Wenn ich es auf einen Satz runterbreche: KI kann Fahrzeugschäden auf Fotos erkennen, einordnen und grob bewerten - aber kein Modell ersetzt das Kfz-Gutachten.

Ich sehe im Artikel vier Modellgruppen mit klar verteilten Rollen:

  • CDA-Net deckt den ganzen Ablauf ab: Fahrzeug erkennen, Schaden finden, Bauteil zuordnen, Schadensart und Schweregrad einstufen
  • VGG eignet sich vor allem für Klassifikation, schwächelt aber bei der Schadenschwere
  • YOLO arbeitet sehr schnell mit Bounding Boxes und passt gut zur Vorprüfung
  • Mask R-CNN liefert Pixelmasken und ist damit näher an Flächen- und Kostenfragen

Die Kernaussage ist einfach: Hohe Genauigkeit allein reicht nicht. Ich würde bei Studien immer auf drei Dinge schauen:

  • Datensatzgröße und Vielfalt
  • Qualität der Annotationen
  • Nutzen für den Ablauf in Schadenmeldung, Gutachten und Kostenbewertung

Ein paar Zahlen zeigen den Rahmen:

  • CDA_YOLOv5: 87,36 % durchschnittliche Klassen-Genauigkeit, 90,45 % Gesamtgenauigkeit auf eigenem Datensatz
  • CDA-Net-Datensatz: 11.380 Bilder
  • VGG16/VGG19 bei Schadenerkennung: bis 95,22 %
  • VGG bei Schweregradklassifikation: teils nur 54,8 % bis 58,48 %
  • YOLOv9s: rund 87 % mAP@0.5 bei etwa 53 FPS

Für mich ist der Punkt daher klar:
YOLO passt zur schnellen Sichtung, Mask R-CNN zur genauen Flächenabgrenzung, VGG eher als Referenz, und CDA-Net als durchgehende Pipeline mit Kostenbezug. Für Beträge in € bleiben die Ausgaben aber Näherungen, weil Fotos verdeckte Schäden, Lohnkosten und Ersatzteilpreise nicht vollständig zeigen.

Quick Comparison

Modell Hauptnutzen Ausgabe Stärke Grenze
CDA-Net / CDA_YOLOv5 Durchgehende Schadensanalyse Klassen, Bauteil, Schweregrad, Scores Alles in einer Pipeline Ergebnisse stark vom Datensatz abhängig
VGG16/19 Klassifikation Schadensklassen Gute Erkennung Schwächer bei Lokalisierung und Schweregrad
YOLO Schnelle Detektion Bounding Boxes, Klassen Hohe Geschwindigkeit Keine exakte Flächenmaske
Mask R-CNN Segmentierung Pixelmasken, Klassen, Boxes Genaue Flächenabgrenzung Mehr Rechenaufwand

Wenn ich den Artikel kurz einordne, dann so: Er zeigt, was die Modelle heute leisten, wo ihre Grenzen liegen und warum KI vs. Mensch in der Bewertung zusammenspielen und die letzte Entscheidung weiter beim Sachverständigen bleibt.

CDA-Net: Pipeline, Datensatz und veröffentlichte Ergebnisse

Wie CDA-Net die automatische Schadensanalyse aufbaut

CDA-Net dient hier als Referenzmodell, weil es den ganzen Ablauf der automatischen Schadensanalyse in einer durchgehenden Pipeline abbildet. Das System verbindet Fahrzeugerkennung, Lokalisierung, Klassifikation und Schweregradbewertung miteinander.

Am Anfang steht die Marken- und Modell-Erkennung, also CMM. Dieser Schritt liefert den Fahrzeugkontext, auf dem die spätere Schadensbewertung aufbaut. Das ist wichtig, weil ein Kratzer an einer Tür anders eingeordnet wird, wenn das System weiß, welches Fahrzeug vor ihm steht.

