Die Zukunft des smarten Service aus der Luft. Wie KI-Drohnen Strommasten prüfen

Warum die Inspektion von Stromnetzen an ihre Grenzen stößt

Die klassische Inspektion eines Strommastes ist Handarbeit. Prüferinnen und Prüfer fahren zu jedem Mast, schauen vom Boden mit dem Fernglas nach oben oder nutzen einen Hubsteiger, um die Mastspitze zu erreichen. Der US-Versorger Salt River Project, kurz SRP, aus Arizona beschreibt, dass seine Prüfer mit dem Fernglas im Schnitt 30 bis 40 Masten pro Tag schafften, höchstens etwa 50.[4] Ein Dienstleister aus Texas beziffert den Aufwand einer gründlichen Prüfung mit Hubsteiger im ländlichen Raum auf 15 bis 20 Minuten je Mast.[5]

Diese Geschwindigkeit bestimmt die Prüfzyklen. Der Chicagoer Netzbetreiber ComEd betreibt rund 1,3 Millionen Holzmasten und prüft sie laut Berichterstattung im Zehn-Jahres-Rhythmus.[6][7] Ein solcher Zyklus kann Fäulnis an der Mastspitze über Jahre unentdeckt lassen, gerade dort, wo vom Boden aus kaum etwas zu erkennen ist. Laut Medienberichten verzeichnete ComEd Anfang August 2026 bereits das 19. schwere Sturmereignis des Jahres, die höchste Zahl seit mehr als zwei Jahrzehnten.[7]

Nach einem Sturm verschärft sich das Problem. Dann geht es nicht um Routine, sondern um Tempo. Welche Leitung ist unterbrochen, welcher Mast ist umgestürzt, wo liegt ein Ast auf der Leitung, und welches Team mit welchem Gerät muss wohin? Jede Stunde, die für die Lageerfassung vergeht, verlängert den Stromausfall für die betroffenen Haushalte und Betriebe.

Hinzu kommt die Sicherheit der Beschäftigten. Wer eine Mastspitze aus der Nähe sehen will, muss klettern, einen Hubsteiger aufstellen oder einen Hubschrauber einsetzen. Jede dieser Methoden kostet Zeit, verlangt Zugang zum Gelände und birgt eigene Risiken. Der Dienstleister Firmatek beschreibt den klassischen Ablauf als einen Monteur im Hubsteiger, der an jedem einzelnen Mast neu aufbaut, und weist darauf hin, dass viele Versorger die Mastspitzen deshalb gar nicht regelmäßig prüfen.[5]

In Deutschland liegt das Verteilnetz zu einem großen Teil unter der Erde. Die verbleibenden Freileitungen in Mittel- und Niederspannung sowie das nahezu vollständig oberirdische Übertragungsnetz müssen aber regelmäßig aus der Luft kontrolliert werden.[2] Gleichzeitig gehen erfahrene Monteure in den Ruhestand, und der Netzausbau für die Energiewende vergrößert die Zahl der Anlagen. Mehr Anlagen und weniger Fachleute: Diese Schere ist der eigentliche Treiber für die automatisierte Inspektion.

Die Zahl der Anlagen wächst schneller als die Zahl der Menschen, die sie prüfen können.

^{Infografik: Die Lücke zwischen Anlagenbestand und Prüfkapazität ist der eigentliche Treiber der automatisierten Inspektion[3][1][4] | KI-gestützte Illustration, kein Produktfoto | XR Stager Online Magazin | VISORIC GmbH}

Für Entscheiderinnen und Entscheider bleibt damit eine einfache Leitfrage: Welcher Teil der eigenen Infrastruktur wird heute seltener geprüft, als es sinnvoll wäre, nur weil die Prüfung zu aufwendig ist?

• In den USA stehen rund 180 Millionen Strommasten, etwa 130 Millionen davon aus Holz.^[1]
• Das deutsche Übertragungsnetz ist rund 35.000 Kilometer lang und fast vollständig Freileitung.^[2]
• Manuelle Sichtprüfung schafft je nach Gelände etwa 30 bis 50 Masten pro Tag.^[4]
• ComEd prüft rund 1,3 Millionen Holzmasten im Zehn-Jahres-Rhythmus.^[6][7]
• Netzausbau und Fachkräftemangel vergrößern die Lücke zwischen Bestand und Prüfkapazität.

Wie sich diese Lücke schließen lässt, beginnt mit einer einfachen Frage: Was sieht eine KI eigentlich, wenn sie das Bild eines Strommastes auswertet? Das zeigt das nächste Kapitel.

Wie eine Maschine einen Strommast erkennt

Computer Vision ist der Teil der künstlichen Intelligenz, der Bilder und Videos auswertet. Für die Inspektion sind drei Aufgaben wichtig, die aufeinander aufbauen. Die Klassifikation beantwortet, was auf einem Bild zu sehen ist, etwa ein Strommast. Die Objekterkennung beantwortet zusätzlich, wo es zu sehen ist, und zieht dafür einen rechteckigen Rahmen, eine sogenannte Bounding Box, um jedes erkannte Objekt. Die Instanzsegmentierung geht weiter und zeichnet die genaue Umrisslinie jedes einzelnen Objekts Pixel für Pixel nach. Diese Fläche heißt Maske.

