70 % der Hersteller erfassen Daten noch immer von Hand
KI liest Anzeigen alter Geräte aus einem Foto
Eine Umfrage des Manufacturing Leadership Council der NAM ergab, dass 70 % der Hersteller Daten noch immer manuell erfassen. Nicht weil ihnen eine Strategie zur digitalen Transformation fehlt. Sondern weil die Ausrüstung in der Fabrik – der Produktionszähler an einer Presse aus den 1990er-Jahren, die Temperaturanzeige eines Ofens aus der Zeit vor IoT, das 7-Segment-Panel einer älteren Förderbandsteuerung – gebaut wurde, bevor Netzwerkanschlüsse Standard waren. Die Ausrüstung auszutauschen kostet sechsstellige Beträge und stoppt die Produktion. Sensoren nachzurüsten bedeutet Verkabelung, SPS-Programmierung und Protokoll-Handling. Dieser Artikel behandelt die dritte Option: Das Display fotografieren und die KI die Zahl direkt aus dem Bild lesen lassen.
Die wichtigsten Erkenntnisse
- 70 % der Hersteller erfassen Produktionsdaten noch immer von Hand von funktionierenden Geräteanzeigen, während 44 % derselben Hersteller bereits doppelt so viele Daten benötigen wie noch vor zwei Jahren.
- Die Produktionszahl leuchtet bereits auf einem funktionierenden LED-Panel – das Einzige, was sie von Ihrer Tabelle trennt, ist eine Lücke von 60 cm, die eine Person mit Klemmbrett überbrückt, eine Aufgabe, die ein Maschinist unverblümt als „schlägt immer fehl" beschrieb.
- Fotografieren Sie genau diese Anzeige und lassen Sie ImageToTable.ai die Zahl lesen – eine 30-sekündige Ablese- und Notierrunde pro Maschine wird zu einem 2-Sekunden-Foto, und jede extrahierte Zeile wird mit ihrem Quellbild als Prüfpfad geliefert.
70 % manuell. Nicht aus freier Wahl.
Die Umfrage des Manufacturing Leadership Council fragte nicht nach Präferenzen. Sie fragte 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 hat nichts mit Technologiefeindlichkeit zu tun — 44 % derselben Befragten gaben an, dass sich das Datenvolumen in ihren Organisationen in den letzten zwei Jahren mindestens verdoppelt hat. Der Hunger nach Daten wächst. Die Erfassungsmethode bleibt stehen.
Warum bleibt sie stehen? Weil die Geräte, die die Daten erzeugen, nicht für Konnektivität ausgelegt wurden. Ein junger Fertigungsingenieur auf Reddit beschrieb den Ausgangspunkt unverblümt: „Unsere Produktionslinie hat praktisch keine Datenerfassung. Ich möchte einfach anfangen." Seine Linie war nicht defekt. Sie stammte nur aus einer Zeit vor der Ära, in der Maschinen mit Ethernet-Anschlüssen ausgestattet wurden. Das ist der Standardzustand für Zehntausende Produktionslinien weltweit: funktionsfähige Ausrüstung, null digitaler Output.
70 % der Hersteller erfassen Daten manuell. 67 % nennen veraltete Ausrüstung als ihre größte künftige Herausforderung. 44 % haben eine Verdopplung des Datenvolumens in zwei Jahren erlebt. Die Kluft zwischen „mehr Daten nötig" und „gleiche manuelle Methoden" wird vierteljährlich größer.
Für einen umfassenderen Blick darauf, wie KI jede Art von Zähler oder Messgerät — Wasser, Gas, Strom und Industrie — anhand eines Fotos abliest, lesen Sie unseren vollständigen Leitfaden zur KI-Zählerablesung ohne Smart Meter.
