OCR oder Vision-Language Model? Wie KI Produktlabels in der Logistik versteht

Für die automatisierte Informationsextraktion kommen unterschiedliche technologische Ansätze infrage. Eine aktuelle Forschungsarbeit von Telekom MMS vergleicht dafür zwei Ansätze: klassische Optical Character Recognition (OCR) und moderne Vision-Language Models (VLMs).

Von der Bestandskontrolle bis zur Warenverfolgung: Computer Vision eröffnet neue Möglichkeiten, visuelle Informationen automatisiert in Produktions- und Logistikprozesse einzubinden. Kameras erfassen dabei nicht nur ihre Umgebung. KI-basierte Verfahren können Bildinformationen analysieren, relevante Inhalte erkennen und für die weitere Verarbeitung bereitstellen.

Ein konkretes Beispiel dafür hängt auf nahezu jeder Palette: das Produktlabel.

Eine Palette kommt im Lager an. Eine Kamera erfasst das Label, Informationen wie Artikelnummer, Hersteller, Charge oder Gewicht werden erkannt und automatisch an die angebundenen Systeme übermittelt. Manuelles Erfassen oder Scannen könnte damit in geeigneten Prozessen entfallen.

Was zunächst nach einer vergleichsweise einfachen Computer-Vision-Aufgabe klingt, wird unter realen Bedingungen schnell komplex. Denn industrielle Produktlabels unterscheiden sich in Layout, Schriftart, Größe und Informationsstruktur. Gleichzeitig können wechselnde Beleuchtung, Reflexionen, unterschiedliche Kamerawinkel, Bewegungsunschärfe oder beschädigte Labels die Erkennung erschweren.

Hinzu kommt: Für einen automatisierten Prozess reicht es nicht, einzelne Buchstaben und Zahlen zu erkennen. Das System muss die Informationen auch in den richtigen Zusammenhang bringen. Ist eine Zahlenfolge eine Seriennummer, eine Mengenangabe oder eine Bestellnummer? Erst wenn aus erkannten Inhalten strukturierte Informationen werden, können nachgelagerte Systeme sinnvoll damit weiterarbeiten.

Damit stellt sich die entscheidende Frage: Wie lassen sich Produktinformationen automatisiert erfassen, ohne dass wechselnde Labels und reale Produktionsbedingungen zum Flaschenhals für durchgängige digitale Prozesse werden?

Eine aktuelle Forschungsarbeit, von der Universität Leipzig in Zusammenarbeit mit Telekom MMS, nimmt genau diese Frage in den Blick. Sie vergleicht zwei unterschiedliche Ansätze zur Informationsextraktion aus industriellen Produktlabels: klassische Optical Character Recognition (OCR) und moderne Vision-Language Models (VLMs).

Vision-Language Models gehen einen anderen Weg. Sie können visuelle und sprachliche Informationen gemeinsam verarbeiten und damit das Label stärker als Ganzes betrachten. Anstatt Texterkennung und Zuordnung in getrennten Schritten vorzunehmen, kann ein VLM Informationen aus dem Bild interpretieren und direkt in einer vorgegebenen Struktur ausgeben.

Beim VLM sieht der Ablauf vereinfacht so aus:

Bild → multimodales Modell → Interpretation von Text und visuellem Kontext → strukturierte Daten

Damit können VLMs besonders interessant werden, wenn sich Labels und Aufnahmebedingungen stärker unterscheiden. OCR-Verfahren sind dagegen vergleichsweise leichtgewichtig und schnell.

Genau diesen Zielkonflikt zeigt auch die Untersuchung. Neben DocTR und PaddleOCR wurden die Vision-Language Models Qwen2-VL-7B, Gemma-3-12B und Mistral-Small-3.2-24B betrachtet. Dabei kamen nicht nur ideal erzeugte Labelbilder zum Einsatz. Druckfehler, Bewegungsunschärfe und wechselnde Lichtbedingungen wurden ebenfalls berücksichtigt; zusätzlich wurden gedruckte Labels unter realistischeren Bedingungen aus verschiedenen Perspektiven fotografiert.