Die farbigen Flächen im Video, das diesen Artikel begleitet, sind solche Masken. Jede Farbe steht für eine Bauteilklasse: Mast, Transformator, Isolatoren, Querträger. Die Einblendung im Video nennt das verwendete Modell, RF-DETR Seg, und beschreibt, dass Rahmen und Masken in einem einzigen Rechendurchgang entstehen. RF-DETR ist eine von Roboflow entwickelte, offene Modellfamilie für Objekterkennung und Instanzsegmentierung, die unter der freien Lizenz Apache 2.0 steht.[8]

Der Unterschied zwischen Rahmen und Maske ist für die Praxis wichtig. Ein Rahmen sagt nur, dass sich irgendwo in diesem Rechteck ein Isolator befindet. Eine Maske zeigt seine tatsächliche Form und trennt ihn sauber vom Hintergrund und von benachbarten Bauteilen. Erst damit lassen sich Folgefragen stellen. Ist der Isolator vollständig? Steht der Mast senkrecht? Liegt ein Ast auf der Leitung? Roboflow betont selbst, dass das Auffinden eines Bauteils nur der erste Schritt ist und die Beurteilung seines Zustands Bilder in ausreichender Auflösung sowie ein eigens darauf trainiertes Modell erfordert.[3]

Jede Erkennung kommt mit einem Konfidenzwert, einer Zahl zwischen 0 und 1, die ausdrückt, wie sicher sich das Modell ist. Dieser Wert ist kein Beweis, sondern eine Schätzung des Modells über sich selbst. Für den Betrieb ist er trotzdem zentral, denn über Schwellenwerte legt ein Unternehmen fest, welche Befunde automatisch weiterlaufen und welche eine Fachkraft prüft. Kapitel 6 greift diesen Punkt auf.

Je genauer die Maschine hinsieht, desto präziser lässt sich der Zustand eines Bauteils beurteilen.

^{Infografik: Erst die pixelgenaue Maske macht Zustandsfragen wie Vollständigkeit und Neigung beantwortbar[7] | KI-gestützte Illustration, Werte illustrativ, kein Produktfoto | XR Stager Online Magazin | VISORIC GmbH}

Jede Stufe beantwortet eine weitere Frage.

^{Tabelle: Redaktionelle Übersicht der Verfahren der Bildauswertung | XR Stager Online Magazin | VISORIC GmbH}

Moderne Modelle arbeiten schnell genug für Videos in Echtzeit. Roboflow gibt für die RF-DETR-Seg-Familie auf einer Grafikkarte vom Typ NVIDIA T4 Rechenzeiten von wenigen Millisekunden je Bild an, abhängig von der Modellgröße.[8] Die Erkennung kann damit während des Fluges oder unmittelbar danach laufen, statt Tage später in einem Büro. Für die eigene Planung lohnt die Frage: Reicht es, ein Bauteil zu finden, oder muss das System seinen Zustand beurteilen?

• Computer Vision wertet Bilder und Videos automatisch aus.
• Objekterkennung zieht Rahmen, Instanzsegmentierung zeichnet pixelgenaue Masken.
• RF-DETR Seg erzeugt Rahmen und Masken in einem Durchgang und steht unter Apache 2.0.^[8]
• Jede Erkennung trägt einen Konfidenzwert, der über die weitere Behandlung entscheidet.
• Das Erkennen eines Bauteils ist erst der erste Schritt zur Zustandsbewertung.^[3]

Ein erkanntes Bauteil repariert noch nichts. Wie aus einer Erkennung ein Arbeitsauftrag wird, zeigt das nächste Kapitel.

Vom Videobild zum Reparaturauftrag

Im Roboflow-Webinar zeigen zwei Implementierungsingenieure des Unternehmens eine Anwendung zur Erfassung von Sturmschäden.[3] Links läuft das Drohnenvideo, rechts eine Karte mit der aktuellen GPS-Position der Drohne. Während das Video läuft, markiert die Anwendung Beobachtungen entlang der Route: einen Mast, der samt Transformator ersetzt werden muss, einen Mast, der noch steht, aber keinen Transformator mehr trägt, und intakte, stehende Masten.

Das Modell erkennt dabei nicht nur Schäden an der Leitung selbst. Im Beispiel wurden zusätzlich Klassen für abgebrochene Äste und Straßenschilder trainiert.[3] Das ist kein Detail, sondern die Grundlage der Einsatzplanung. Ein Ast auf der Leitung braucht zuerst ein Team für Vegetationsarbeiten, bevor die Leitungsmonteure arbeiten können. Ein gebrochener Mast verlangt anderes Gerät als ein beschädigter Transformator.

Der entscheidende Schritt ist die Weitergabe. In der Demo erscheinen neben dem Video die zugehörigen Arbeitsaufträge in der Kunden- und Serviceplattform Salesforce. Roboflow beschreibt, wie eine Produktivlösung ein Bild verarbeitet, die Erkennungen abruft, das Ergebnis annotiert und die Informationen über einen Salesforce-Baustein weitergibt. Die übertragenen Daten können den beobachteten Schaden und die Art des benötigten Teams enthalten.[3]

So entsteht eine durchgehende Kette. Das Video liefert den Beleg, das Modell erkennt die trainierten Zustände, die Integration trägt die Information in den Reparaturprozess. Wichtig ist, was die Demo zeigt und was nicht. Sie zeigt einen technisch durchgängigen Weg. Sie zeigt nicht, wie ein Netzbetreiber im Alltag mit Fehlalarmen, Doppelmeldungen oder widersprüchlichen Befunden umgeht. Genau diese Fragen entscheiden über den Erfolg im Regelbetrieb.

Der Wert entsteht nicht im Bild, sondern im Auftrag, der daraus folgt.

^{Infografik: Erst die Verbindung von Erkennung, Ort, fachlicher Prüfung und Auftragssystem macht aus Bildern einen Reparaturprozess, nach dem Ablauf der Roboflow-Demo[2] | KI-gestützte Illustration, Auftragsdaten frei gestaltet, kein Screenshot | XR Stager Online Magazin | VISORIC GmbH}

Die Art des Schadens bestimmt, wer ausrückt.

