diff --git a/README.md b/README.md
index 4d04027..38d1eed 100644
--- a/README.md
+++ b/README.md
@@ -182,21 +182,40 @@ keine Daten verlassen das Gerät.
    Stapel-Zuweisung; die Zahl wird nirgends gespeichert, nicht einmal
    flüchtig für die Dauer der Sitzung.
 
-   Kein Bilderkennungsmodell: Der Ausschnitt wird über denselben
-   **Otsu-Schwellwert** wie die Texterkennung in zwei Klassen geteilt
-   (`threshold.js`, aus `ocr.js` herausgezogen, damit beide Funktionen sich
-   dieselbe Schwellwertbestimmung teilen, ohne dass die reine Zählung an
-   `tesseract.js` hinge). Die flächenmäßig **kleinere** der beiden Klassen
-   gilt als Objekt — die ausgelegten Teile belegen so gut wie immer weniger
-   Fläche als der Untergrund, unabhängig davon, ob sie heller oder dunkler
-   sind als dieser; der Nutzer muss nichts einstellen. Anschließend werden
-   zusammenhängende Objektflächen ermittelt (Connected-Component-Labeling
-   mit einer eigenen Arbeitsliste statt Rekursion, damit ein rund eine
-   Million Bildpunkte großer Ausschnitt nicht in den Stapelüberlauf läuft),
-   winzige Flächen als Rauschen verworfen und auffällig große Flächen
-   (mehrere berührende Teile) auf ein Vielfaches der typischen
-   Einzelteilgröße hochgerechnet. Details und Begründung der verwendeten
-   Schwellen: `.superpowers/sdd/counting-report.md`.
+   Kein Bilderkennungsmodell: Der **Otsu-Schwellwert** (`threshold.js`),
+   den die Texterkennung weiterhin nutzt, taugt für „Zählen" nicht — er
+   setzt voraus, dass Objekt- und Untergrundfläche etwa gleich groß sind.
+   Am echten Foto des Auftraggebers (rund zwanzig silberne
+   Festplattenschrauben auf dunklem Leder) belegen die Schrauben unter
+   einem Prozent der Fläche; Otsu rutschte deshalb auf den höchsten
+   Helligkeitswert und erklärte nur die hellsten Punkte der Ledernarbung
+   zum Objekt (gemessenes Fehlverhalten: 76712 statt rund zwanzig). Über
+   die Helligkeit allein sind Schraube und Untergrund an diesem Foto gar
+   nicht trennbar.
+
+   `countObjects` (`src/count-objects.js`) verwendet stattdessen
+   **örtlichen Kontrast**: Der Ausschnitt wird auf 800 Bildpunkte Breite
+   normiert (schmalere Ausschnitte bleiben unverändert — macht alle
+   folgenden Maße unabhängig von der Kameraauflösung), in Graustufen
+   gewandelt und mit einem Kastenfilter geglättet (unterdrückt feine
+   Untergrundnarbung, über ein Summenbild für radius-unabhängige
+   Laufzeit). Ein zweiter, deutlich größerer Kastenmittelwert liefert den
+   **örtlichen Hintergrund** an jeder Stelle — das fängt ungleichmäßige
+   Ausleuchtung ab. Ein Bildpunkt gilt als Objekt, wenn er um mehr als
+   einen festen Betrag heller **oder** dunkler ist als sein örtlicher
+   Hintergrund (beide Richtungen werden berechnet; es gewinnt die mit den
+   meisten gefundenen Einzelflächen — Details siehe unten). Anschließend
+   werden zusammenhängende Objektflächen ermittelt
+   (Connected-Component-Labeling mit einer eigenen Arbeitsliste statt
+   Rekursion, damit ein rund eine Viertelmillion Bildpunkte großer
+   Ausschnitt nicht in den Stapelüberlauf läuft), winzige Flächen als
+   Rauschen verworfen und nur Flächen ab einem festen **Anteil der
+   größten gefundenen Fläche** behalten — bewusst relativ, nicht absolut,
+   damit ein näher oder weiter weg gehaltenes Kamerabild die Zählung nicht
+   verstellt. Auffällig große Flächen (mehrere berührende Teile) werden
+   auf ein Vielfaches der typischen (Median-)Einzelteilgröße
+   hochgerechnet. Details, alle verwendeten Schwellen und die Messung am
+   echten Foto: `.superpowers/sdd/counting-rework-report.md`.
