70 % der Hersteller erfassen Daten noch per Hand
KI liest alte Anzeigen von Maschinen direkt aus einem Foto
Eine Umfrage des Manufacturing Leadership Council im Auftrag der NAM ergab, dass 70 % der Hersteller Daten immer noch manuell erfassen. Nicht etwa, weil ihnen eine Digitalisierungsstrategie fehlt. Sondern weil die Anlagen in der Fabrik – der Produktionszähler an einer Presse aus den 90ern, die Temperaturanzeige an einem Ofen aus der Vor-IoT-Ära, das Sieben-Segment-Display an einem alten Förderband-Controller – gebaut wurden, bevor Netzwerkanschlüsse Standard waren. Die Maschinen auszutauschen kostet sechsstellige Beträge und legt die Produktion lahm. Sensoren nachzurüsten bedeutet Verkabelung, SPS-Programmierung und Protokoll-Gefrickel. Dieser Artikel stellt die dritte Option vor: Einfach das Display fotografieren und die KI die Zahl direkt aus dem Bild auslesen lassen.
Wichtige Erkenntnisse
- 70 % der Hersteller erfassen Produktionsdaten noch immer manuell von den Anzeigen laufender Maschinen, während 44 % derselben Hersteller bereits doppelt so viele Daten benötigen wie noch vor zwei Jahren.
- Der Produktionszähler leuchtet bereits auf einem laufenden LED-Display – das Einzige, was ihn von Ihrer Tabelle trennt, ist eine Zwei-Fuß-Lücke, die von einer Person mit Klemmbrett überbrückt wird, eine Aufgabe, die ein Maschinist lapidar als „schlägt immer fehl" beschrieb.
- Fotografieren Sie dasselbe Display und lassen Sie ImageToTable.ai die Zahl auslesen – ein 30-Sekunden-Ablesen-und-Notieren pro Maschine wird zu einem 2-Sekunden-Foto, und jede extrahierte Zeile wird mit ihrem Quellbild als Prüfpfad geliefert.
70 % manuell. Nicht aus freien Stücken.
Die Umfrage des Manufacturing Leadership Council fragte nicht nach Vorlieben, sondern nach der Praxis: Wie gelangen Produktionsdaten tatsächlich von der Maschine ins System? Bei 70 % der Befragten lautet die Antwort: „Eine Person liest sie ab und tippt sie ein.“ Diese Zahl ist kein Zeichen von Technologiefeindlichkeit – 44 % derselben Befragten gaben an, dass sich das Datenvolumen in ihren Unternehmen in den letzten zwei Jahren mindestens verdoppelt hat. Der Hunger nach Daten wächst. Die Erfassungsmethode hinkt hinterher.
Warum? Weil die Anlagen, die die Daten erzeugen, nicht für Konnektivität ausgelegt sind. Ein junger Fertigungsingenieur auf Reddit beschrieb den Ausgangspunkt treffend: „Unsere Produktionslinie hat praktisch keine Datenerfassung. Ich möchte einfach anfangen.“ Seine Linie war nicht defekt. Sie stammte nur aus einer Zeit vor Maschinen mit Ethernet-Anschluss. Das ist der Standardzustand für Zehntausende Produktionslinien weltweit: funktionstüchtige Anlagen, null digitale Ausgabe.
70 % der Hersteller erfassen Daten manuell. 67 % nennen veraltete Anlagen als ihre größte künftige Herausforderung. 44 % verzeichnen eine Verdopplung des Datenvolumens in zwei Jahren. Die Kluft zwischen „mehr Daten nötig“ und „gleiche manuelle Methoden“ wird jedes Quartal größer.
Für einen umfassenderen Überblick, wie KI beliebige Zähler und Messgeräte – Wasser, Gas, Strom und Industrie – anhand eines Fotos abliest, lesen Sie unseren vollständigen Leitfaden zur KI-Zählerablesung ohne intelligente Zähler.
Dabei gibt es doch schon eine Anzeige mit der Stückzahl
Dieses Detail wird in Diskussionen zur digitalen Transformation gern übersehen. Die meisten älteren Anlagen haben bereits eine digitale Anzeige. Der Produktionszähler einer Presse zeigt die Zyklenanzahl auf einem LED-Panel. Der Temperaturregler eines Aushärteofens zeigt den aktuellen Sollwert. Der Durchflussmengenzähler einer Chemiedosieranlage zeigt die aufsummierte Menge auf einem Sieben-Segment-LCD. Die Zahlen sind da. Sie sind sichtbar. Sie sind genau. Sie sind nur mit nichts verbunden.
