Palettenprüfung automatisieren: beschädigte Ladungsträger erkennen, bevor sie das Lager blockieren
Ein automatisches Lager ist nur so zuverlässig wie der schlechteste Ladungsträger, der hineinfährt. Eine Europalette mit gebrochenem Klotz passiert die Einlagerung oft unauffällig und verkeilt sich erst im Lagerförderer oder im Regalbediengerät, und dann steht nicht eine Palette, sondern eine ganze Gasse. Die Kontrolle dieser Ladungsträger liegt heute meist beim Staplerfahrer oder beim Bediener am Palettierer, also bei Menschen, die eigentlich etwas anderes zu tun haben. Dieser Beitrag zeigt, wie eine automatische Palettenprüfung vor dem Lager funktioniert: welche Schadensbilder sie erkennen muss, warum feste Prüfregeln an Holz scheitern und AI-Segmentierung die Aufgabe trägt, wie ein Mehrkamera-Aufbau eine ganze beladene Palette in einer Durchfahrt bewertet und wie aus den Ergebnissen mehr wird als ein Ausschleussignal.
Wichtige Punkte im Überblick
- Eine beschädigte Palette stoppt im automatischen Lager nicht ein Stück, sondern eine ganze Gasse: Gebrochene Klötze, lose Bretter und Folienfahnen werden erst im Lagerförderer oder Regalbediengerät zum Störfall, deshalb sitzt die Prüfschleuse an der Einfahrt in die Automatik.
- Feste Prüfregeln scheitern an Holz, weil Maserung, Äste und Reparaturstellen genau die Muster erzeugen, nach denen ein Regelwerk sucht: Eng eingestellt entsteht Pseudoausschuss, weit eingestellt rutscht der echte Bruch durch.
- Eine All-in-One Kamera mit integrierter AI der Modellreihe VS lernt per AI-Segmentierung aus Beispielbildern, wie intakte Ladungsträger in ihrer ganzen Streuung aussehen, und markiert Schadflächen pixelweise, auch bei Bruchformen, die im Training so nie vorkamen.
- Für die beladene Palette hat sich in dokumentierten Anwendungen ein Aufbau aus drei Ansichten bewährt: eine Kamera von oben und zwei schräge Seitenansichten, sodass Klötze, Folie, Kartonstapel und Etikett in einer Durchfahrt bewertet werden.
- Der Nutzen geht über das Ausschleusen hinaus: Jedes nio-Ergebnis wird mit Bild, Zeitstempel und Fehlerklasse gespeichert und an das Lagerverwaltungssystem gemeldet, sodass die Quellen beschädigter Ladungsträger sichtbar werden.
Was eine defekte Palette im automatisierten Lager anrichtet
Die Schadenskette beginnt harmlos. Ein angebrochener Klotz trägt die Last noch, ein loses Deckbrett fällt beim Handling nicht auf, eine Folienfahne flattert nur. Im automatischen Lager wird aus jedem dieser Details ein Störfall: Der gebrochene Palettenfuß bleibt an der Übergabe hängen, das lose Brett verkantet im Regalbediengerät, die Folienfahne wickelt sich um eine Umlenkrolle. In dokumentierten Anwendungen ist der Crash im Lagerförderer das wiederkehrende Kostenargument für die Prüfung, denn die Bergung einer verkeilten Palette kostet Stunden, in denen die betroffene Fördertechnik nichts einlagert und nichts auslagert.
Der zweite Schaden ist schleichender: Ohne Prüfung laufen weiter schadhafte Paletten aus derselben Quelle ein, und es fehlt die Statistik, mit der sich diese Quelle überhaupt benennen ließe.
Die manuelle Sichtkontrolle schließt diese Lücke nicht. Der Staplerfahrer sieht die Palette von einer Seite, im Vorbeifahren, und dokumentiert wird dabei nichts. Die automatische Prüfschleuse setzt deshalb dort an, wo der Schaden teuer wird, an der Einfahrt in die Automatik.