Danach übernimmt CDA_YOLOv5 die Lokalisierung. Das Modell setzt Bounding Boxes um beschädigte Bereiche und weist sie bestimmten Fahrzeugteilen zu, zum Beispiel der Frontstoßstange, der Motorhaube, den Türen oder dem Kotflügel. Im Anschluss folgt die Einordnung der Schadensart. Unterschieden werden Dellen, Kratzer, Brüche, Risse und Verformungen.

Zusätzlich bewertet die Pipeline den Schweregrad des Schadens, meist als niedrig, mittel oder hoch. Sie bestimmt außerdem, an welcher Stelle des Fahrzeugs der Schaden sitzt, also an Front, Heck oder Seite.

Die Ergebnisse lassen sich anschließend mit Preisdaten verbinden, um eine erste Kostenschätzung abzuleiten. So liefert CDA-Net schon früh sauber strukturierte Vorarbeit für den weiteren Bewertungsprozess.

Datensatz und berichtete Ergebnisse

Für die Einordnung der Resultate zählt nicht nur die Pipeline selbst, sondern auch die Datenbasis dahinter. CDA-Net nutzt dafür zwei eigens aufgebaute Datensätze.

Der CMM-Datensatz enthält Bilder von 23 Marken und 148 Modellen. Daneben gibt es einen Schadensdatensatz mit 11.380 Bildern aus Versicherungsbüros und aus Webquellen. Jedes Bild wurde nach beschädigtem Bauteil, Schadensart, Schweregrad und Schadenslage annotiert.

Auf diesem eigenen Datensatz erreicht CDA_YOLOv5 eine durchschnittliche Klassen-Genauigkeit von 87,36 % und eine Gesamtgenauigkeit von 90,45 %. Diese Werte gelten aber nur für den hauseigenen Datensatz. Genau deshalb taugen sie hier vor allem als Referenz für den späteren Modellvergleich.

Für den Einsatz in Deutschland reicht das noch nicht aus. Dafür wären Nachtraining und eine separate Validierung nötig.

Im nächsten Schritt wird CDA-Net mit VGG-, YOLO- und Mask R-CNN-Ansätzen verglichen.

Weitere Modell-Familien für Schadenserkennung und Schweregradbeurteilung

KI-Modelle für Fahrzeugschadenserkennung im Vergleich

KI-Modelle für Fahrzeugschadenserkennung im Vergleich

Im Vergleich zu CDA-Net setzen andere Studien vor allem auf drei Modellfamilien: VGG für Klassifikation, YOLO für schnelle Detektion und Mask R-CNN für pixelgenaue Segmentierung. Der springende Punkt ist dabei nicht nur, ob ein Schaden erkannt wird. Am Ende zählt auch, wie genau sich daraus eine Bewertung und später die Kosten ableiten lassen.

VGG-basierte Modelle für Klassifikation, Lokalisierung und Schadenschwere

VGG16 und VGG19 dienen in vielen Arbeiten als Referenzmodelle für Transfer Learning. Die typischen Pipelines teilen die Analyse in drei Aufgaben auf: Erkennung, Lokalisierung und Schweregradklassifikation - also gering, mittel oder schwer.

Bei den Ergebnissen zeigt sich ein klares Muster: Je schwerer die Aufgabe, desto schwächer die Leistung. Für die reine Schadenerkennung werden Genauigkeiten von 94,56 % bei VGG16 und 95,22 % bei VGG19 gemeldet. Bei der Lokalisierung sinken die Werte auf 74,39 % beziehungsweise 76,48 %. Am schwächsten fällt die Schweregradklassifikation aus. Hier kommen die Modelle nur auf 54,8 % bei VGG16 und 58,48 % bei VGG19. Ein anderes VGG16-basiertes Modell erreicht 94 % bei der Erkennung, 71 % bei der Lokalisierung und 61 % bei der Schadenschwere.