Ein Fertigungsingenieur, der neue manuelle Produktionslinien einrichtet, fragte im Forum, wie andere Werke die Ausbringung erfassen. Die Antworten reichten von „Whiteboard und Marker“ über „Bediener zählen auf einem Klemmbrett“ bis hin zu „jemand läuft jede Stunde mit einem Notizblock durch die Halle“. Ein Zerspanungsmechaniker, der Wendeschneidplattenverschleiß und Teileanzahlen erfasst, war direkter: „Die meisten Versuche, die Bediener nach jeweils 'x' Teilen einen Strich machen zu lassen, scheitern, und unsere Daten werden verfälscht.“ Die Methode der Datenerfassung ist nicht nur langsam – sie ist unzuverlässig. Bediener vergessen es. Die Strichlisten weichen ab. Die Zahlen, die in der Tabelle landen, sind eine Näherung nach bestem Wissen und Gewissen, keine Messung.
| Anlage | Anzeigetyp | Angezeigter Wert | Aktuelle Erfassungsmethode |
|---|---|---|---|
| Stanzpresse | LED-Produktionszähler | Zyklenzahl / produzierte Teile | Bediener notiert pro Schicht auf Whiteboard |
| Härteofen | Digitaler Temperaturregler | Soll- und Ist-Temperatur | Stündlicher Rundgang mit Klemmbrett |
| Chemiedosierung | 7-Segment-Durchflussmengenzähler | Kumuliertes Dosiervolumen | Manueller Logbucheintrag am Chargenende |
| CNC-Maschine | LCD-Werkzeugstandzeitzähler | Teile pro Schneidplatte / Werkzeug | Bediener-Strichliste – „funktioniert nie“ (Reddit) |
| Förderbandsystem | Digitale Geschwindigkeitsanzeige | Bandgeschwindigkeit (Einheiten/min) | Nur bei Störungen erfasst |
| Verpackungslinie | Digitaler Chargenzähler | Verpackte Einheiten pro Schicht | Meister sammelt bei Schichtwechsel ein |
In jedem Fall sitzt die Anzeige direkt an der Maschine – funktionsfähig, lesbar und zeigt genau die Zahl, die das Werk braucht. Das Problem ist nicht der Zugang zu den Daten. Es ist der Schritt zwischen „die Maschine zeigt eine Zahl“ und „die Zahl ist im Produktionssystem“. Dieser Schritt ist derzeit ein Mensch.
Warum IoT-Nachrüstung nicht die erste Antwort ist
Die Standardlösung für dieses Problem umfasst Sensoren, Edge-Gateways, SPS-Programmierung und Protokollumwandlung – typischerweise OPC-UA oder MQTT-Brücken zu einem Data Historian oder MES. Das funktioniert. Es ist die dauerhafte Lösung. Es ist aber auch teuer, langsam und überraschend fehleranfällig: 58 % der IoT-Projektfehler werden auf Geräteprobleme zurückgeführt, und der IIoT-Markt, der mit 8,1 % jährlich auf 286,3 Milliarden Dollar bis 2029 wächst, spiegelt eine Realität wider, in der sorgfältig geplante Implementierungen Quartale oder Jahre brauchen, um sich zu materialisieren.
Für den Fertigungsingenieur, der Basisdaten zur Produktion von einer Linie erhalten möchte, die nie instrumentiert wurde, verlangt der IoT-Weg nach Kapitalbudget, Lieferantenauswahl, Beschaffungsvorlaufzeit, Installationsstillstand und laufender Wartungsverpflichtung – bevor ein einziger Datenpunkt das Dashboard erreicht. Es ist die richtige Lösung für eine Linie, die noch ein Jahrzehnt laufen wird. Es ist der falsche erste Schritt, um zu beweisen, dass Datenerfassung überhaupt lohnenswert ist.
