Source: Deutsche Nachrichten
.
In der Produktion scheitert die Prüfung selten, weil Technologie fehlt.
Sie scheitert, weil die Realität sich nicht an Regelwerke hält.
Ein Kratzer sieht je nach Beleuchtung unterschiedlich aus.
Eine Oberfläche verändert sich mit Materialchargen.
Ein Code ist lesbar – bis er beschädigt oder teilweise verdeckt ist.
Ein Teil ist „fast korrekt“ – aber nicht akzeptabel.
Das sind alltägliche Situationen in der industriellen Bildverarbeitung.
Warum regelbasierte Prüfungen oft an ihre Grenzen stoßen
Klassische Bildverarbeitung funktioniert am besten, wenn:
- die Geometrie fest definiert ist
- die Beleuchtung stabil ist
- Variationen vorhersehbar sind
Viele reale Anwendungen sehen jedoch anders aus.
Ingenieure müssen dann:
- Schwellenwerte ständig nachjustieren
- zusätzliche Ausnahmeregeln definieren
- Prüfungen für neue Produktvarianten überarbeiten
Genau hier kommt Deep Learning in EyeVision zum Einsatz – nicht um klassische Bildverarbeitung zu ersetzen, sondern um das zu lösen, was Regeln nicht abdecken können.
Wie EyeVision Deep Learning in der Praxis eingesetzt wird
Statt Regeln zu programmieren, erlaubt EyeVision den Anwendern, das System mit Beispielen zu trainieren.
Zum Beispiel:
- Anomalieerkennung: EyeVision lernt, wie normale Oberflächen aussehen, und markiert Abweichungen automatisch.
- Objektklassifikation: Ähnlich aussehende Teile oder Fehlertypen werden anhand gelernter Merkmale unterschieden – nicht über feste Grenzwerte.
- Segmentierung: Bildbereiche oder Objekte werden präzise isoliert und für die Weiterverarbeitung bereitgestellt.
- OCR und Code-Lesen: Texte und Codes werden erkannt, auch wenn Zeichen beschädigt, verzerrt oder unvollständig sind.
All dies wird direkt in EyeVision konfiguriert:
- keine Programmierung
- keine externen KI-Tools
- keine Abhängigkeit von spezifischer Hardware
Entwickelt für Ingenieure – nicht für Data Scientists
EyeVision Deep Learning wurde speziell für den industriellen Einsatz entwickelt:
- Einfache Annotation (EEA) statt komplexer Labeling-Workflows
- Vortrainierte Netzwerke zur Reduzierung des Einrichtungsaufwands
- Transfer Learning zur Anpassung an neue Produkte
- Hardwareunabhängiger Einsatz auf bestehenden Systemen
- Nahtlose Kombination von KI und klassischer Bildverarbeitung innerhalb eines Projekts
So können Prüfsysteme mit der Produktion mitwachsen – ohne jedes Mal von vorne beginnen zu müssen.
Näher betrachtet: Anomalieerkennung bei wechselnder Produktion
Anomalieerkennung ist besonders effektiv, wenn:
- Fehlertypen unbekannt oder selten sind
- sich das Erscheinungsbild von Oberflächen über die Zeit verändert
- der Aufbau eines Fehlerdatensatzes nicht realistisch ist
Statt jeden Fehler zu definieren, konzentriert sich EyeVision auf.
Abweichungen vom erlernten Normalzustand.
Das macht Anomalieerkennung zu einem praxisnahen Werkzeug für:
- Oberflächenprüfung
- frühzeitige Erkennung von Qualitätsabweichungen
- Reduzierung von Pseudofehlern durch starre Regeln
Sehen Sie es live: Webinar
In unserem kommenden Live-Webinar zeigen wir, wie diese Konzepte konkret in EyeVision umgesetzt werden.
Sie sehen unter anderem:
- wie Anomalieerkennung Schritt für Schritt konfiguriert wird
- wie Deep Learning und klassische Bildverarbeitung kombiniert werden
- wie stabile Ergebnisse bei wechselnden Bedingungen erreicht werden
- Praxisbeispiele aus realen Industrieanwendungen
29. Januar 2026 | 11:00 Uhr (CET)