 5. **Stapel-Zuweisung.** Grün (Barcode) und Gelb (OCR) laufen ohne Eingabe
    durch; nur bei roter Konfidenz (nichts Eindeutiges erkannt, widersprüchliche
    Barcodes oder widersprüchliche unbekannte Barcodes ohne jede OCR-Kapazität)
@@ -334,7 +353,7 @@ worauf du bei der Veröffentlichung achten solltest.
 | `src/scan-modes.js` | Die vier Scan-Funktionen (Strichcode, QR-Code, Text erkennen, Zählen): Kennung, deutsche Beschriftung, gelesene Codearten, laufende Suche ja/nein, Texterkennung ja/nein, laufende Zählung ja/nein — einzige Quelle, sowohl für die Auswahl-Oberfläche als auch für `main.js` |
 | `src/scan-recognition.js` | Baut die an `recognize()` übergebenen Adapter anhand der gewählten Funktion: in „Strichcode"/„QR-Code" liefert die Texterkennung sofort leeren Text ohne Tesseract anzustoßen, in „Text erkennen" liefert die Barcode-Dekodierung sofort eine leere Liste ohne `zxing-wasm` anzustoßen, in „Zählen" liefern beide sofort leer (diese Funktion ruft `recognize()` im normalen Betrieb ohnehin nicht auf) |
 | `src/threshold.js` | Otsu-Schwellwertbestimmung (Graustufen, Histogramm, Schwellwert) — reines Modul ohne Browser-Zugriff, aus `ocr.js` herausgezogen; gemeinsame Grundlage für `preprocess()` (ocr.js) und `countObjects()` (count-objects.js) |
-| `src/count-objects.js` | Reine Berechnung für Funktion „Zählen": zählt zusammenhängende Objektflächen in einem Bildausschnitt (Otsu-Schwellwert aus `threshold.js`, flächenmäßig kleinere Klasse gilt als Objekt, Connected-Component-Labeling mit eigener Arbeitsliste, Rauschfilter, Hochrechnung berührender Teile über den Flächen-Median) |
+| `src/count-objects.js` | Reine Berechnung für Funktion „Zählen": zählt zusammenhängende Objektflächen in einem Bildausschnitt über örtlichen Kontrast (Normierung auf 800 Bildpunkte Breite, Glättung und örtlicher Hintergrund je über Kastenfilter/Summenbild, Maske aus geglättetem Bild vs. örtlichem Hintergrund ± Marge, beide Polaritäten, Connected-Component-Labeling mit eigener Arbeitsliste, Rauschfilter, Massstab relativ zur größten Fläche, Hochrechnung berührender Teile über den Flächen-Median) — nutzt `threshold.js`/Otsu bewusst **nicht** mehr (siehe „Funktionsweise" oben) |
 | `src/storage.js` | Absturzschutz der laufenden Sitzung: sichert und lädt aus `localStorage`, verwirft beim Laden jeden in sich unstimmigen Zustand vollständig (siehe unten); `entry.rawText` ist wie `entry.codes` optional und wird bei Fehlen als leerer Rohtext wiederhergestellt |
 | `src/camera.js` | Kamerastart, Einzelbildaufnahme (herunterskaliert, für die Dateiauswahl), Rahmenausschnitt in voller Auflösung (`grabFrameRegion`, für die laufende Barcode-Suche, „Modul scannen" in „Text erkennen" **und** die laufende Zählung in „Zählen"), Bilddatei-Ersatzweg |
 | `src/barcode.js` | Adapter zu `zxing-wasm`; `decodeBarcodes(imageData, formats)` bekommt die Codearten übergeben, ohne Angabe wie bisher (Code128 + DataMatrix) |
@@ -433,35 +452,41 @@ Eintrag und fließt in keine Stapel-Berechnung ein.
   Modul einen eigenen Stapel erzeugen.
 - **Funktion „Zählen" ist eine Schätzung, keine exakte Zählung** — sie wird
   ungenau, wenn eine der folgenden Bedingungen zutrifft:
-  - **Berührende oder gestapelte Teile.** Mehrere Teile, die sich berühren,
-    bilden eine einzige zusammenhängende Fläche. Die App rechnet diese über
-    die typische Einzelteilgröße (Median der gefundenen Flächen) auf ein
-    Vielfaches hoch, aber je unregelmäßiger sich die Teile überlappen
-    (z. B. drei Schrauben, die sich gegenseitig teilweise verdecken statt
-    sich nur zu berühren), desto ungenauer wird die hochgerechnete Fläche.
-    Liegen Teile übereinander gestapelt statt nebeneinander ausgelegt, sieht
-    die Kamera von oben nur die Fläche des obersten Teils — verdeckte Teile
-    werden nicht mitgezählt.