McKinseys Forschung zur Fabrikdigitalisierung bestätigt das Potenzial: bis zu 20 % Reduzierung der Qualitätskosten und bis zu 40 % Reduzierung der Wartungskosten. Aber diese Renditen setzen voraus, dass das Digitalisierungsprojekt abgeschlossen ist. Die 70 % der Werke, die noch manuell Daten erfassen, haben noch nicht begonnen, und die Lücke zwischen „keine Daten" und „vollständiger IoT-Instrumentierung" ist so groß, dass viele sie nie überbrücken.
Die praktische Frage ist nicht „Sollten wir IoT installieren?" Die praktische Frage ist: „Können wir diese Woche Produktionsdaten in eine Tabelle bekommen, von der vorhandenen Anlage, ohne die Linie stillzulegen oder Kapitalbudget auszugeben?" Für die meisten Werke, die noch zu den 70 % gehören, ist die Antwort auf diese Frage wichtiger als der Fünfjahres-IIoT-Fahrplan.
Wie KI eine Digitalanzeige aus einem Foto ausliest
Der Mechanismus ist derselbe Spaltennamen-Extraktionsansatz, der auch bei analogen Messgeräten, Versorgungszählern und Feldinspektionsdaten zum Einsatz kommt. Er funktioniert bei Digitalanzeigen, weil die KI die Anzeigetechnologie nicht verstehen muss – sie muss nur erkennen, dass das, was sie sieht, eine Zahl ist.
Ein Sieben-Segment-LED-Zähler mit der Anzeige „8472“ ist für ein visuelles Large Model trivial. Die Ziffern sind standardisiert, kontrastreich und eindeutig. Ein älteres LCD-Panel mit leicht verblassten Segmenten ist schwieriger, aber meist noch im Toleranzbereich. Die KI liest die Anzeige wie ein Mensch – durch Erkennen der Ziffernformen – jedoch ohne die Aufmerksamkeitsschwankungen, die manuelle Zählungen über eine Acht-Stunden-Schicht unzuverlässig machen.
In der Praxis sieht der Workflow so aus: Der Bediener fotografiert die Anzeige → lädt das Foto über den Collection Link hoch (kein Login erforderlich) → gibt Spaltennamen wie „Maschinen-ID, Zykluszahl, Zeitstempel“ ein → die KI extrahiert die Werte → die Ausgabe ist eine Excel-Zeile pro Foto. Dieselbe Stapelverarbeitung wie bei F1-F3 gilt: 30 Anzeigen während einer Schicht fotografieren, gemeinsam hochladen, 30 ausgefüllte Zeilen erhalten. Zum vollständigen Felddaten-Workflow →
Was sich ändert: Der Bediener fotografiert den Produktionszähler, anstatt die Zahl aufzuschreiben. Die 30-sekündige „Lese-und-Schreib“-Aktion wird zu einem 2-Sekunden-Foto. Die manuelle Schichtendabrechnung – „funktioniert nie“, so der Reddit-Maschinenbediener – wird durch eine Excel-Datei ersetzt, in der jede Zeile durch ein Foto mit Zeitstempel belegt ist.
Live-Demo: Anzeige fotografieren, Ablesung erhalten
Laden Sie ein beliebiges Foto mit einer lesbaren Digitalanzeige hoch – einen Zähler, ein Temperaturpanel, ein Sieben-Segment-Display – um die Extraktion in Aktion zu sehen.
Dateien werden sicher verarbeitet und nicht gespeichert.
Wann fotografieren, wann instrumentieren
Die Entscheidung zwischen KI-gestütztem Ablesen per Foto und vollständiger IoT-Instrumentierung ist nicht philosophisch. Es geht um Häufigkeit, Kritikalität und Zeitplan:
| Wenn Sie brauchen... | Foto-basierte KI-Ablesung | IoT-Instrumentierung |
|---|---|---|
| Daten diese Woche | Ja – sofort starten, keine Hardware | Nein – Beschaffung, Installation, Tests dauern Monate |
| Einmal pro Schicht oder tägliche Ablesungen | Ideal – Bediener fotografiert bei bestehenden Rundgängen | Overkill für diese Frequenz |
| Sekundengenaue Echtzeitdaten | Nein – erfordert kontinuierliche Sensoreingabe | Ja – die dauerhafte Lösung |
| Proof of Concept vor Kapitalantrag | Ideal – Wert ohne Investition demonstrieren | Falscher Startpunkt |
| Daten von 30 verschiedenen Maschinenmodellen | Funktioniert – eine KI, jedes Display | 30 separate Integrationsprojekte |
| Sicherheitskritische Alarmauslöser | Nein – Batch-Daten, keine Echtzeit-Alarme | Ja – dafür entwickelt |
Die beiden Ansätze sind keine Konkurrenten. Sie sind aufeinanderfolgend. Foto-basierte KI-Ablesung bringt Daten diese Woche zum Fließen und beweist den Wert der instrumentierten Überwachung – und schafft so die Grundlage für das nachfolgende IoT-Retrofit. Die Werke, die noch in den 70% stecken, brauchen den ersten Schritt, bevor sie den zweiten rechtfertigen können. Derselbe KI-Mechanismus erfasst analoge Anzeigen bei Werksrundgängen →
Häufig gestellte Fragen
Funktioniert das auch bei verblassten oder beschädigten Displays?
