Durch den wachsenden Onlineversand und dem daraus resultierenden Druck auf Logistikunternehmen gilt es zukünftig mehr autonome und visuell gestützte Systeme in der Logistik zu implementieren. Zentraler Aspekt ist dabei das Identifizieren von Paketen in zweidimensionalen Bildern. Möchte man zusätzlich noch Labels und Barcodes auf den Paketen erfassen, ist das seitenspezifische Segmentieren von Paketen von Vorteil. Doch gerade der Bereich des sonst vielversprechenden maschinellen Lernens benötigt für Aufgaben wie diese entsprechende Trainingsdaten. Lassen sich diese Daten nicht in der erforderlichen Menge erheben, können durch das Einbinden von Computer Vision-Algorithmen, wie der Kantendetektion und der Linienerkennung, gröbere Eingabesegmentierungen von bereits trainierten Modellen genutzt werden, um die Segmentierungsmasken nachträglich zu verfeinern. Dieses Verfahren integriert dabei nur aufgabenunabhängige Verfahren. Mittels der modellbasierten kantengestützten Ebenensegmentierung muss somit neben einem Evaluationsdatensatz kein anwendungsspezifischer Paketdatensatz aufwendig von Hand annotiert werden. Das Ziel der vorliegenden Arbeit ist es aufzuzeigen, welche Limitierungen eine kantengestützte Ebenensegmentierung für Bilder von Paketen aufweist. Außerdem gilt es zu untersuchen, inwiefern sich die  Limitierungen reduzieren lassen. Dazu werden die Daten eines Evaluationsdatensatzes quantitativ analysiert, um Schwachstellen in der Verarbeitungspipeline zu ermitteln und Lösungen zu konzipieren. Als größte Herausforderung stellt sich die iterative Verfeinerung von Segmentierungsmasken heraus. Es werden verschiedene Ansätze konzipiert, um Artefakte in den Segmentierungsmasken zu minimieren und die Güte der Segmentierungsmasken zu erhöhen. Die Idee, Eckpunkte der Masken nachträglich zu evaluieren und dann gegebenenfalls mit Eckpunkten anderer Masken zu verschmelzen, stellt sich als effiziente Lösung dar. Es wird gezeigt, dass die Ergebnisse dieser so genannten Punkteverschmelzung zwar nicht für alle Dateninstanzen des Evaluationsdatensatzes eine gewollte Erhöhung der IoU (engl. Intersection of Union) mit der Grundwahrheit mit sich bringen, jedoch Daten mit einer schlechten Eingabesegmentierung eine Verbesserung der IoU aufweisen. Es wird nachgewiesen, dass die Punkteverschmelzung ein geeignetes Mittel ist, um die Robustheit der Verfeinerung von Quadern zu erhöhen.