^{Tabelle: Redaktionelles Beispiel für die Zuordnung von Befunden zu Einsatzteams, angelehnt an die Roboflow-Demo[3], keine Vorgabe eines Netzbetreibers | XR Stager Online Magazin | VISORIC GmbH}

Die Bilder müssen nicht nur von Drohnen kommen. Roboflow zeigt auch eine Kamera am Fahrzeug, die während der Fahrt schief stehende Masten markiert, mit Aufnahmen von Fahrten, die Teams ohnehin unternehmen.[3] ComEd nutzt für sein Bildanalyseprogramm ebenfalls Drohnen, Fahrzeugkameras und mobile Endgeräte.[9] Für den eigenen Betrieb lautet die Kernfrage: In welchem System wird heute geplant, und wie kommen Befunde dort an, ohne dass jemand sie abtippt?

• Die Demo verknüpft Drohnenvideo, GPS-Position und Erkennung auf einer Karte.^[3]
• Erkannt werden auch Nebenbedingungen wie abgebrochene Äste.^[3]
• Befunde laufen als Arbeitsaufträge mit Schadensbild und Teamtyp in Salesforce.^[3]
• Neben Drohnen liefern Fahrzeugkameras weitere Bildquellen.^[3][9]
• Die Demo zeigt den technischen Weg, nicht den Umgang mit Fehlalarmen im Alltag.

Damit ein Modell Masten, Transformatoren und Äste zuverlässig erkennt, muss es zuerst lernen, wie sie aussehen. Das ist Thema des nächsten Kapitels.

Wie ein Inspektionsmodell lernt

Ein Modell erkennt nur, was es gelernt hat. Dafür braucht es Trainingsdaten, also Bilder, in denen Menschen markiert haben, wo welches Bauteil zu sehen ist und in welchem Zustand es sich befindet. Diese Markierung heißt Annotation oder Labeling. Bei Masken bedeutet das, um jedes Bauteil in jedem Bild eine exakte Umrisslinie zu zeichnen. Bei Masten mit mehreren Isolatoren, Querträgern und einem Transformator wird daraus schnell ein großer Teil des Projektaufwands.

Hier setzt eine neue Arbeitsteilung an. Große, allgemeine KI-Modelle, sogenannte Foundation Models, übernehmen das Vorlabeln. Im Webinar beschreibt ein Roboflow-Ingenieur in natürlicher Sprache, welche Bauteile er markiert haben möchte. Ein multimodales Sprachmodell und das Segmentierungsmodell SAM 3 von Meta erzeugen daraus die Masken. Für das gezeigte Beispiel nennt das Team 1.000 Segmentierungsmasken in 71 Sekunden und stellt ausdrücklich klar, dass es sich um Masken über das gesamte Videomaterial handelt, nicht um 1.000 geprüfte Masten.[3]

Die großen Modelle sind für den Dauerbetrieb zu langsam und zu teuer. Deshalb wird mit den erzeugten Labels ein kleineres, spezialisiertes Modell trainiert. Im Webinar entsteht so ein RF-DETR-Seg-Modell der Größe Small in rund sieben Minuten. Die gemessene Rechenzeit über die Cloud-Schnittstelle liegt bei 9,3 Millisekunden je Bild.[3] Das Prinzip lässt sich übertragen. Das große Modell liefert Wissen und Tempo beim Beschriften, das kleine Modell erledigt die tausendfache Wiederholung im Feld.

Vorlabeln ersetzt nicht die fachliche Prüfung. Roboflow empfiehlt, die erzeugten Annotationen zu kontrollieren und Beispiele unterschiedlicher Masten, Umgebungen und Bedingungen aus dem eigenen Versorgungsgebiet zu ergänzen.[3] Ein Modell, das nur Holzmasten bei Sonnenschein kennt, scheitert an Betonmasten im Nebel. Das Forschungsinstitut der US-Energiewirtschaft EPRI hat dafür über 7.000 Bilder von Übertragungs- und Verteilnetzanlagen gesammelt und klassifiziert, sie mehr als zehn Anbietern zum Training bereitgestellt und die Systeme anschließend an einem zurückgehaltenen Prüfdatensatz bewertet.[10]

Für Unternehmen verschiebt sich damit die Frage. Das Modell selbst wird zur austauschbaren Komponente, die offen verfügbar ist. Der eigentliche Wert liegt in den eigenen, sauber beschrifteten Bildern der eigenen Anlagen. Wer diese Datenbasis aufbaut, verbessert jedes künftige Modell. Wer sie nicht hat, bleibt von den Bildern anderer abhängig.

Große Modelle beschriften, Fachleute prüfen, kleine Modelle arbeiten im Feld.

^{Infografik: Der dauerhafte Wert liegt in geprüften eigenen Daten und nicht im einzelnen Modell, Kennzahlen aus der Roboflow-Demo[2] | KI-gestützte Illustration, kein Produktfoto | XR Stager Online Magazin | VISORIC GmbH}

Damit stellt sich für jedes Unternehmen eine strategische Frage: Wem gehören die Bilder der eigenen Anlagen, und wer pflegt sie als Trainingsbasis?

• Ein Modell erkennt nur, was in seinen Trainingsdaten vorkommt.
• Foundation Models wie SAM 3 erzeugen Masken aus Sprachbeschreibungen.^[3]
• Die Demo nennt 1.000 Masken in 71 Sekunden, nicht 1.000 geprüfte Masten.^[3]
• Ein Spezialmodell entstand in rund sieben Minuten und rechnet 9,3 Millisekunden je Bild.^[3]
• EPRI bewertet Inspektions-KI mit über 7.000 klassifizierten Bildern und einem zurückgehaltenen Prüfdatensatz.^[10]

Wie schnell und wie genau solche Systeme in der Praxis tatsächlich arbeiten, lässt sich nur an dokumentierten Einsätzen ablesen. Das zeigt das nächste Kapitel.

Was die Praxiszahlen wirklich zeigen

In Beiträgen über KI-Inspektion kursieren eindrucksvolle Zahlen. Für eine seriöse Bewertung lohnt es sich, zwei Dinge zu trennen: die Geschwindigkeit der Datenerfassung durch Drohnen und die Qualität der Auswertung durch KI. Beides wird oft vermischt, beruht aber auf unterschiedlichen Quellen und Messungen.