Aber es gibt bereits eine Anzeige, die die Zahl zeigt
Dies ist das Detail, das in Diskussionen über die digitale Transformation übersehen wird. Die meisten älteren Anlagen verfügen bereits über eine digitale Anzeige. Der Produktionszähler einer Stanzpresse zeigt die Zykluszahl auf einem LED-Panel. Der Temperaturregler eines Aushärteofens zeigt den aktuellen Sollwert an. Der Durchflussmengenzähler einer Chemiedosieranlage zeigt das akkumulierte Volumen auf einem 7-Segment-LCD. Die Zahlen existieren. 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 ihre Ausbringung verfolgen. Die Antworten reichten von „Whiteboard und Marker" über „Bedienpersonal zählt auf Klemmbrett" bis zu „jemand läuft jede Stunde mit einem Notizblock durch die Halle". Ein Zerspanungsmechaniker, der Wendeschneidplattenverschleiß und Stückzahlen verfolgt, war direkter: „Die meisten Versuche, die Bediener dazu zu bringen, jedes Mal Zählungen zu erfassen, wenn sie eine Wendeschneidplatte nach ‚x' Teilen wechseln, scheitern immer und unsere Daten werden verfälscht." Die Datenerfassungsmethode ist nicht nur langsam — sie ist unzuverlässig. Bediener vergessen. Zählungen weichen ab. Die Zahlen, die in der Tabellenkalkulation landen, sind eine Näherung nach bestem Bemühen, keine Messung.
| Anlage | Anzeigetyp | Angezeigte Werte | Aktuelle Erfassungsmethode |
|---|---|---|---|
| Stanzpresse | LED-Produktionszähler | Zyklenzahl / produzierte Teile | Bedienkraft notiert jede Schicht auf dem Whiteboard |
| Härtungsofen | Digitaler Temperaturregler | Soll- und Ist-Temperatur | Stündlicher Rundgang mit Klemmbrett |
| Chemikaliendosierung | 7-Segment-Durchflussmengenzähler | Kumuliertes Dosiervolumen | Manuelle Protokolleintragung am Chargenende |
| CNC-Maschine | LCD-Werkzeugstandzeitzähler | Teile pro Wendeschneidplatte / Werkzeug | Manuelle Zählung der Bedienkraft – „funktioniert nie" (Reddit) |
| Fördersystem | Digitale Geschwindigkeitsanzeige | Bandgeschwindigkeit (Einheiten/min) | Wird selten erfasst, außer bei Problemen |
| Verpackungslinie | Digitaler Chargenzähler | Verpackte Einheiten pro Schicht | Schichtführer erfasst die Werte beim Schichtwechsel |
In jedem Fall ist die Anzeige direkt an der Maschine – funktionsfähig, gut lesbar und zeigt exakt die Zahl, die das Werk benötigt. 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 Protokollkonvertierung – 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 Probleme auf Geräteebene zurückgeführt, und der IIoT-Markt, der mit 8,1% jährlich auf 286,3 Milliarden US-Dollar bis 2029 wächst, spiegelt eine Realität wider, in der sorgfältig geplante Implementierungen Quartale oder Jahre bis zur Umsetzung benötigen.
Für den Fertigungsingenieur, der Basisdaten von einer Linie gewinnen möchte, die nie instrumentiert wurde, erfordert der IoT-Weg Kapitalbudget, Lieferantenauswahl, Beschaffungsvorlaufzeit, Installationsstillstand und eine laufende 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.
Die Forschung von McKinsey zur Fabrikdigitalisierung bestätigt das Potenzial: bis zu 20% Reduzierung der Qualitätskosten und bis zu 40% Reduzierung der Wartungskosten. Diese Renditen setzen jedoch voraus, dass das Digitalisierungsprojekt abgeschlossen ist. Die 70% der Werke, die Daten noch manuell erfassen, haben noch nicht begonnen, und die Kluft zwischen „keine Daten" und „vollständige IoT-Instrumentierung" ist so groß, dass viele sie nie überwinden.
Die praktische Frage ist nicht „sollten wir IoT installieren?" Die praktische Frage ist „können wir Produktionsdaten diese Woche in eine Tabellenkalkulation bekommen, von der Ausrüstung, die wir bereits haben, 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 Fünf-Jahres-IIoT-Fahrplan.