Typische Schadensbilder an Palette, Gitterbox und KLT
Bei der Holzpalette konzentrieren sich die Fehler auf die tragenden Elemente. Gebrochene oder fehlende Klötze und Deckbretter machen den Ladungsträger statisch unberechenbar, Splitter und herausstehende Nägel beschädigen Fördertechnik und Nachbarladung. Dazu kommen Schadensbilder der beladenen Palette: lose oder herabhängende Wickelfolie, verschobene oder überstehende Kartons im Stapel, ein fehlendes oder abstehendes Etikett. In der Anwendungspraxis liegen die relevanten Fehlergrößen am Ladungsträger im Bereich einiger Zentimeter, also grob genug für die Optik, aber zu vielgestaltig für einfache Regeln.
Gitterboxen und Behälter zeigen andere Bilder: verbogene Streben, aufgerissene Ecken, deformierte Wände. Bei KLT und starren Mehrwegträgern, etwa Kunststoffpaletten oder keramischen Transportträgern für empfindliche Bauteile, geht es feiner zu: Risse und Abplatzungen von wenigen Millimetern entscheiden hier darüber, ob der Träger weiterläuft. Für solche starren Träger hat sich in realen Projekten die 3D-Prüfung am kurz angehaltenen Träger auf dem Rollenförderer bewährt, etwa mit einem 3D Laser-Snapshot-Sensor der Modellreihe LJ-S8000, der Risse und Ausbrüche als Höheninformation erfasst.
Wie sich die Systemwahl grundsätzlich am Schadensbild orientiert, ob ein Fehler eine Höhe hat oder nur einen Kontrast, ordnet der Hauptartikel "Oberflächen- und Defektprüfung in Logistik und Intralogistik: das passende Prüfsystem auswählen" ein.
Warum Regelwerke hier scheitern: Holzstruktur, Varianz und AI-Segmentierung
Holz ist der schwierigste Prüfhintergrund, den die Logistik zu bieten hat. Jede Palette hat eine eigene Maserung, eigene Äste, eigene Verfärbungen durch Nässe und Alter, dazu Reparaturstellen und Brandstempel. Ein regelbasiertes Prüfwerkzeug, das nach dunklen Linien oder Kanten sucht, findet auf jeder gebrauchten Palette Dutzende Kandidaten. Wird die Regel eng eingestellt, steuert die Anlage gute Paletten aus und produziert Pseudoausschuss. Wird sie weit eingestellt, rutscht der echte Bruch durch.
Der Ausweg ist ein Verfahren, das nicht nach festen Merkmalen sucht, sondern gelernt hat, wie intakte Paletten in ihrer ganzen Streuung aussehen. Eine All-in-One Kamera der Modellreihe VS mit integrierter AI wird mit Beispielbildern guter und beschädigter Ladungsträger eingelernt, und die AI-Segmentierung markiert Schadflächen pixelweise, auch wenn der Bruch eine Form hat, die im Training so nie vorkam. Gebrauchsspuren, Maserung und Verfärbungen bleiben unauffällig, weil sie in den Gutbildern enthalten sind.
Die Qualität dieses Einlernens hängt an den Mustern. Beispielbilder müssen nasse, verschmutzte und reparierte Paletten enthalten, und physische Grenzmuster legen fest, wo die Gebrauchsspur endet und der aussteuerungswürdige Schaden beginnt. Diese Grenze ist eine betriebliche Entscheidung, keine technische, und sie bestimmt am Ende die Pseudoausschussquote.
Prüfaufbau für eine ganze Palette: Kamera von oben, zwei Ansichten von der Seite
Eine beladene Palette misst in dokumentierten Anwendungen etwa 1,8 x 1,2 m in der Grundfläche und stapelt in der Anwendungspraxis bis rund 2 m hoch. Kein einzelnes Bild zeigt alle relevanten Zonen: Die Klötze und Deckbretter liegen unten, die Folie und der Kartonstapel umschließen die Ladung seitlich, das Etikett sitzt an einer definierten, aber nicht immer derselben Position. In dokumentierten Anwendungen hat sich deshalb ein Aufbau aus drei Ansichten etabliert: eine Kamera von oben auf die Deckfläche, zwei schräg gestellte Kameras auf die Seiten und den Fußbereich. Mehrere Kameras laufen dabei auf einer gemeinsamen Plattform der High-Performance Bildverarbeitung mit integrierter AI der Modellreihe VS-G, sodass eine Durchfahrt genügt und die Ergebnisse einem einzigen Ladungsträger zugeordnet bleiben.