Bei der Erfassung sind die Zahlen gut dokumentiert. SRP steigerte mit Drohnen die Zahl der geprüften Masten von 30 bis 40 auf mehr als 130 bis 140 pro Tag und verkürzte die Prüfung eines Abschnitts mit 500 Masten von zwei Wochen auf drei bis fünf Tage.[4] Der Dienstleister Firmatek inspizierte mit Drohnen des Herstellers Skydio 10.000 Masten in einer Woche, mit 20 bis 30 Sekunden je Mast; das Projekt hätte nach Herstellerangaben sonst drei Monate gedauert.[5] Für die australischen Netzbetreiber Citipower und Powercor erfasste ein Pilotennetzwerk mehr als 11.000 Masten mit rund 80 Masten pro Tag und meldete eine viermal schnellere Inspektion sowie 15 Prozent mehr erkannte Mängel.[11]

Bei der Auswertung sind die Zahlen vorsichtiger zu lesen. ComEd gibt für sein KI-Programm zur Bewertung der Mastspitzen eine Genauigkeit von 86 Prozent im Vergleich zur Einschätzung menschlicher Fachleute an und berichtet, das Programm habe fast 3.000 Versorgungsunterbrechungen verhindert.[12][6] Für ein früheres Bildanalyseprogramm desselben Betreibers lag die Erkennungsgenauigkeit je nach Schadensart zwischen 58 und 90 Prozent, der Zielwert bei 85 Prozent.[9] EPRI berichtet, dass KI in einzelnen Fällen bis zu 90 Prozent bestimmter Zustände fand, sieht aber weiteren Verbesserungsbedarf.[10]

Zu jeder dieser Zahlen gehören zwei Einschränkungen. Erstens stammen sie überwiegend von Herstellern, Dienstleistern oder Betreibern selbst und sind keine unabhängigen Studien. Zweitens beschreibt eine einzelne Prozentzahl selten das ganze Bild. Entscheidend ist, wie viele echte Schäden übersehen werden und wie viele Fehlalarme Fachleute prüfen müssen. Eine Genauigkeit von 86 Prozent kann im Alltag sehr gut oder unzureichend sein, je nachdem, welcher Fehler häufiger auftritt und was er kostet.

Drohnen beschleunigen die Erfassung, die Qualität der Auswertung muss jedes Modell erst beweisen.

^{Infografik: Erfassungstempo und Auswertungsqualität sind getrennte Kennzahlen und müssen getrennt bewertet werden[4][5][11][8][9][10] | Werte nach Betreiber- und Herstellerangaben, unabhängig nicht geprüft | XR Stager Online Magazin | VISORIC GmbH}

Erfassung und Auswertung sind zwei verschiedene Kennzahlen.

^{Tabelle: Dokumentierte Kennzahlen zur Drohnen- und KI-Inspektion, Angaben der jeweiligen Quellen, unabhängig nicht geprüft | XR Stager Online Magazin | VISORIC GmbH}

Auch die Zahlen, die rund um das hier gezeigte Video kursieren, sind einzuordnen. Die Angabe von 10.000 Masten in einer Woche stammt aus dem Firmatek-Projekt und beschreibt die Bilderfassung, nicht die KI-Auswertung.[5] Eine häufig genannte Leistung von bis zu 400 Masten pro Tag ließ sich in den geprüften Primärquellen nicht belegen. Die belastbare Aussage lautet daher: Drohnen vervielfachen die Erfassung, und KI kann die Auswertung deutlich beschleunigen, wenn sie mit guten Daten trainiert und von Fachleuten kontrolliert wird. Wer eine Lösung bewertet, sollte daher fragen: Welcher Fehler ist für uns teurer, der übersehene Schaden oder der Fehlalarm?

• Drohnen steigerten bei SRP die Prüfleistung von 30 bis 40 auf über 130 Masten pro Tag.^[4]
• Firmatek erfasste 10.000 Masten in einer Woche, das ist eine Erfassungs-, keine KI-Kennzahl.^[5]
• ComEd nennt 86 Prozent Genauigkeit gegenüber menschlichen Fachleuten.^[12][6]
• Die meisten Zahlen stammen von Herstellern, Dienstleistern oder Betreibern.
• Entscheidend sind übersehene Schäden und Fehlalarme, nicht eine einzelne Prozentzahl.

Gerade weil keine KI fehlerfrei arbeitet, stellt sich die Frage, wer entscheidet, wenn das Modell unsicher ist. Das ist Thema des nächsten Kapitels.

Wenn die KI unsicher ist. Menschliche Kontrolle in der kritischen Infrastruktur

Ein Kommentar unter dem LinkedIn-Beitrag zu diesem Thema bringt die entscheidende Frage auf den Punkt: Wie geht ein Netzbetreiber mit Fällen um, in denen die Bewertung der KI unsicher ist, besonders wenn die Entscheidung Sicherheit und Versorgungszuverlässigkeit betrifft? Die Frage trifft den Kern jeder automatisierten Inspektion. Ein übersehener Schaden kann zu einem Stromausfall oder zu einer Gefahr für Menschen führen. Ein Fehlalarm schickt ein Team umsonst los und kostet Zeit, die nach einem Sturm an anderer Stelle fehlt.

Eine praktische Antwort ist die Abstufung nach Konfidenz und Tragweite. Erkennungen mit hohem Konfidenzwert und geringer Tragweite, etwa ein intakter, stehender Mast, können automatisch dokumentiert werden. Erkennungen mit hoher Tragweite, etwa ein beschädigter Transformator, gehen als Vorschlag an eine Fachkraft, die mit einem Blick auf das Bild bestätigt oder verwirft. Erkennungen mit niedrigem Konfidenzwert landen in einer eigenen Prüfwarteschlange. So wird menschliche Aufmerksamkeit dorthin gelenkt, wo sie den größten Unterschied macht. Diese Abstufung ist eine redaktionelle Gestaltungsempfehlung, keine Vorgabe eines bestimmten Herstellers.

