Ein LiDAR über dem Verladegleis erkennt, zählt und ortet jeden Güterwagen, sobald er hält — sechs Deckel-Mittelpunkte, Waggonnummer, Roboterwagen-Flag, alles aus einem einzigen Scan in unter zwei Sekunden. Treibt die automatische Beladung, schreibt ein Material-Log pro Waggon ins ERP/MES. Unsere produktive Bahnwagon-Pipeline, heute im Einsatz.
Waggon-Erkennung KI ist eine Wahrnehmungs-Pipeline, die einen einzelnen 3D-LiDAR-Scan eines Güterwagens an der Verladestation verarbeitet und die Waggonposition, die identifizierenden Merkmale (Deckelzahl, Deckel-Mittelpunkte, vorausfahrender Roboterwagen falls vorhanden) sowie die Waggonnummer-Zuordnung zurückgibt — treibt die automatische Verladeautomatisierung und schreibt das Material-Log pro Waggon ins ERP.
Den Schmerz kennt jeder Industriebetrieb, der Schüttgut auf die Schiene verlädt — Salzbergwerke, Schrott-Recycling, Schüttgut-Höfe, Düngemittel-Depots. Güterwagen rollen einzeln unter die Verladeeinrichtung, und die Verladesteuerung muss exakt wissen, wo jeder Waggon steht, wie viele Kammern er hat und wann er voll ist. Heute machen Bediener das per Augenmaß: über die Schiene gebeugt, Deckelpositionen geschätzt, Waggons auf dem Klemmbrett abgehakt. Es ist langsam, fehleranfällig und gnadenlos — der falsche Deckel wird beladen, der falsche Waggon abgerechnet, das ERP passt nicht zum tatsächlichen Hof-Zustand, und die Schicht verliert eine Stunde damit, Papier gegen Realität abzugleichen.
Unser Ansatz ist ein LiDAR, montiert über dem Verladegleis. Sobald ein Waggon hält, nimmt der Sensor einen einzigen Scan auf; eine sechsstufige zustandslose geometrische Pipeline — Ground-Crop → Deck-Z-Schätzung → Höhenband-Maskierung → Deckel-Clustering → Waggon-Bounds → Tracker-Zustandsautomat — liefert die exakte 3D-Position des Waggons, alle Deckel-Mittelpunkte, den vorausfahrenden Roboterwagen falls im Bild und eine Sequenznummer. Die Geometriestufen sind im Prototyp reines NumPy und scipy und portieren sauber nach C++/C# für den finalen Anlagencontroller. Der mittlere Mittelpunkts-Fehler bleibt unter 5 cm gegenüber handgelabelter Ground Truth; der gesamte Scan wird in unter zwei Sekunden auf Standard-Hardware verarbeitet.
Das Projekt geht aus unserem Hub-Service Industrielle Objekterkennung hervor und ist der eine Anwendungsfall, in dem wir bereits ausgeliefert haben — die Bahnwagon-Deckelerkennung läuft produktiv bei einem norddeutschen Recycling- und Bergbaubetrieb. Derselbe geometrische Ansatz funktioniert unabhängig davon, ob der Waggon Stein, Salz, Schrott oder Getreide trägt; nur die Kalibrierungskonstanten in config.yaml ändern sich, ein Modell-Retraining ist nicht nötig.
Die Bahnwagon-Deckelerkennung läuft heute produktiv — sechs Deckel-Mittelpunkte, Fehler unter 5 cm, Antwort in zwei Sekunden, Bediener-UI in Electron + Vue 3 + Three.js.
Ein LiDAR, montiert über dem Verladegleis, IP65+-Gehäuse, scannt jeden Güterwagen, sobald er an der Verladeposition hält. Keine Kamera nötig, kein zweiter Sensor zu kalibrieren. Läuft durch Staub, Schnee, Nachtlicht und den Dampf, der von warmem Schüttgut aufsteigt. Ein Scan pro Waggon-Stopp, gespeichert auf lokalem Speicher mit pro-Waggon-UUID für den Audit-Trail.
Reines NumPy und scipy im Python-Prototyp, portiert direkt nach C++/C# für den Anlagencontroller. Sechs zustandslose Stufen: Ground-Crop, Deck-Z-Schätzung, Höhenband-Maskierung, Deckel-Clustering, Waggon-Bounds, Tracker-Zustandsautomat. Läuft in unter zwei Sekunden auf Standard-Hardware. Keine GPU nötig, kein Modell-Retraining bei Waggon-Klassen-Wechsel — Kalibrierung liegt in config.yaml.
Waggon-ID, Deckel-Koordinaten und Material-Zuordnung schreiben zurück per OPC UA oder REST — gleicher Waggon-Stopp, bevor der nächste Zug einfährt. Die Verladesteuerung liest echte Waggonpositionen statt Bediener-Schätzungen vom Klemmbrett. Fehl-Routings werden markiert, bevor der Deckel öffnet; das ERP-Material-Log passt zum Hof-Zustand am Schichtende.
Die Architektur ist absichtlich langweilig. Drei lose gekoppelte Stufen, jede einzeln testbar, jede einzeln tauschbar, wenn der Bahnbetreiber die Waggon-Klasse ändert oder die Verladeposition verschiebt. Gebaut auf demselben Stack, den wir für unsere gesamte Wahrnehmungs-Arbeit nutzen: NumPy, scipy, PCL, Open3D.