Muss die gesamte Grundfläche in einem Bild fein aufgelöst werden, übernimmt die High-Performance Bildverarbeitung mit integrierter AI der Modellreihe VS-G mit hochauflösenden Flächenkameras, in realen Projekten bis in die Klasse von 64 Megapixeln. Das lohnt sich, wenn kleine Schäden auf großer Fläche gesucht werden.
Die Umgebung stellt eigene Bedingungen. Lagerhallen sind dunkel oder ungleichmäßig hell, und der freie Arbeitsabstand in einer Gasse ist begrenzt. Lange LED-Beleuchtungen erzeugen reproduzierbares Licht über die volle Palettenhöhe. Ein Punkt gehört früh auf die Agenda: In dokumentierten Projekten wurde die Arbeitnehmervertretung einbezogen, bevor Kameras im besetzten Lagerbereich installiert wurden. Eine Anlage, die erkennbar Ladungsträger prüft und keine Personen erfasst, lässt sich deutlich leichter einführen.
Lose Folie, verschobene Kartons, fehlendes Etikett: die Palette als Ganzes bewerten
Die Prüfung endet nicht am Holz. Eine Palette, deren Ladung verrutscht ist, blockiert die Kontur der Fördertechnik genauso zuverlässig wie ein gebrochener Fuß. Zur Bewertung der Palette als Ganzes gehören deshalb drei weitere Fragen: Sitzt die Wickelfolie an, oder hängen Fahnen herab, die sich in der Fördertechnik fangen? Steht ein Karton über die Grundfläche hinaus oder hat sich der Stapel geneigt? Ist das Etikett vorhanden, oder steht es so ab, dass es beim Transport abgerissen wird?
Diese Merkmale sind kamerafreundlicher als der Holzbruch, streuen aber ebenfalls stark: Folie spiegelt und knittert, Kartonstapel sind nie identisch gepackt. Auch hier bewertet die KI-gestützte Auswertung das Gesamtbild robuster als eine Kette von Einzelregeln. In derselben Station laufen in realen Projekten weitere Kontrollen mit, etwa der Abgleich des Palettentyps oder das Lesen des Etikettencodes für die Buchung. Die Codelesung selbst ist ein eigenes Thema und bleibt hier am Rand.
Für Schäden am Transportgut selbst, etwa eingedrückte Kartons, gelten die Regeln der bewegten Prüfung aus dem Beitrag "Defektprüfung im Durchlauf: Bauteile auf dem Förderband zuverlässig prüfen".
Ergebnisse nutzbar machen: nio-Bild speichern und Schadensquellen zurückverfolgen
Das Ausschleussignal ist der kleinste Teil des Nutzens. Eine Palettenprüfung, die nur sortiert, verlagert das Problem an den Reparaturplatz. Ihren Wert entfaltet die Station, wenn jedes nio-Ergebnis mit Bild, Zeitstempel und Fehlerklasse gespeichert und an das Lagerverwaltungssystem gemeldet wird. In dokumentierten Anwendungen war genau diese Auswertung Teil der Aufgabenstellung: Die Ergebnisse sollten je Abteilung zusammengeführt werden, damit sichtbar wird, aus welcher Quelle die beschädigten Ladungsträger stammen.
Mit dieser Statistik wird aus der Prüfschleuse ein Messpunkt für den Zustand des Palettenpools: Welcher Lieferant liefert auf welchem Niveau, welcher Bereich verschleißt seine Träger am schnellsten. Das gespeicherte nio-Bild trägt zusätzlich die Beweisführung gegenüber Lieferanten und Dienstleistern. Wie eine solche Dokumentation aufgebaut sein muss, damit sie eine Reklamation übersteht, beschreibt der Beitrag "Transportschäden objektiv dokumentieren: Wareneingangsmängel belegen statt diskutieren".
Bewährt hat sich der Start an einem einzelnen Engpass, meist der Einfahrt ins automatische Lager, mit übertragbaren Prüfprogrammen und Grenzmustern für die folgenden Übergabepunkte.