In der Praxis ist dieser Ablauf bereits verbreitet. Bei deutschen Netzbetreibern prüfen nach Branchenanalysen erfahrene Netzfachleute die von der KI markierten Stellen, verwerfen Fehltreffer und stufen echte Schäden nach Dringlichkeit ein, bevor ein Auftrag entsteht.[2] Auch Roboflow beschreibt die Erkennung als fokussierten Ausgangspunkt für die prüfenden Personen.[3] Jede bestätigte oder verworfene Erkennung wird dabei zu neuem Trainingsmaterial, das das Modell im nächsten Durchgang verbessert.

In Europa kommt eine rechtliche Ebene hinzu. Die KI-Verordnung der EU stuft in Anhang III Nummer 2 KI-Systeme als Hochrisiko ein, die als Sicherheitsbauteil in der Verwaltung und im Betrieb der Strom-, Gas-, Wärme- und Wasserversorgung eingesetzt werden. Für solche Systeme verlangt Artikel 14 eine wirksame menschliche Aufsicht.[13] Die Pflichten für eigenständige Hochrisiko-Systeme nach Anhang III wurden durch den sogenannten Digital Omnibus vom 2. August 2026 auf den 2. Dezember 2027 verschoben.[14] Ob ein konkretes Inspektionssystem darunter fällt, hängt davon ab, ob es selbst sicherheitsrelevant entscheidet oder nur Vorschläge für Fachleute vorbereitet; Artikel 6 Absatz 3 sieht dafür Ausnahmen vor.[13][14] Diese Einordnung ist im Einzelfall rechtlich zu klären.

Die KI sortiert vor, die Fachkraft entscheidet, und jede Korrektur verbessert das Modell.

^{Infografik: Menschliche Aufmerksamkeit wird dort eingesetzt, wo Unsicherheit und Tragweite am größten sind, redaktionell entwickeltes Modell | KI-gestützte Illustration, kein Produktfoto | XR Stager Online Magazin | VISORIC GmbH}

Konfidenz und Tragweite gemeinsam bestimmen den Weg eines Befunds.

^{Tabelle: Redaktionelles Beispiel einer Abstufungsregel, keine Vorgabe eines Netzbetreibers oder Herstellers | XR Stager Online Magazin | VISORIC GmbH}

Für die Gestaltung solcher Systeme folgt daraus eine klare Regel: Die Benutzeroberfläche muss Unsicherheit sichtbar machen. Eine Fachkraft braucht das Originalbild, die markierte Stelle, den Konfidenzwert, frühere Aufnahmen desselben Mastes und eine einfache Möglichkeit, zu bestätigen oder zu korrigieren. Wer diese Oberfläche gut gestaltet, macht aus der Kontrolle keinen Engpass, sondern einen schnellen und nachvollziehbaren Arbeitsschritt. Für jedes Projekt lohnt die Frage: Welche Befunde darf das System allein dokumentieren, und welche brauchen immer einen Menschen?

• Übersehene Schäden und Fehlalarme verursachen unterschiedliche Kosten.
• Konfidenz und Tragweite gemeinsam bestimmen, ob ein Mensch prüft.
• Fachleute bestätigen oder verwerfen KI-Befunde, bevor ein Auftrag entsteht.^[2]
• KI als Sicherheitsbauteil der Stromversorgung gilt nach Anhang III Nr. 2 als Hochrisiko, Frist ist der 2. Dezember 2027.^[13][14]
• Jede Korrektur wird zu Trainingsmaterial für die nächste Modellversion.

Wenn Befunde geprüft, verortet und gespeichert sind, entsteht über die Zeit mehr als eine Liste von Reparaturen. Was daraus werden kann, zeigt das nächste Kapitel.

Vom Inspektionsflug zum digitalen Zwilling des Netzes

Jeder Inspektionsflug erzeugt strukturierte Raumdaten. Zu jeder Erkennung gehören eine Position, eine Bauteilklasse und ein Zustand. Für sich genommen ist das ein Befund. Über viele Flüge und viele Jahre wird daraus ein Abbild des gesamten Netzes, in dem jeder Mast mit seiner Geschichte hinterlegt ist. Dieses Abbild nennt man digitalen Zwilling: eine digitale Repräsentation eines realen Systems, die mit Daten aus dem Betrieb fortlaufend aktualisiert wird.

Der Wert liegt in der Wiederholung. Wer denselben Mast Jahr für Jahr aus demselben Winkel aufnimmt, erkennt schleichende Veränderungen wie zunehmende Neigung, wachsende Vegetation oder fortschreitende Korrosion. Daraus wird vorausschauende Instandhaltung: Ein Mast wird ersetzt, bevor er ausfällt. ComEd ordnet jedem geprüften Mast einen Gesundheitswert zu, der hilft zu entscheiden, welche Masten zuerst ersetzt oder verstärkt werden.[12]

Deutsche Netzbetreiber gehen diesen Weg bereits. Netze BW kontrolliert mit dem Programm NETZinspect seine 110-kV-Leitungen per Drohne, nutzt LiDAR, also laserbasierte Abstandsmessung, für zentimetergenaue 3D-Scans der Trassen und setzt KI für die Schadenserkennung ein.[15][2] SH Netz hat für sein rund 3.000 Kilometer langes Hochspannungsnetz einen digitalen Zwilling auf Basis von Luftaufnahmen erstellen lassen, der für Netzsimulationen dient.[16] Bei der Neubeseilung der 380-kV-Leitung Landesbergen-Borken mit 140 Masten auf rund 60 Kilometern nutzt der Dienstleister Omexom einen digitalen Zwilling, um die Flugrouten der Drohnen vor dem Start zu programmieren.[17]

Damit schließt sich ein Kreis. Der digitale Zwilling plant den Flug, der Flug aktualisiert den digitalen Zwilling. Die KI erkennt Veränderungen, die Fachleute bewerten sie, und das Ergebnis fließt als Auftrag in die Instandhaltung und als Datenpunkt zurück in das Modell des Netzes. Aus einer Reihe einzelner Inspektionen wird ein lebendiges Abbild der Infrastruktur.