Für den Einsatz im Alltag heißt das: VGG-Modelle passen gut zur Vorselektion. Sie können beschädigte Fahrzeuge automatisch markieren und klare Nicht-Fälle aussortieren. Das spart Zeit. Bei unklaren Fällen sollte aber weiter ein erfahrener Kfz-Sachverständiger draufschauen. Für die Schätzung der Schadensfläche reicht dieser Ansatz allein noch nicht.

YOLO-Modelle für schnelle Erkennung und Bounding-Box-Lokalisierung

YOLO-Modelle wie YOLOv3, YOLOv5 und YOLOv8 erkennen Schäden in einem Schritt und geben dazu Bounding Boxes samt Schadensklassen aus. In einer Studie zur automatisierten Fahrzeugschadenserkennung erreicht YOLOv9s rund 87 % mAP@0.5 bei etwa 53 FPS auf Mittelklasse-Hardware. Typische Schadensklassen sind Kratzer, Dellen, Risse, zerbrochenes Glas oder defekte Scheinwerfer.

Das ist flott und für viele Abläufe erst mal gut genug. Eine Bounding Box zeigt allerdings nur, wo der Schaden sitzt. Sie zeigt nicht exakt, wie groß die betroffene Fläche ist. Genau da liegt der Haken. Feine Unterschiede beim Schweregrad - etwa die genaue Tiefe einer Delle oder die exakte Ausdehnung eines Kratzers - lassen sich daraus kaum sicher ableiten.

Darum eignet sich YOLO vor allem als schnelles Vorscreening, etwa am Einfahrtsbereich von Mietwagenstationen oder in mobilen Apps zur Schadendokumentation. Für die abschließende Kostenbewertung ist es meist zu grob. Wer Flächen genau messen will, braucht segmentierende Verfahren.

Mask R-CNN für pixelgenaue Schadenssegmentierung

Mask R-CNN

Mask R-CNN liefert pro Schaden eine Maske, ein Klassenlabel und eine Bounding Box. Das ist vor allem dann wichtig, wenn die Größe einer betroffenen Teilfläche direkten Einfluss auf die Reparaturkosten hat.

In der Forschung wird Mask R-CNN oft mit starken Backbones kombiniert. Studien zeigen, dass Mask R-CNN mit Inception ResNetV2-Backbone alle verglichenen Varianten - darunter auch VGG16 und VGG19 - bei Erkennung, Lokalisierung und Schadenschwere übertrifft. Ein webbasiertes System zur Schadenschätzung segmentiert hochgeladene Fotos automatisch und leitet daraus Schweregrad und Kostenkennzahlen ab.

Damit passt Mask R-CNN vor allem zu genaueren Analysen. Für sehr schnelle Entscheidungen direkt vor Ort ist das Modell meist weniger geeignet. Genau an diesem Punkt wird die nächste Frage wichtig: Wie lassen sich solche Ausgaben sauber in Gutachten und Kostenschätzungen überführen?

Von der Schadenserkennung zu Versicherungs- und Gutachtenprozessen

Schweregradeinstufung, Bauteilbewertung und Reparaturkostenrelevanz

Nach der Erkennung und Segmentierung kommt der Punkt, auf den es in Versicherung und Gutachten ankommt: Wie lassen sich diese Ergebnisse im Alltag nutzen?

Ein Beispiel dafür ist ein System mit YOLOv5 zur Schadenserkennung und ResNet-50 zur Schweregradklassifikation in einer appbasierten Schadenmeldung. Dabei laden Nutzer Fotos hoch, die KI gibt eine Ersteinstufung ab und nennt einen vorläufigen Reparaturkostenrahmen. Die finale Entscheidung trifft aber der Sachbearbeiter. Genau das ist wichtig: Die Kostenschätzung bleibt vorläufig, weil Bilder allein keine komplette Grundlage für eine KFZ-Schadenbewertung liefern.

