relevant.
KI beginnt nicht mit Technologie.
KI beginnt mit einer Frage.
Welche Herausforderung möchten Sie lösen?
Nächste Schritte
Für das Projekt
In einem nächsten Schritt sollen weitere Textilmuster, insbesondere Vliesstoffe, einbezogen werden, um das schnelle KI-Training weiter zu verfeinern. Zusätzlich stellt das STFI den entwickelten Prototyp für Tests bereit, damit Unternehmen die Einsatzmöglichkeiten solcher Technologien praxisnah erproben können.
Für Sie
Vielleicht beginnt Ihr KI-Projekt genau hier.
Die Geschichte hinter den Ergebnissen
Im Podcast "Vorgespult", dem Podcast des Mittelstand-Digital Zentrums Smarte Kreisläufe, spricht Anja Merker mit Nick Oehme über das Training von KI mit echten Produktionsdaten und den Einsatz synthetischer Fehlerbilder. Über die wichtigsten Erkenntnisse aus dem Projekt. Und, wie aus einer Idee ein funktionierender Demonstrator wurde.
Podcast-Folge: KI in der Qualitätskontrolle
Häufige Fragen
1. Braucht mein Unternehmen große Datenmengen für KI?
Nicht zwingend. Viele Projekte starten mit überschaubaren Datensätzen.
2. Ist KI nur für große Unternehmen geeignet?
Nein. Gerade KMU profitieren von konkreten Anwendungsfällen.
3. Wie teuer ist ein Einstieg?
Das hängt vom Anwendungsfall ab. Oft beginnen Unternehmen mit Pilotprojekten.
4. Kann KI Mitarbeitende ersetzen?
Nein. Ziel ist meist Unterstützung und Entlastung.
5. Welche Fehler kann KI erkennen?
Das hängt vom Training und den vorhandenen Daten ab.
6. Wie lange dauert ein KI-Projekt?
Von wenigen Wochen bis mehreren Monaten.
7. Muss die Produktion vollständig digitalisiert sein?
Nein. Viele Lösungen lassen sich schrittweise integrieren.
8. Was passiert bei neuen Produkten?
Die KI kann nachtrainiert werden.
9. Wie sicher sind die Ergebnisse?
Die Qualität steigt mit Datenqualität und Training.
10. Wo bekomme ich Unterstützung?
Beim Mittelstand-Digital Zentrum Smarte Kreisläufe und seinen Partnern.
11. Kann KI auch außerhalb der Textilbranche eingesetzt werden?
Ja. Viele Verfahren funktionieren ebenfalls in Kunststoff-, Metall- oder anderen Fertigungsprozessen. (digitalzentrum-smarte-kreislaeufe.de)
KI braucht nicht immer perfekte Bedingungen. Nicht immer tausende Datensätze. Nicht immer große Konzerne.
Manchmal reicht eine konkrete Herausforderung. Eine gute Idee. Und die Bereitschaft, Neues auszuprobieren.
Genau dabei unterstützt das Mittelstand-Digital Zentrum Smarte Kreisläufe. Kostenfrei. Praxisnah. Anbieterneutral.
Bei Fragen sprechen Sie uns gern an:
Dieses Projekt wurde 2026 im Rahmen von Mittelstand-Digital umgesetzt.
Das Mittelstand-Digital Netzwerk bietet mit den Mittelstand-Digital Zentren und der Initiative IT-Sicherheit in der Wirtschaft umfassende Unterstützung bei der Digitalisierung mit dem Schwerpunkt Künstliche Intelligenz. Kleine und mittlere Unternehmen profitieren von konkreten Praxisbeispielen und passgenauen, anbieterneutralen Angeboten zur Qualifikation und IT-Sicherheit. Das Bundesministerium für Wirtschaft und Energie ermöglicht die kostenfreie Nutzung der Angebote von Mittelstand-Digital. Weitere Informationen finden Sie unter www.mittelstand-digital.de.