Ein solcher Zwilling stellt Anforderungen an das Datenmanagement. Tausende Bilder je Befliegung müssen gespeichert, versioniert und dem richtigen Mast zugeordnet werden. In dem Programm, das ComEd mit einem Plattformanbieter aufgebaut hat, ordnet die Software neue Aufnahmen anhand von GPS-Position und Blickrichtung der Kamera automatisch der richtigen Anlage zu.[9] Georeferenzierte Luftbilder über Privatgrund werfen zudem Datenschutzfragen nach der DSGVO auf, die vor dem Regelbetrieb geklärt sein müssen.[2]

Für die Menschen, die mit diesem Abbild arbeiten, ist die Darstellung entscheidend. Ein digitaler Zwilling mit Millionen Datenpunkten hilft nur, wenn Planer, Disponenten und Monteure ihn verstehen. Räumliche Darstellungen in 3D, im Browser oder mit Mixed-Reality-Brillen machen sichtbar, wo sich Schäden häufen, welche Trassen besonders betroffen sind und wie ein Mast aussieht, bevor ein Team losfährt. Nicht jedes 3D-Modell ist dabei ein vollständiger digitaler Zwilling. Entscheidend ist die Verbindung von Geometrie und aktuellen Betriebsdaten.

Aus einzelnen Inspektionen wird ein Abbild des Netzes, das mit jedem Flug genauer wird.

^{Infografik: Der digitale Zwilling plant die Inspektion und wird durch sie aktualisiert, Netz- und Zustandsdaten illustrativ[11][15][17] | KI-gestützte Illustration, kein Produktfoto | XR Stager Online Magazin | VISORIC GmbH}

Für Betreiber großer Anlagenbestände lautet die Frage: Wo liegen heute die Inspektionsbilder, und lassen sie sich einem Ort und einem Bauteil zuordnen?

• Jede Erkennung liefert Position, Bauteilklasse und Zustand.
• Wiederholte Aufnahmen machen schleichende Veränderungen sichtbar.
• ComEd priorisiert Austausch und Verstärkung über einen KI-Gesundheitswert.^[12]
• Netze BW, SH Netz und Omexom verbinden Drohnen, LiDAR und digitale Zwillinge.^[15][16][17]
• Erst verständliche 3D-Darstellungen machen den Zwilling für Teams nutzbar.

Wie Unternehmen den Weg von einem ersten Versuch zu einem dauerhaften Betrieb gehen, zeigt das abschließende Kapitel.

Vom Pilotprojekt zum Regelbetrieb

Die Technik ist verfügbar, die eigentlichen Hürden liegen bei Genehmigung, Daten und Prozessen. In Deutschland fallen Drohnenflüge außerhalb der Sichtweite, englisch Beyond Visual Line of Sight oder kurz BVLOS, in die sogenannte Specific Category der EU-Drohnenverordnung 2019/947 und brauchen eine Betriebsgenehmigung des Luftfahrt-Bundesamts.[18] Seit dem 1. Januar 2026 sind neue Anträge mit der Risikobewertungsmethode SORA 2.5 zu stellen, die Bearbeitung dauert nach Branchenangaben rund zwei bis vier Monate.[2] Dass es geht, zeigte ED Netze bereits 2021 mit dem Dienstleister FlyNex: Rund 25 Kilometer Freileitung mit etwa 100 Masten wurden in drei Stunden außerhalb der Sichtweite abgeflogen.[19]

In den USA wartet die Branche auf die neue Regel Part 108 der Luftfahrtbehörde FAA, die BVLOS-Flüge vom Einzelfall zum Standard machen soll. Der finale Text liegt seit dem 10. Juli 2026 zur abschließenden Prüfung im Weißen Haus, bis zur Veröffentlichung bleiben Ausnahmegenehmigungen nötig.[20] Für europäische Betreiber gilt der eigene EU-Rahmen. Die Entwicklung in den USA zeigt aber, wie stark die Regulierung das Tempo der Skalierung bestimmt.

Ein sinnvoller Einstieg folgt vier Schritten. Erstens eine klar abgegrenzte Aufgabe wählen, etwa die Sichtprüfung eines Leitungsabschnitts oder die Lageerfassung nach einem Sturm in einem Testgebiet, zunächst in Sichtweite. Zweitens die Befunde festlegen, die das Modell erkennen soll, und eigene Bilder dafür sammeln und beschriften. Drittens die Schnittstelle zum bestehenden Auftrags- oder Asset-Management-System definieren, damit Befunde dort ankommen, wo heute geplant wird. Viertens Kennzahlen vorab festlegen: Prüfzeit je Anlage, Anteil bestätigter Befunde, übersehene Schäden in Stichproben und Zeit bis zum Auftrag.

Auch die Wirtschaftlichkeit lässt sich seriös erfassen, ohne Kennzahlen zu erfinden. Auf der Kostenseite stehen Drohnen, ausgebildete Pilotinnen und Piloten, das Genehmigungsverfahren, das Beschriften der Bilder, die Integration in bestehende Systeme und der laufende Betrieb. Auf der Nutzenseite stehen eine schnellere Lageerfassung nach Stürmen, weniger Einsätze mit Hubsteiger oder Hubschrauber und das frühere Erkennen schleichender Schäden. Internationale Erfahrungswerte nennen Einsparungen von etwa 50 bis 75 Prozent gegenüber der Inspektion per Hubschrauber.[2] Diese Werte stammen aus anderen Märkten und lassen sich nicht eins zu eins übertragen. Belastbar wird die Rechnung erst mit den Kennzahlen aus dem eigenen Pilot.