Unter den untersuchten VLMs zeigte Mistral insgesamt die höchste Extraktionsqualität. Die multimodalen Modelle erwiesen sich zudem insbesondere bei schwierigeren Bildbedingungen als robuster. OCR spielte dagegen seinen Geschwindigkeitsvorteil aus: Im untersuchten Setup verarbeiteten die OCR-Verfahren die Bilder um ein Vielfaches schneller als die getesteten VLMs.

Damit gibt es keinen eindeutigen Gewinner – und genau das ist für die Praxis die eigentlich interessante Erkenntnis.

Für Unternehmen ist weniger entscheidend, welches Modell in einem Vergleich die höchste Genauigkeit erzielt. Die relevantere Frage lautet: Welche Anforderungen stellt der konkrete Prozess?

Müssen beispielsweise große Mengen ähnlich aufgebauter Labels innerhalb kürzester Zeit verarbeitet werden und lassen sich Kamera, Beleuchtung und Positionierung weitgehend kontrollieren, kann OCR eine geeignete Wahl sein. Der Ansatz benötigt vergleichsweise wenig Ressourcen und eignet sich damit auch für Anwendungen, bei denen kurze Reaktionszeiten wichtig sind.

Anders sieht es aus, wenn sich Label-Layouts, Inhalte oder Aufnahmebedingungen häufig verändern. Dann steigt der Aufwand, eine klassische Pipeline für unterschiedliche Fälle anzupassen. Vision-Language Models können hier durch ihr multimodales Verständnis mehr Flexibilität bieten und mit variierenden Inputs robuster umgehen.

Als Orientierung lässt sich aus den untersuchten Verfahren ableiten:

Diese Zuordnung ist keine allgemeingültige Regel. Sie zeigt vielmehr, welche Kriterien bei einer Technologieentscheidung berücksichtigt werden sollten.

Und noch etwas wird deutlich: Je näher eine KI-Anwendung an einen realen industriellen Prozess rückt, desto weniger reicht es aus, ausschließlich auf die Leistungsfähigkeit eines Modells zu schauen.

Im Wareneingang oder an einer laufenden Produktionslinie können bereits wenige Sekunden einen Unterschied machen. Informationen sollen möglichst unmittelbar verfügbar sein, gleichzeitig sind Rechenleistung und Netzwerkverbindungen vor Ort nicht unbegrenzt verfügbar. Hinzu kommen Anforderungen an Datenschutz, Skalierbarkeit und Wirtschaftlichkeit.

Aus der Frage „OCR oder VLM?“ wird deshalb schnell eine zweite Frage:

Wo sollte welche Verarbeitung stattfinden?

Genau hier kommen Edge- und Cloud-Architekturen ins Spiel. Zeitkritische oder ressourcenschonende Aufgaben können näher am Ort der Datenentstehung verarbeitet werden. Rechenintensivere Aufgaben können dagegen leistungsfähigere Infrastruktur benötigen. Entscheidend ist nicht, Edge und Cloud gegeneinander auszuspielen, sondern Workloads passend zu ihren Anforderungen zu verteilen.

In diesen größeren Zusammenhang lässt sich auch die zugrunde liegende Forschungsarbeit einordnen. Sie entstand im Rahmen von IPCEI-CIS – Important Project of Common European Interest on Next Generation Cloud Infrastructure and Services. Die europäische Initiative verfolgt das Ziel, ein sicheres, interoperables und energieeffizientes Cloud-Edge-Kontinuum für datengetriebene Anwendungen zu entwickeln.

Telekom MMS arbeitet in diesem Kontext an der Schnittstelle von künstlicher Intelligenz, Cloud-Edge-Architekturen und industriellen Softwaresystemen. Dabei geht es unter anderem darum, leistungsfähige KI unter den konkreten Anforderungen industrieller Umgebungen nutzbar zu machen – beispielsweise hinsichtlich Latenz, Datenschutz und verfügbarer Rechenleistung.

Der Produktlabel-Use-Case macht diese Architekturfrage greifbar. Die Daten entstehen dort, wo sich auch die Ware befindet: im Lager, am Förderband oder an der Produktionslinie. Die Untersuchung ordnet die automatisierte Labelerkennung deshalb als konkreten Anwendungsfall für KI-basierte Wahrnehmung am Edge ein.