-  - **Ungleichmäßige Ausleuchtung.** Der Otsu-Schwellwert ist ein einziger,
-    fester Wert für den gesamten Ausschnitt. Fällt Licht sehr einseitig ein
-    (z. B. ein Teil des Rahmens hell, der Rest im Schatten), kann derselbe
-    Untergrund an einer Stelle über und an einer anderen Stelle unter dem
-    Schwellwert liegen — Teile im schlechter ausgeleuchteten Bereich werden
-    dann leicht übersehen oder der Untergrund selbst fälschlich als
-    Objektfläche gewertet.
-  - **Zu geringer Kontrast zum Untergrund.** Je ähnlicher sich Objekt- und
-    Untergrundhelligkeit sind, desto unschärfer die Trennung durch Otsu —
-    bei sehr geringem Kontrast können Teile am Rand verloren gehen oder mit
-    dem Untergrund verschmelzen.
-  - **Stark unterschiedlich große Teile.** Die Hochrechnung setzt voraus,
-    dass die meisten Fundstücke ungefähr gleich groß sind (der Median dient
-    als Maßstab für „ein Teil"). Liegen im selben Rahmen sowohl deutlich
-    größere als auch deutlich kleinere Teile derselben Sorte (oder gar
-    unterschiedliche Teile gemischt), kann die Rauschschwelle ein
-    tatsächliches kleines Teil verwerfen oder die Hochrechnung ein einzelnes
-    großes Teil als mehrere zählen.
-  - Details, die verwendeten Schwellenwerte und ihre Begründung stehen in
-    `.superpowers/sdd/counting-report.md`.
+  - **Der Untergrund muss sich abheben.** Das Verfahren erkennt Fundstücke
+    über den örtlichen Kontrast zu ihrer unmittelbaren Umgebung (siehe
+    „Funktionsweise" oben) — es braucht also eine Stelle, an der sich das
+    Fundstück *lokal* von dem unterscheidet, was um es herum liegt. Ein
+    Fundstück, das nahezu dieselbe Helligkeit wie der Tisch/das Leder
+    darunter hat, wird nicht zuverlässig gefunden.
+  - **Gleichmäßige Ausleuchtung hilft.** Der örtliche Hintergrund wird aus
+    einem Fenster um jeden Bildpunkt gebildet und fängt einseitigen
+    Lichteinfall dadurch besser ab als ein einzelner, fester Schwellwert
+    für das ganze Bild. Sehr harte Schlagschatten oder Reflexe können
+    trotzdem eigene, dem Fundstück ähnliche Kontrastflächen erzeugen (siehe
+    „mehrere gefundene Flächen" unten) und die Zählung verfälschen.
+  - **Auseinandergelegt zählt besser als aufgehäuft/berührend.** Mehrere
+    Teile, die sich berühren, bilden eine einzige zusammenhängende Fläche.
+    Die App rechnet diese über die typische Einzelteilgröße (Median der
+    gefundenen Flächen) auf ein Vielfaches hoch, aber je unregelmäßiger sich
+    die Teile überlappen (z. B. mehrere Schrauben, die sich gegenseitig
+    teilweise verdecken statt sich nur zu berühren), desto ungenauer wird
+    die hochgerechnete Fläche — und je dichter die Teile gedrängt liegen,
+    desto eher sieht das Umgebungsfenster (siehe oben) an ihrer eigenen
+    Stelle vor allem Nachbarteile statt echten Untergrund. Liegen Teile
+    übereinander gestapelt statt nebeneinander ausgelegt, sieht die Kamera
+    von oben nur die Fläche des obersten Teils — verdeckte Teile werden
+    nicht mitgezählt.
+  - **Stark unterschiedlich große Teile verfälschen die Hochrechnung.** Die
+    Hochrechnung setzt voraus, dass die meisten Fundstücke ungefähr gleich
+    groß sind (der Median dient als Maßstab für „ein Teil"). Liegen im
+    selben Rahmen sowohl deutlich größere als auch deutlich kleinere Teile
+    derselben Sorte (oder gar unterschiedliche Teile gemischt), kann die
+    Rauschschwelle ein tatsächliches kleines Teil verwerfen oder die
+    Hochrechnung ein einzelnes großes Teil als mehrere zählen.
+  - Details, die verwendeten Schwellenwerte, ihre Begründung und die
+    Messung am echten Foto (~20 Festplattenschrauben auf Leder, für das
+    das alte Otsu-basierte Verfahren 76712 statt rund zwanzig meldete)
+    stehen in `.superpowers/sdd/counting-rework-report.md`.
 
 ## Herstellertabellen erweitern