Das Muster ist nicht auf Strommasten begrenzt. Die Kamera ist austauschbar, das Prinzip bleibt gleich: Bild aufnehmen, Bauteil erkennen, Zustand bewerten, Befund verorten, Auftrag auslösen, Abbild aktualisieren. Es passt auf Bahnstrecken, Pipelines, Brücken, Windenergieanlagen, Dachflächen von Industriehallen oder Fertigungslinien, überall dort, wo viele gleichartige Anlagen regelmäßig geprüft werden müssen und Inspektionsdaten heute getrennt vom Betrieb in eigenen Ablagen liegen.

Ein klar abgegrenzter Pilot mit messbaren Kennzahlen ist der schnellste Weg in den Regelbetrieb.

^{Infografik: Skalierung beginnt mit einer kleinen, messbaren Aufgabe und einem geklärten Genehmigungsweg, redaktionell entwickelter Stufenplan[1][18] | KI-gestützte Illustration, kein Produktfoto | XR Stager Online Magazin | VISORIC GmbH}

Vier Kennzahlen zeigen, ob ein Pilot trägt.

^{Tabelle: Redaktionell entwickelte Kennzahlen zur Bewertung eines Inspektionspiloten | XR Stager Online Magazin | VISORIC GmbH}

Bleibt die Rolle der Menschen. Prüferinnen und Prüfer werden nicht überflüssig, ihre Arbeit verlagert sich vom Mast an den Bildschirm und vom Suchen zum Bewerten. Dafür brauchen sie neue Fähigkeiten: KI-Befunde einschätzen, Unsicherheiten erkennen, digitale Zwillinge lesen. Diese Fähigkeiten lassen sich gezielt trainieren, am besten in Lernumgebungen, die reale Anlagen und reale Befunde räumlich nachbilden. Wer Technik, Daten und Qualifizierung zusammen plant, macht aus einem Pilotprojekt einen dauerhaften Betrieb. Am Ende steht für jedes Unternehmen dieselbe Frage: Welche Anlage wäre klein genug für einen sicheren ersten Versuch und wichtig genug, dass das Ergebnis zählt?

• BVLOS-Flüge brauchen in Deutschland eine LBA-Genehmigung in der Specific Category.^[18]
• Seit 1. Januar 2026 gilt SORA 2.5, die Bearbeitung dauert rund zwei bis vier Monate.^[2]
• Die US-Regel Part 108 liegt seit Juli 2026 zur finalen Prüfung im Weißen Haus.^[20]
• Ein Pilot braucht eine abgegrenzte Aufgabe, eigene Daten, eine Schnittstelle und Kennzahlen.
• Das Muster lässt sich auf Bahn, Pipelines, Brücken und Industrieanlagen übertragen.

Die Drohne ist am Ende nur die Kamera. Der Wert entsteht in der Kette dahinter: in sauberen Daten, nachvollziehbaren Entscheidungen und einem digitalen Abbild, das mit jedem Flug genauer wird. Wie diese Kette im Bild aussieht, zeigt das folgende Video.

Die KI-Inspektion in Bewegung

Die vorangegangenen Kapitel haben erklärt, wie eine KI Strommasten erkennt, wie daraus Aufträge werden und wo die Grenzen liegen. Wie das konkret aussieht, lässt sich am unmittelbarsten im Video beobachten.

Das Video zeigt einen Drohnenflug an einem Holzmast mit Transformator in offener Landschaft. Farbige Masken legen sich in Echtzeit über die einzelnen Bauteile, eine Einblendung nennt das Modell RF-DETR Seg und die Bauteilklassen eines Strommastes. Die Aufnahmen stammen von Roboflow, das die Anwendung im August 2026 in einem Webinar vorgestellt hat.[3] Beim Anschauen lohnt sich ein Blick auf drei Dinge: wie stabil die Masken über die Bewegung hinweg bleiben, wie klar die Bauteile voneinander getrennt sind und an welchen Stellen eine Fachkraft trotzdem genauer hinsehen würde. Aus dem Video allein lassen sich keine Leistungswerte ableiten, die technischen Angaben stammen aus der Dokumentation von Roboflow. Roboflow weist zudem darauf hin, dass ein Teil des Webinarmaterials, ein Video zur Vegetation vor einem Sturm, künstlich erzeugt wurde.[3]

^{Video: KI-Inspektion eines Strommastes mit Instanzsegmentierung durch das Modell RF-DETR Seg | Visuals by original creators @roboflow | Analyse: Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Die farbigen Flächen wirken eindrucksvoll. Das ist eine redaktionelle Beobachtung, kein Qualitätsnachweis. Entscheidend ist, was hinter der Darstellung steht: ein trainiertes Modell, geprüfte Daten und ein Prozess, der aus einer Erkennung eine verlässliche Entscheidung macht.

• Das Video zeigt Instanzsegmentierung an einem Strommast während eines Drohnenflugs.
• Aufnahmen und Anwendung stammen von Roboflow.^[3]
• Leistungswerte ergeben sich aus der Dokumentation, nicht aus dem Video.
• Ein Teil des Webinarmaterials wurde laut Roboflow künstlich erzeugt.^[3]
• Die Frage bleibt: Wie wird aus einer Erkennung eine verlässliche Entscheidung?

Dieses Beispiel macht greifbar, warum der Weg vom eindrucksvollen Video zum belastbaren Betrieb mehr braucht als ein gutes Modell.

Vom Inspektionsbild zum digitalen Zwilling

Eine Drohne macht Schäden sichtbar, und eine KI sortiert sie vor. Damit daraus ein dauerhafter Betrieb wird, braucht es zwei weitere Bausteine: einen digitalen Zwilling, der die Befunde räumlich verständlich macht, und Menschen, die darin sicher entscheiden können.