Eine einzige LAS-Datei pro Waggon-Stopp — typisch über eine Million Punkte über das Waggon-Deck, die Deckel und einen Streifen Gleis links und rechts. Der LiDAR nimmt den Scan auf, sobald der Waggon an der Verladeposition zum Stehen kommt. Die Rohpunktwolke schreibt auf lokalen Speicher mit pro-Waggon-UUID für Audit-Trail und Re-Labelling.
Ground-Crop entfernt Gleis und Schotter. Deck-Z-Schätzung lokalisiert die Waggon-Deck-Ebene. Höhenband-Maskierung isoliert die Deckel-Schicht. Deckel-Clustering liefert die sechs Mittelpunkte. Waggon-Bounds gibt die 3D-Box. Der Tracker-Zustandsautomat vergibt die Sequenznummer und markiert den vorausfahrenden Roboterwagen, falls im Bild. Der mittlere Mittelpunkts-Fehler bleibt unter 5 cm gegen handgelabelte Ground Truth.
Ausgabe pro Waggon: JSON-Datensatz mit Waggon-ID, Deckel-Mittelpunkten, Material-Zuordnung und Audit-Bildern. Schreibt ins ERP, MES oder Verladesteuerungs-System per OPC UA oder REST. Die Bediener-Oberfläche in Electron + Vue 3 + Three.js zeigt die Live-3D-Punktwolke, die Zug-Übersicht und einen CSV-Export für das Schicht-Log.
Alle drei Stufen laufen auf einem Industrie-PC an der Verladestation — Python-Prototyp für die Entwicklung, C++/C#-Portierung für den finalen Controller. Keine Cloud-Abhängigkeit, keine externe API, kein Lizenz-Heimruf. Der Code gehört Ihnen bei der Übergabe.
Jeder Waggon-Stopp liefert eine exakte 3D-Bounding-Box, die sechs Deckel-Mittelpunkte, eine Waggon-Sequenznummer und ein Roboterwagen-Flag. Geht direkt in den Zustandsautomaten der Verladesteuerung, so dass die nächste Verladebewegung eindeutig ist. Dieselbe geometrische Ausgabe, die die Bahnwagon-Pipeline heute produktiv erzeugt.
Material-Typ, Tonnage und Deckel-Aufschlüsselung schreiben pro Waggon ins ERP/MES — gleiche Schicht, bevor der Zug abfährt. Kein Klemmbrett-Abgleich mehr, keine Falsch-Abrechnung mehr. Das Hof-Management-System sieht die tatsächlich beladene Masse statt der Bediener-Schätzung.
Vue 3 + Three.js Desktop-App für den Verladestations-Bediener: Live-3D-Punktwolke, Übersicht pro Waggon, Zug-Liste, CSV-Export, Waggon-für-Waggon-Audit. Bereits produktiv beim Bahnwagon-Kunden im Einsatz — übergeben mit vollem Quellcode. Läuft lokal auf dem Anlagen-PC; keine Browser-Cloud-Abhängigkeit.
Jede Verladestation hat ihre eigene Waggon-Klasse, ihre eigene Gleisgeometrie, ihre eigene bestehende Steuerung. Ein generischer Detektor löst den generischen Fall; Ihre Verladeposition ist nicht der generische Fall.
Jede Waggon-Klasse ist anders — sechs Deckel, acht Deckel, Stirn-Lader, Oben-Lader, mit oder ohne vorausfahrenden Roboterwagen. Wir kalibrieren die geometrische Pipeline auf Ihren Waggons an Ihrer Verladeposition und re-kalibrieren, wenn der Bahnbetreiber die Flotte tauscht. Kalibrierungs-Konstanten liegen in config.yaml — kein Retraining, keine GPU.
Derselbe geometrische Ansatz funktioniert auf Stein, Salz, Schrott und Getreide — nur die Toleranzen im Deckel-Clustering ändern sich. Kein ML-Retraining bei Material-Wechsel; die Pipeline kümmert sich um Waggon-Geometrie, nicht um den Inhalt des Deckels. Genau diese Eigenschaft macht das Bahnwagon-Projekt anlagen-übergreifend portabel.
Die geometrischen Stufen sind zustandslos. Zustand liegt nur im Tracker — der Komponente, die Waggon-Sequenznummern vergibt und den vorausfahrenden Roboterwagen erkennt. Saubere Grenze, einfache Integration in Ihren bestehenden Hof-Management-Zustand, einfach tauschbar, wenn sich die Verladesteuerungs-Software ändert.
Sie besitzen den Python-Prototyp, die C++/C#-Portierung, die Kalibrierungs-Dateien und die Electron-Bediener-Oberfläche nach der Übergabe. Wir dokumentieren das System, schulen Ihr Team und gehen sauber raus. Keine Black Box, keine monatliche Pro-Waggon-Lizenz, kein Servicevertrag, aus dem Sie nicht rauskommen. Standard-Bedingungen siehe unsere FAQs zu IP und Zusammenarbeits-Modell.
Die Fragen zum Zusammenarbeits-Modell, die wir von jedem Verladestations-Kunden hören, der einen Custom-Perception-Build erwägt. Brauchen Sie etwas Spezifischeres zu Ihrer Waggon-Klasse? Sprechen Sie uns an.
Sensor-Setup, Beispiel-Scans, Ihre Waggon-Klasse, Ihre Verladesteuerungs-Schnittstelle — alles, was Sie haben. Wir kommen innerhalb von zwei Werktagen mit einer ehrlichen ersten Einschätzung und einem Festpreis-Angebot für den Discovery-Workshop zurück.