Technische Zeichnungen gehören in nahezu jedem Industrieunternehmen zu den wichtigsten Informationsquellen. Sie sind Bestandteil in der Konstruktion, im Einkauf sowie in der Produktion und liefern Geometrie, Abmessungen, Materialien und weitere Eigenschaften von Bauteilen. Häufig werden diese Informationen jedoch nicht digital genutzt, sondern manuell in ERP-, PDM- oder Logistiksysteme übertragen. Dieser Bruch bedeutet hohen Aufwand und beeinträchtigt die Qualität der Stammdaten. Vor allem in der Intralogistik wirken sich ungenaue oder fehlende Daten direkt auf Lager, Verpackung und Transportplanung aus.
KI und Zeichnungen
Der große Vorteil technischer Zeichnungen liegt in ihrer Standardisierung. Trotz unterschiedlicher Normen folgen sie klaren visuellen Strukturen. Das macht sie zu einem idealen Anwendungsfeld für KI-gestützte Verfahren, die Gegenstand aktueller Forschung sind. Neben klassischen Texterkennungsmethoden werden etwa Ansätze untersucht, die 2D-Zeichnungen direkt in 3D-Modelle überführen. Diese Entwicklungen zeigen, dass sich semantische Inhalte grundsätzlich automatisieren lassen. Nutzt man dieses Potenzial gezielt, lässt sich die Stammdatenqualität deutlich verbessern.
Vom Dokument zur Datenquelle
Ein praxisnaher Ansatz verbindet mehrere Technologien in einer Verarbeitungskette (siehe Abbildung 1). Zunächst kommt eine Vorverarbeitung der Zeichnung zum Einsatz, etwa mit OpenCV, um Linien, Ansichten und Bemaßungen sichtbar zu machen. Dann erfolgt die Extraktion von Text und Spezifikationen mit OCR- und Vision-Services. Dienste wie Google Cloud Vision können Inhalte aus komplexen Zeichnungen erkennen, liefern aber in der Praxis nicht immer die nötige Genauigkeit – besonders bei variierenden Layouts oder Scan-Qualitäten. Darüber hinaus haben sich Deep-Learning-Methoden wie Yolo bewährt. Yolo (You Only Look Once) nutzt neuronale Netze zur Objekterkennung und analysiert ein Bild in einem einzigen Durchlauf, um Elemente wie Bemaßungen oder Zeichnungsbereiche zu identifizieren. Die Echtzeitfähigkeit und hohe Genauigkeit machen den Ansatz besonders attraktiv für industrielle Anwendungen.
Weiter verstärkt wird der Nutzen, wenn verschiedene Verfahren kombiniert werden. Während OCR- und Vision-Dienste oft generisch arbeiten, helfen trainierte Modelle auf Basis von Yolo, domänenspezifische Objekte wie Bemaßungslinien, Toleranzen oder Zeichnungsköpfe robuster zu erkennen. In der Praxis entsteht der größte Mehrwert oft durch hybride Ansätze, bei denen mehrere Modelle parallel laufen und ihre Ergebnisse zusammengeführt werden. So verringern sich Unsicherheiten und die Gesamtgenauigkeit steigt.
Entsprechend gehen spezialisierte Anbieter noch einen Schritt weiter: Sie liefern fertige Systeme zur strukturierten Extraktion technischer Daten um zum Beispiel Prüfungspläne automatisiert erzeugen zu lassen. Die anschließende semantische Interpretation kann sich mit Sprachmodellen durchführen lassen, etwa um Bezeichnungen zu vereinheitlichen oder Werte plausibilisieren zu lassen. Allerdings setzt letzteres eine tiefere Auseinandersetzung voraus, da Sprachmodelle zur Validierung von Ergebnissen im Bereich technischer Zeichnungen nicht stark erforscht sind.
Von 2D zu 3D
Ein weiterer Forschungsschwerpunkt ist die Rekonstruktion von 3D-Geometrien aus 2D-Zeichnungen. Ziel ist, aus mehreren Ansichten automatisiert ein konsistentes 3D-Modell abzuleiten. Zeichnungen könnten dadurch künftig nicht nur als Informationsquelle dienen, sondern direkt in digitale Modelle überführt werden, die sich sofort für Simulation, Fertigung oder Logistik nutzen lassen.
Mehrwert für Stammdaten und Intralogistik
Die automatische Extraktion schafft zentrale Kennzahlen wie maximale Abmessungen, Volumen oder Gewichtsschätzungen. Diese Daten können direkt in Zielsysteme übertragen werden und die Basis für operative Entscheidungen wie beispielsweise Verpackungsplanung, Losgrößenoptimierung oder Flächendimensionierungen. Qualitativ hochwertige Stammdaten sind zudem die Grundlage für weitere datengetriebene Optimierungen. Erst mit konsistenten, vollständigen Daten lassen sich zusätzliche KI-Anwendungen – etwa Prognosen, Optimierungen oder Simulationen – sinnvoll einsetzen. Die Stammdatenqualität wirkt somit als Multiplikator für weitere Digitalisierungsinitiativen.
Technologische Entwicklung als Enabler
Gleichzeitig haben Fortschritte in der Hardware die Umsetzung deutlich erleichtert. Leistungsstarke GPUs und spezialisierte KI-Beschleuniger ermöglichen Training und Betrieb komplexer Modelle auch in industriellen Umgebungen. Und mit Cloud-Plattformen gibt es skalierbare Infrastrukturen, die eine flexible Wahl zwischen Eigenbetrieb und externen Services erlauben.
Neue Datenquelle nutzen
KI-gestützte Analyse technischer Zeichnungen eröffnet eine bislang weitgehend ungenutzte Datenquelle. Obwohl die Grundlagen vorhanden sind und Forschung sowie erste kommerzielle Systeme Fortschritte zeigen, wird das Potenzial in vielen Unternehmen noch nicht ausgeschöpft. Die durchgehende Integration in Stammdatenprozesse und der Einsatz zur Optimierung der Intralogistik stehen oft am Anfang. Durch eine Mischung aus Bildverarbeitung, OCR, Deep Learning und Sprachmodellen lassen sich aber bereits relevante Informationen automatisiert extrahieren und nutzen. Damit steigt die Stammdatenqualität, und gleichzeitig entsteht eine Grundlage für weitere datengetriebene Optimierungen.