Die Reparaturkosten hängen schließlich von mehr ab als nur vom sichtbaren Schaden auf dem Foto. Eine Rolle spielen unter anderem:

  • regionale Werkstatt- und Stundensätze
  • Ersatzteilpreise
  • Folgeschäden, die oft erst nach der Demontage sichtbar werden

Fotos zeigen davon nur einen Teil.

Deshalb ist KI in diesem Schritt vor allem für die Priorisierung gedacht, nicht für die letzte Bewertung. In der Praxis zählt vor allem die Triage: Einfache Fälle können automatisiert vorgeprüft werden, während komplexe Fälle direkt beim Sachverständigen landen. Das spart Zeit und sorgt dafür, dass Fachleute sich zuerst um die Fälle kümmern, bei denen ihr Urteil am meisten zählt.

Wo KI-Ergebnisse in professionelle KFZ-Gutachten passen

Im Alltag zeigt KI ihren Nutzen erst dann, wenn sie in einen digital organisierten Gutachtenprozess eingebunden ist. Reicht ein Fahrzeughalter Fotos ein, kann ein automatisiertes System schon vorab betroffene Bauteile markieren, Schadensklassen vorschlagen und den Schweregrad grob einordnen. Der Sachverständige startet dann nicht bei null, sondern bekommt einen vorsortierten Befund, den er prüft, korrigiert und ergänzt.

CUBEE Sachverständigen AG bindet solche Voranalysen in einen digitalisierten Gutachtenprozess ein: Fahrzeughalter reichen Fotos ein, die Voranalyse strukturiert den Befund, und qualifizierte Sachverständige übernehmen Prüfung, Korrektur und abschließende Dokumentation.

Modellvergleich, Forschungslücken und wichtigste Erkenntnisse

Vergleichstabelle: CDA-Net vs. VGG, YOLO und Mask R-CNN

Beim Vergleich dieser Modelle zählt vor allem eins: Wie gut liefern sie eine brauchbare Grundlage für ein Gutachten? Es reicht also nicht, einen Schaden nur zu erkennen. Ein Modell muss ihn auch sauber einordnen, verorten und im besten Fall beim Schweregrad eine erste Einschätzung liefern.

Modell Hauptaufgabe Ausgabetyp Lokalisierung Stärken Grenzen
CDA-Net / CDA_YOLOv5 End-to-End-Schadensanalyse Klassen, Schweregrad, kostenrelevante Scores Bounding Box + Schweregrad-/Kostenbewertung Integrierte Pipeline; 87,36 % durchschnittliche Klassen-Genauigkeit und 90,45 % Gesamtgenauigkeit Abhängig vom Trainingsdatensatz; Kostenwerte bleiben Näherungen
VGG (VGG16/19) Klassifikation Schadensklassen, ja/nein Bild- oder Patch-Ebene Bewährte Referenzarchitektur Langsamer als moderne Detektoren; keine native Segmentierung
YOLO (v3–v8) Echtzeit-Detektion Bounding Boxes, Konfidenz, Klassen Bounding-Box-Ebene Sehr schnell; geeignet für die Detektion mehrerer Schäden in einem Bild Keine Pixelmasken; bei sehr kleinen oder überlappenden Schäden weniger präzise
Mask R-CNN Instanzsegmentierung Pixelmasken, Klassen, Bounding Boxes Pixel-Ebene Sehr präzise Flächenabgrenzung Höherer Rechenaufwand; braucht große annotierte Datensätze

Die Modelle gehen also unterschiedlich vor. In der Praxis stoßen sie aber oft an ähnliche Grenzen.

Wiederkehrende Grenzen der Studien

Ein großes Problem zieht sich durch viele Arbeiten: Die Datensätze sind oft klein und selbst gebaut. Öffentliche Standarddatensätze fehlen. Das macht die Übertragbarkeit schwierig. Ein Modell, das mit bestimmten Fahrzeugtypen, Kamerawinkeln oder Lichtlagen trainiert wurde, kann unter anderen Bedingungen deutlich schwächer werden.