Häufige Fragen
F Welche Schäden an Paletten lassen sich automatisch erkennen?
A
Am Ladungsträger selbst: gebrochene oder fehlende Klötze und Deckbretter, Splitter und herausstehende Nägel. An der beladenen Palette: lose Wickelfolie, verschobene oder überstehende Kartons und fehlende oder abstehende Etiketten. In der Anwendungspraxis liegen die relevanten Fehlergrößen am Träger im Zentimeterbereich, bei starren Mehrwegträgern erkennen 3D-Verfahren auch Risse und Abplatzungen von wenigen Millimetern.
F Warum funktionieren feste Prüfregeln auf Holzpaletten schlecht?
A
Weil jede Palette anders aussieht. Maserung, Äste, Nässeflecken, Reparaturen und Stempel erzeugen genau die dunklen Linien und Kanten, nach denen ein Regelwerk suchen würde. Eng eingestellte Regeln steuern gute Paletten aus, weit eingestellte lassen echte Brüche durch. Eine AI-Segmentierung lernt stattdessen aus Beispielbildern, wie intakte Paletten in ihrer Streuung aussehen, und markiert Abweichungen pixelweise.
F Wie viele Kameras braucht eine automatische Palettenprüfung?
A
In dokumentierten Anwendungen hat sich ein Aufbau aus drei Ansichten bewährt: eine Kamera von oben, zwei schräg auf Seiten und Fußbereich. So werden Deckfläche, Klötze, Folie und Etikett in einer Durchfahrt erfasst. Soll die gesamte Grundfläche von etwa 1,8 x 1,2 m in einem Bild fein aufgelöst werden, kommen hochauflösende Flächenkameras zum Einsatz, in realen Projekten bis in die 64-Megapixel-Klasse.
F Lassen sich Gitterboxen, KLT und Mehrwegträger mit derselben Technik prüfen?
A
Die Plattform bleibt gleich, das Verfahren passt sich an. Verbogene Streben und deformierte Wände an Gitterboxen und Behältern sind Kameraaufgaben mit KI-Auswertung. Bei starren Trägern wie Kunststoffpaletten oder keramischen Transportträgern, wo millimeterkleine Risse zählen, erfasst ein 3D Laser-Snapshot-Sensor die Schäden als Höheninformation am kurz angehaltenen Träger auf dem Rollenförderer.
F Was passiert mit den Prüfergebnissen einer Palettenprüfung?
A
Die fehlerhafte Palette wird ausgeschleust, das nio-Bild mit Zeitstempel und Fehlerklasse gespeichert und das Ergebnis an das Lagerverwaltungssystem gemeldet. In dokumentierten Anwendungen wurden die Ergebnisse je Abteilung ausgewertet, um die Quellen beschädigter Ladungsträger zu finden. Das Bild dient zugleich als Beleg in Reklamationen.
F Muss die Arbeitnehmervertretung bei einer Kamerainstallation im Lager einbezogen werden?
A
In dokumentierten Projekten war die frühe Einbindung der Arbeitnehmervertretung Teil des Projektablaufs, weil die Kameras in besetzten Lagerbereichen arbeiten. Hilfreich ist ein Aufbau, der erkennbar auf den Ladungsträger gerichtet ist und keine Arbeitsplätze erfasst, sowie eine klare Dokumentation, welche Bilder gespeichert werden und wofür.
Weiterführende Artikel
Übergeordnete Themenseite: Automatisierung und Identifikation in Lager und Logistik: Der Überblick für Intralogistik-Verantwortliche
Hauptartikel zum Thema: Oberflächen- und Defektprüfung in Logistik und Intralogistik: das passende Prüfsystem auswählen
Weiterer Artikel im Thema: Fördergurte überwachen: Risse, Riefen und Nahtfehler am laufenden Gurt erkennen
Weiterer Artikel im Thema: Defektprüfung im Durchlauf: Bauteile auf dem Förderband zuverlässig prüfen
Weiterer Artikel im Thema: Transportschäden objektiv dokumentieren: Wareneingangsmängel belegen statt diskutieren