Wie KI ein digitales Display aus einem Foto liest
Der Mechanismus ist derselbe Spaltennamens-Extraktionsansatz, der auch Analogmessgeräte, Versorgungszähler und Feldinspektionsdaten verarbeitet. Er funktioniert bei digitalen Displays, weil die KI die Display-Technologie nicht verstehen muss – sie muss nur verstehen, dass das, was sie sieht, eine Zahl ist.
Ein 7-Segment-LED-Zähler mit der Anzeige „8472" ist für ein großes Vision-Modell trivial. Die Ziffern sind standardisiert, kontrastreich und eindeutig. Ein älteres LCD-Panel mit leicht verblassten Segmenten ist schwieriger, aber meist innerhalb der Toleranz. Die KI liest das Display so, wie es ein Mensch tut – durch Erkennen der Ziffernformen –, aber ohne die Aufmerksamkeitsschwankungen, die manuelle Zählungen über eine Acht-Stunden-Schicht unzuverlässig machen.
In der Praxis sieht der Arbeitsablauf so aus: Bediener fotografiert das Display → Upload über Sammellink (keine Anmeldung erforderlich) → Spaltennamen wie „Maschinen-ID, Zykluszahl, Zeitstempel" eingeben → KI extrahiert die Werte → Ausgabe ist eine Excel-Zeile pro Foto. Dieselbe Batch-Verarbeitung wie bei F1-F3 gilt: 30 Displays über eine Schicht fotografieren, zusammen hochladen, 30 ausgefüllte Zeilen erhalten. Den vollständigen Felddaten-Workflow lesen →
Was sich ändert: Der Bediener fotografiert den Produktionszähler, statt die Zahl aufzuschreiben. Die 30-sekündige „Ablese- und Schreibaktion" wird zu einem 2-Sekunden-Foto. Die manuelle Schichtendabrechnung – „schlägt immer fehl", so der Reddit-Maschinenbediener – wird durch eine Excel-Datei ersetzt, in der jede Zeile durch ein zeitgestempeltes Foto belegt ist.
Live-Demo: Display fotografieren, Ablesung erhalten
Laden Sie ein beliebiges Foto mit einem lesbaren digitalen Display hoch – einen Zähler, ein Temperaturpanel, eine 7-Segment-Anzeige –, um die Extraktion in Aktion zu sehen.
Dateien werden sicher verarbeitet und nicht gespeichert.
Wann fotografieren, wann instrumentieren
Die Entscheidung zwischen KI-basierter Fotoerfassung und vollständiger IoT-Instrumentierung ist keine Frage der Philosophie. Es geht um Häufigkeit, Kritikalität und Zeitrahmen:
| Wenn Sie benötigen... | KI-basierte Fotoerfassung | IoT-Instrumentierung |
|---|---|---|
| Daten noch diese Woche | Ja – sofort starten, keine Hardware nötig | Nein – Beschaffung, Installation und Tests dauern Monate |
| Einmal pro Schicht oder tägliche Ablesungen | Ideal – Bediener fotografiert während bestehender Rundgänge | Für diese Häufigkeit übertrieben |
| Echtzeitdaten im Sekundentakt | Nein – dafür ist kontinuierliche Sensorerfassung erforderlich | Ja – die dauerhafte Lösung |
| Proof of Concept vor Kapitalanfrage | Ideal – Wert ohne Investition demonstrieren | Falscher Ausgangspunkt |
| Daten von 30 verschiedenen Maschinenmodellen | Funktioniert – eine KI, beliebige Anzeigen | 30 separate Integrationsprojekte |
| Sicherheitskritische Alarmauslöser | Nein – Batch-Daten, keine Echtzeitwarnungen | Ja – genau dafür entwickelt |
Die beiden Ansätze sind keine Konkurrenten. Sie sind aufeinander aufbauend. KI-basierte Fotoerfassung bringt die Daten noch diese Woche zum Fließen und beweist den Wert der instrumentierten Überwachung – und schafft damit die Grundlage für die anschließende IoT-Nachrüstung. Die Werke, die noch zu den 70 % gehören, brauchen den ersten Schritt, bevor sie den zweiten rechtfertigen können. Derselbe KI-Mechanismus erfasst analoge Messgeräte bei Werksrundgängen →
Häufig gestellte Fragen
Funktioniert das bei verblassten oder beschädigten Displays?