Besonders heikel sind feine, überlappende oder verdeckte Schäden. Genau dort zeigt sich, ob ein System nur im Labor gut aussieht oder auch draußen auf dem Hof funktioniert. Dazu kommen Regen, Schatten oder ungünstige Perspektiven. Solche Aufnahmebedingungen drücken die Zuverlässigkeit spürbar.

Am wenigsten belastbar bleibt die Kostenschätzung. Aus Fotos lassen sich nur Näherungswerte ableiten. Regionale Lohnkosten, OEM-Ersatzteilpreise oder versteckte Folgeschäden kann ein Bild allein nicht sicher abbilden.

Wichtigste Erkenntnisse

CDA-Net führt Erkennung und Analyse in einer Pipeline zusammen. YOLO passt gut für schnelle Vorprüfungen. Mask R-CNN spielt seine Stärken bei der exakten Flächenabgrenzung aus. VGG bleibt als Referenzmodell weiter wichtig.

Der gemeinsame Nenner ist klar: Keines dieser Modelle ersetzt aktuell eine vollständige professionelle Schadenbewertung. Versteckte Schäden, der genaue Reparaturumfang und die abschließende Wertfindung brauchen weiter den Blick eines qualifizierten Sachverständigen. KI hilft vor allem bei Vorprüfung und Dokumentation; die finale Bewertung bleibt beim Sachverständigen.

FAQs

Wann reicht KI zur Vorprüfung aus?

KI-gestützte Systeme sind stark, wenn es um schnelle Vorprüfungen und erste Kostenschätzungen direkt nach einem Schadensereignis geht. Gerade am Anfang zählt oft jede Minute. Genau dort spielen sie ihre Stärke aus.

Besonders nützlich sind sie bei der automatisierten Kategorisierung von Schäden und bei der Vereinheitlichung von Routineaufgaben. Das spart Zeit, nimmt Druck aus dem Ablauf und sorgt dafür, dass viele Standardfälle zügig eingeordnet werden können.

Bei komplexen oder ungewöhnlichen Schäden reicht das aber oft nicht aus. Auch wenn es um die rechtssichere Validierung geht oder um die Frage, ob repariert oder ausgetauscht werden sollte, bleibt die Expertise menschlicher Gutachter essenziell. Denn genau an diesen Punkten kommt es auf Erfahrung, Einordnung und ein sauberes Urteil an.

Warum ersetzt KI kein Kfz-Gutachten?

KI macht viele Abläufe schneller und sorgt oft für gleichbleibende Ergebnisse. Ein klassisches Kfz-Gutachten ersetzt sie trotzdem nicht komplett.

Gerade bei kniffligen Fällen oder verdeckten Schäden stößt KI an Grenzen. Das gilt zum Beispiel für elektrische Bauteile, Batterien von Elektrofahrzeugen oder interne Sensorsysteme. An solchen Stellen zählt menschliches Urteilsvermögen nach wie vor.

Auch die letzte Prüfung durch einen Experten ist wichtig, damit rechtssichere Gutachten erstellt werden können. Das gilt vor allem dann, wenn sich Schäden nicht klar zuordnen lassen oder eine schlechte Bildqualität die Analyse erschwert.

Welches Modell passt zu welchem Zweck?

Je nach Einsatz passen andere KI-Modelle besser:

  • CNNs wie MobileNet oder EfficientNet, wenn Schäden sauber klassifiziert werden sollen
  • YOLO, wenn es auf schnelle Erkennung und Lokalisierung in Echtzeit ankommt
  • Faster R-CNN, wenn in mehrstufigen Analysen eine sehr genaue Lokalisierung gefragt ist

Bei CUBEE Sachverständigen AG kommen solche Modelle nicht allein zum Zug. Sie werden mit menschlicher Expertise verbunden, damit Gutachten effizient und präzise unterstützt werden.

Verwandte Blogbeiträge