Leichte Verblassungen werden verarbeitet – die KI erkennt Ziffernformen auch bei reduziertem Kontrast. Tote Segmente (z. B. ein Sieben-Segment-Display mit einem dauerhaft ausgefallenen Segment) können zu Fehlablesungen führen, genau wie sie menschliche Leser verwirren. Stark degradierte LCD-Panels mit Geisterbildern oder Ausblutungen können unzuverlässige Ergebnisse liefern. Der Praxistest: Wenn ein Mensch die Zahl auf dem Foto sicher lesen kann, kann die KI das in der Regel auch.
Was ist mit Displays, die mehrere Werte im Wechsel anzeigen?
Ein einzelnes Foto erfasst, was zum Zeitpunkt der Aufnahme angezeigt wurde. Das funktioniert gut für statische Displays und Einzelbildschirme. Bei Geräten, die durch mehrere Parameterseiten wechseln (z. B. „Temp → Druck → Geschwindigkeit → Temp“), benötigen Sie ein Foto pro gewünschter Seite, zeitlich abgestimmt auf den Displayzyklus. Die KI extrahiert die jeweils angezeigte Zahl – der Bediener muss nur wissen, welche Seite er fotografiert hat.
Kann eine Person in einer Runde Dutzende Maschinen fotografieren?
Ja. Ein Rundgang, der zuvor an jeder Maschine das Ablesen und Notieren des Werts erforderte, wird zu einem Rundgang, bei dem der Bediener jedes Display fotografiert und weitergeht. Der Batch wird am Ende der Runde über einen Sammellink hochgeladen. Alle Ablesungen landen in einer Excel-Datei. Der Zeitgewinn steigt mit der Maschinenanzahl: 30 Maschinen à 30 Sekunden (ablesen + notieren + prüfen) sind 15 Minuten Datenerfassung pro Runde. 30 Maschinen zu fotografieren dauert etwa 60 Sekunden.
Wie genau ist die Erkennung bei verschiedenen Displaytypen?
LED- und Siebensegmentanzeigen erreichen unter normalen Bedingungen eine nahezu perfekte Genauigkeit – die Ziffernformen sind standardisiert und kontrastreich. LCD-Panels mit Hintergrundbeleuchtung sind ähnlich zuverlässig. Ältere reflektive LCDs (ohne Hintergrundbeleuchtung, üblich bei Geräten der 1990er Jahre) sind auf die Umgebungsbeleuchtung während der Aufnahme angewiesen – ein gut ausgeleuchtetes Foto liefert genaue Werte. Punktmatrix-Displays (zeichenbasiert, nicht grafisch) funktionieren gut für numerische Inhalte, haben aber möglicherweise Schwierigkeiten mit gemischten Text-Zahlen-Formaten.
Sind die Daten bis zum Quellfoto rückverfolgbar?
Ja. Jede extrahierte Zeile entspricht einem hochgeladenen Foto. In Produktionsumgebungen, in denen Rückverfolgbarkeit wichtig ist, dient das Foto sowohl als Datenquelle als auch als Prüfbeleg. Falls ein Wert jemals verdächtig erscheint, steht das Originalbild zur Überprüfung bereit. Das ist eine Fähigkeit, die manuelle Zählungen nicht bieten können – sobald der Bediener „8472“ auf das Klemmbrett schreibt, kann niemand mehr prüfen, ob die Anzeige tatsächlich 8472 oder 8427 zeigte.