Mäßiges Verblassen wird bewältigt – die KI erkennt Ziffernformen auch bei reduziertem Kontrast. Tote Segmente (z. B. bei einem 7-Segment-Display, bei dem ein Segment durchgebrannt und immer aus ist) können zu Fehlablesungen führen, genau wie sie auch menschliche Leser verwirren. Stark beschädigte LCD-Panels mit Geisterbildern oder Schlieren können unzuverlässige Ergebnisse liefern. Der praktische Test: Wenn eine Person die Zahl auf dem Foto sicher ablesen kann, kann das die KI in der Regel auch.
Was ist mit Displays, die mehrere Werte in Schleife anzeigen?
Ein einzelnes Foto erfasst, was zum Zeitpunkt der Aufnahme angezeigt wurde. Das funktioniert gut für statische Displays und Einzelbildschirm-Anzeigen. Bei Geräten, die durch mehrere Parameterseiten zyklisch wechseln (z. B. „Temperatur → Druck → Geschwindigkeit → Temperatur"), benötigen Sie ein Foto pro Bildschirm, den Sie erfassen möchten, abgestimmt auf den Anzeigezyklus. Die KI extrahiert die Zahl, die auf jedem Foto erscheint – der Bediener muss nur wissen, welchen Bildschirm er fotografiert hat.
Kann eine Person Dutzende Maschinen in einer einzigen Runde fotografieren?
Ja. Ein Rundgang, der zuvor erforderte, an jeder Maschine anzuhalten, das Display abzulesen und die Zahl aufzuschreiben, wird zu einem Rundgang, bei dem der Bediener jedes Display fotografiert und weitergeht. Der Stapel wird am Ende der Runde über einen Sammellink hochgeladen. Alle Messwerte werden in einer Excel-Datei zusammengeführt. Die Zeitersparnis wächst mit der Maschinenanzahl: 30 Maschinen à 30 Sekunden (ablesen + aufschreiben + prüfen) sind 15 Minuten Datenerfassung pro Runde. Das Fotografieren von 30 Maschinen dauert etwa 60 Sekunden.
Wie genau ist die Erkennung bei verschiedenen Displaytypen?
LED- und 7-Segment-Displays erreichen unter normalen Bedingungen eine nahezu perfekte Genauigkeit – die Ziffernformen sind standardisiert und kontrastreich. LCD-Panels mit Hintergrundbeleuchtung sind ähnlich zuverlässig. Ältere reflektierende LCDs (ohne Hintergrundbeleuchtung, bei Geräten aus den 1990er-Jahren üblich) hängen von der Umgebungsbeleuchtung während des Fotos ab – eine gut beleuchtete Aufnahme liefert genaue Messwerte. Punktmatrix-Displays (zeichenbasiert, nicht grafisch) funktionieren gut für numerische Inhalte, können aber bei gemischten Text-und-Zahlen-Formaten Probleme bereiten.
Sind die Daten bis zum Quellfoto zurückverfolgbar?
Ja. Jede extrahierte Zeile entspricht einem hochgeladenen Foto. Für Produktionsumgebungen, in denen Rückverfolgbarkeit wichtig ist, dient das Foto sowohl als Datenquelle als auch als Prüfprotokoll. Wenn ein Messwert verdächtig erscheint, ist das Originalbild zur Überprüfung verfügbar. Das ist eine Fähigkeit, die manuelle Aufzeichnungen nicht bieten können – sobald der Bediener „8472“ auf das Klemmbrett schreibt, kann niemand überprüfen, ob die Anzeige tatsächlich 8472 oder 8427 zeigte.