FOKUS innere Strukturen sind mit visueller 2D- und 3D-Sensorik nicht erkennbar. Nur mit CAD- Daten oder mit teurer Computertomografie könnten diese verdeckten Strukturen in die Auswertung mit einbezogen werden. Neues aus der Normung DIN EN ISO 2081 erschienen Mit Ausgabedatum 2026-02 ist DIN EN ISO 2081 „Metallische und andere an- organische Überzüge – Mit Chrom(VI)- haltigen Lösungen behandelte galvani- sche Überzüge auf Eisen und Stahl unter Verwendung von Zink“ (ISO 2081:2025); Deutsche Fassung EN ISO 2081:2025 er- schienen. Dieses Dokument ersetzt DIN EN ISO 2081:2018-07 und DIN EN ISO 2081:2024-10. Gegenüber DIN EN ISO 2081:2018- 07 wurden folgende Änderungen vorge- nommen: a) Titel wurde geändert; b) Tabelle 2 wurde ergänzt; c) Bezugnahmen auf Passivierung mit drei- wertigem Chrom [Cr (III)] wurden ge- strichen, da diese Systeme in DIN EN ISO 19598 behandelt werden; d) Bezugnahmen auf die Probenahme wur- den aktualisiert, um die tatsächliche In- dustriepraxis widerzuspiegeln. Das Dokument kann bei der DIN Media GmbH, 10772 Berlin, www.dinmedia.de bezogen werden. Fazit und Ausblick Das Forschungsprojekt KI-PrOT zeigt, dass eine automatisierte Klassifizierung der bau- teilbedingten Verschleppung auf Basis von Bilddaten möglich ist. Mit dem entwickelten Bauteilerfassungssystem wurden Klassifika- tionsgenauigkeiten von rund 82 Prozent bzw. 84 Prozent erreicht. Der Ansatz ermöglicht eine objektive und automatisierte Bewertung, die unabhängig von einzelnen Mitarbeitenden und deren individuellem Erfahrungswissen ist. Das Definieren expliziter Regeln oder geometri- scher Schwellenwerte, wie sie bei regelbasierten Bildverarbeitungsverfahren erforderlich sind, entfällt. Das entwickelte Bauteilerfassungssys- tem sowie die zugehörige Bildverarbeitungs-KI sind grundsätzlich auf weitere bauteilrelevante Eigenschaften, etwa die Oberflächenbeschaf- fenheit, übertragbar. Zukünftige Arbeiten konzentrieren sich auf die Erweiterung des Datensatzes und wei- tere Verbesserung der Genauigkeit. Zusätzlich sollen eine KI-basierte 3D-Rekonstruktion auf den bestehenden Bilddaten oder zusätzliche Tiefenkameras eingesetzt werden, um grobe 3D-Modelle und eine Schätzung der Oberflä- che zu erhalten [7], [8]. Zudem werden die Ver- schleppungsklassen-Informationen in die KI- gestützte Produktionsplanung integriert, die ebenfalls im KI-PrOT-Projekt entwickelt wird. Timo Leitritz, Fraunhofer IPA Literatur [1] A. Leiden et al., Cyber-physische Produktionssysteme für die Galvanoprozesskette, WOMag, 12/2018. [2] M. Hellmuth, Von Industrie 4.0 zu Galvanik 4.1 – Von den Forschungsergebnissen zur Umsetzung im ERP- System, WOMag, 02/2019. [3] S. Kölle et al., Elektrolytführung neu gedacht, WO- Mag, 04/2019. [4] A. Leiden, S. Kölle, S. Thiede et al., Model-based analysis, control and dosing of electroplating electro- lytes, Int. J. Adv. Manuf. Technol., 111, 1751–1766, 2020. [5] Z. Liu et al., ConvNeXt: A Convolutional Neural Network for the 2020s, CVPR, 2022. [6] H. Su et al., Multi-View Convolutional Neural Net- works for 3D Shape Recognition, ICCV, 2015. [7] B. Mildenhall et al., NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis, ECCV, 2020. [8] B. Kerbl et al., 3D Gaussian Splatting for Real-Time Radiance Field Rendering, SIGGRAPH, 2023. aus und die KI bestimmt die Verschleppungs- klasse. Der Nutzer kann das Ergebnis der KI nachträglich noch bestätigen oder anpassen. Aktuell wird die Anbindung an das ERP-Sys- tem zusammen mit dem Projektpartner und Entwickler für ERP-Systeme Softec umgesetzt, sodass Bauteilbilder und ermittelte Eigenschaf- ten direkt zurückgespiegelt werden können. Ergebnisse der Verschlep- pungsklassifizierung Untersucht wurden zahlreiche unterschiedli- che KI-Architekturen für die Verschleppungs- klassifizierung. Diese unterscheiden sich vor allem in der Anzahl der Eingabe-Bilder – von einem einzelnen Bild bis zu 18 Bildern unter- schiedlicher Perspektiven des Bauteils – und in der Backbone-Architektur des KI-Modells [5], [6], welche auf öffentlichen Datensätzen vortrainiert wird. Da sich die Art und Größe der Bauteile zwischen Gestell- und Trommel- galvaniken signifikant unterscheidet, werden separate, spezialisierte KI-Modelle für den jeweiligen Fall trainiert. Ein weiteres KI-Mo- dell wird für die Klassifikation des Galvanik- typs (Trommel oder Gestell) trainiert, um au- tomatisiert das korrekte Modell auszuwählen. Für Gestellgalvaniken erreicht die beste KI-Architektur bis zu 82 Prozent Genauig- keit auf dem Testdatensatz (Abbildung 3). Das heißt, auf einem separaten Datensatz, welcher nicht für das Training oder die Optimierung der Konfiguration des Modells eingesetzt wurde, erkennen die Modelle bei 82 Prozent der Scans die Verschleppungsklasse korrekt. Besonders gut gelingt die Unterscheidung zwischen den Extremklassen „schwach“ und „stark“ – hier liegt die Genauigkeit bei 97 Prozent. Schwieriger ist die Abgrenzung der mittleren Klasse: Bauteile der Klasse „mittel“ werden gelegentlich als „schwach“ oder „stark“ eingestuft, hier liegt die Genauigkeit nur bei etwa 78 Prozent. Diese Unterscheidung ist aber selbst für Experten nicht einfach, da die Übergänge zwischen den benachbarten Klas- sen in der Realität fließend sind. Für Trom- melgalvanik-Bauteile liegt die Genauigkeit mit etwa 84 Prozent auf einem sehr ähnlichen Ni- veau wie bei Gestellgalvaniken (Abbildung 4). Zu beachten ist, dass die Genauigkeit und Robustheit des Systems direkt an Qualität und Konsistenz der Expertenannotation ge- koppelt sind. Daher ist eine Mehrheitsent- scheidung für die Annotation der Scans sinn- voll, bei der mehrere Experten die annotierte Verschleppungsklasse bestätigen. Dies wurde bisher noch nicht im KI-PrOT-Projekt um- gesetzt. Weiterhin stoßen Bilddaten an prin- zipielle Grenzen: Verdeckte Hohlräume oder ZVOreport 2 | März 2026 65