Der Vergleich von OCR und VLM zeigt dabei exemplarisch: Nicht jede Aufgabe braucht dieselbe Rechenleistung und nicht jede Information muss am selben Ort verarbeitet werden. Welche Technologie wo eingesetzt wird, kann deshalb Teil einer übergreifenden Cloud-Edge-Strategie sein.

Damit verschiebt sich auch der Blick auf den eigentlichen Mehrwert von Computer Vision. Ein korrekt erkanntes Label allein automatisiert noch keinen Logistikprozess.

Entscheidend ist, was nach der Erkennung passiert.

Aus dem Kamerabild müssen strukturierte Informationen entstehen. Diese müssen dort verarbeitet werden, wo es für den jeweiligen Anwendungsfall sinnvoll ist. Anschließend müssen die Daten an Systeme übergeben werden, die damit einen Prozess auslösen oder fortführen können.

Vereinfacht entsteht eine Verarbeitungskette:

Kamera → AI Vision → strukturierte Information → Verarbeitung am Edge oder in der Cloud → Business-System → automatisierter Prozess

So können beispielsweise Produkt- und Versandlabels beim Wareneingang automatisch erfasst, Produkte und Chargen identifiziert oder Informationen für Traceability-Prozesse bereitgestellt werden. Auch kamerabasierte und scannerlose Abläufe sind denkbar, bei denen Informationen erfasst werden, ohne jedes Objekt einzeln mit einem Handscanner bearbeiten zu müssen.

Der Mehrwert liegt damit nicht allein in der Bilderkennung, sondern in der End-to-End-Integration in den Geschäftsprozess.

Gerade bei der Einführung von AI-Vision-Anwendungen lohnt es sich deshalb, die Technologieentscheidung nicht isoliert zu treffen. Neben der Qualität der Erkennung spielen unter anderem folgende Fragen eine Rolle: Wie standardisiert sind die Eingangsdaten? Wie schnell muss eine Entscheidung getroffen werden? Welche Infrastruktur steht vor Ort zur Verfügung? Wo dürfen Daten verarbeitet werden? Und in welche bestehenden Systeme müssen die gewonnenen Informationen integriert werden?

Aus „Welches KI-Modell ist das beste?“ wird so eine wesentlich relevantere Frage:

Welche Architektur erfüllt unsere Anforderungen an Qualität, Geschwindigkeit, Kosten und Robustheit – und lässt sich gleichzeitig in unseren bestehenden Prozess integrieren?

Genau darin liegt der Schritt vom technologischen Proof of Concept zur produktiven industriellen KI-Anwendung.

OCR und Vision-Language Models müssen dabei perspektivisch nicht zwangsläufig als Gegensätze betrachtet werden. Denkbar sind auch hybride Architekturen, die unterschiedliche Verfahren abhängig von der jeweiligen Situation einsetzen.

Ein OCR-System könnte beispielsweise als schneller Standardpfad bekannte und gut lesbare Labels verarbeiten. Ist das Ergebnis ausreichend sicher, werden die Informationen direkt weitergegeben. Bei schlechter Bildqualität, ungewöhnlichen Layouts oder unsicheren Ergebnissen könnte dagegen ein leistungsfähigeres Vision-Language Model hinzugezogen werden.

Ein solcher Ansatz ist eine mögliche Weiterentwicklung. Er verdeutlicht jedoch einen grundsätzlichen Gedanken: Unterschiedliche KI-Verfahren können dort eingesetzt werden, wo ihre jeweiligen Stärken den größten Nutzen bringen.

Gleichzeitig entwickelt sich die Technologie weiter. Kleinere und stärker auf einzelne Aufgaben zugeschnittene Modelle können künftig dazu beitragen, leistungsfähige KI näher an den Ort der Datenentstehung zu bringen.

Die Zukunft industrieller KI entscheidet sich deshalb nicht allein daran, welches Modell die höchste Genauigkeit erreicht. Entscheidend ist das Zusammenspiel aus KI-Modell, Edge- und Cloud-Infrastruktur, Integration und Geschäftsprozess.

Das Produktlabel ist dafür ein vergleichsweise kleines Stück Papier. Doch an ihm lässt sich eine der zentralen Fragen industrieller KI besonders gut zeigen: Wie wird aus technologischer Leistungsfähigkeit eine Lösung, die unter realen Bedingungen zuverlässig funktioniert und echten Mehrwert im Prozess schafft?