Das Expertenteam der VISORIC GmbH aus München verbindet über 15 Jahre Erfahrung in 3D, KI und XR mit praktischer Erfahrung in Spatial Computing, Echtzeit-3D und digitalen Zwillingen. VISORIC entwickelt digitale Zwillinge, 3D-Erfassungen per Drohne und Gaussian Splatting sowie XR-Trainings, mit denen Unternehmen Inspektionsdaten verständlich machen und ihre Teams auf die Arbeit mit KI-Befunden vorbereiten, von der ersten Konzeptidee bis zur einsatzfähigen Anwendung.[21][22]

15 Jahre Erfahrung in 3D, KI und XR: das VISORIC Expertenteam aus München.

^{Bild: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Ein durchdachtes Pilotprojekt, ein einzelner Anlagentyp, ein klar abgegrenztes Gebiet und eine verständliche 3D-Darstellung der Befunde lassen sich oft deutlich schneller und kostengünstiger realisieren, als viele Unternehmen erwarten.

• Beratung zur Auswahl eines klar abgegrenzten Pilot-Use-Cases für Inspektion und Zustandserfassung.
• Entwicklung digitaler Zwillinge und 3D-Darstellungen für Inspektions- und Betriebsdaten.
• XR-Trainings, in denen Teams den Umgang mit KI-Befunden sicher üben.

Genau darin liegt der Ausgangspunkt für ein Gespräch: nicht bei der großen, unternehmensweiten Vision, sondern bei einem klar abgegrenzten, schnell umsetzbaren ersten Schritt.

Welche Ihrer Anlagen wird heute seltener geprüft, als es sinnvoll wäre, und was würde sich ändern, wenn jeder Befund automatisch im richtigen System ankommt?

Sprechen Sie mit dem VISORIC Expertenteam aus München über digitale Zwillinge, 3D-Visualisierung und XR-Training. Gemeinsam entwickeln wir aus Ihrer Aufgabe einen präzisen, nachvollziehbaren nächsten Schritt.

Kontakt:

E-Mail: info@visoric.com
Telefon: +49 89 21552678

Quellen und Referenzen

1. U.S. Department of Energy. Resilience Investment Guide, Utility Pole Maintenance and Upgrades. energy.gov, September 2024.
2. innobu. KI-gestützte Drohneninspektion von Stromnetzen, BVLOS und automatische Bilderkennung, Branchenanalyse mit Verweis auf Clean Energy Wire, LBA, Netze BW und TenneT. innobu.com, 19. Juni 2026.
3. Roboflow (Erik Kokalj). Automate Utility Pole Inspection with Roboflow, Blogbeitrag und Webinar mit Jennifer Kuchta und Alexei Alexandrovich. roboflow.com, 14. August 2026.

4. T&D World. Arizona’s SRP Solves Variety of Tasks with In-House Drone Pilots, Fachmedium. tdworld.com.
5. Skydio. Firmatek meets the challenge of inspecting 10,000 poles in one week, Herstellerfallstudie. skydio.com.
6. ComEd über Business Wire. ComEd Recognized for Advanced Technology and Customer Programs By National Organizations, Pressemitteilung. businesswire.com, 16. Oktober 2025.
7. Hoodline mit Bezug auf CBS News Chicago. ComEd Sends Drones and AI to Hunt Down Rotting Poles Before They Snap, Sekundärquelle. hoodline.com, 25. August 2026.

8. Roboflow. RF-DETR, Repository und Dokumentation zu Objekterkennung und Instanzsegmentierung, Lizenz Apache 2.0, sowie Blog SOTA Instance Segmentation with RF-DETR, 2. Oktober 2025. github.com.

9. Optelos. Automating Grid Analytics Through Drone Inspection and Computer Vision AI, Anbieterfallstudie zu ComEd. optelos.com.

10. EPRI über T&D World. Can AI Be the Next-Generation T&D Inspection Technology?, Forschungsbericht. tdworld.com.

11. Birdi. How Citipower and Powercor inspected their power pole assets 4 X faster with Birdi, Anbieterfallstudie. birdi.io.
12. ComEd. Drone Imagery and AI Technology Speed Up Process for Maintaining Utility Poles, Betreiberbeitrag. poweringlives.comed.com, 7. April 2026.

13. Europäische Union. Verordnung (EU) 2024/1689 über künstliche Intelligenz, insbesondere Artikel 6, Artikel 14 und Anhang III Nummer 2. eur-lex.europa.eu, 2024.
14. innobu. EU AI Act, Hochrisiko-KI in der Energie-Infrastruktur, Digital Omnibus und Frist 2. Dezember 2027. innobu.com, 2026.

15. Netze BW. NETZinspect, Drohnen, LiDAR und KI in der Leitungsinspektion, sowie Vortrag J. Scholz, Stuttgarter Hochspannungssymposium, Juni 2024. netze-bw.de.
16. ZfK. SH Netz: Digitaler Zwilling für umfangreiche Netzsimulationen. zfk.de.
17. VDI Fachmedien, ingenieur.de. Die frühe Drohne fängt das Bild, Fachbeitrag von Omexom Deutschland. ingenieur.de, 17. November 2025.

18. Luftfahrt-Bundesamt. Betriebsgenehmigung für unbemannte Fluggeräte in der Kategorie „speziell“ nach Verordnung (EU) 2019/947. lba.de.
19. FlyNex. FlyNex und ED Netze inspizieren Stromnetz mit Drohne in BVLOS. flynex.io, 2021.
20. Commercial UAV News und Pickdrones. FAA Part 108 BVLOS-Regel in der Prüfung beim OIRA seit 10. Juli 2026. pickdrones.com, September 2026.

21. VISORIC Praxisprojekte in den Bereichen digitale Zwillinge, Echtzeit-3D, Gaussian Splatting und Spatial Computing.
22. XR Stager Plattform für Echtzeit-3D, digitale Zwillinge, Knowledge AI und industrielle Spatial-Computing-Anwendungen.