Prozessüberwachung, Qualitätskontrolle und Datenverarbeitung

Intelligente Software-Lösungen

Von Datenaufnahme über Aufbereitung bis hin zu anwendungsspezifischer Software und Visualisierung: alles aus einer Hand!

Would you like to monitor your production processes objectively? Or implement quality control at an early stage to reduce rejects? With AI-supported image processing in Python, this is possible!

Neben Bilddaten können auch Textdaten mit Machine Learning Techniken verarbeitet werden und so wertvolle Einsichten in Ihre Produktion ermöglichen oder sogar einen direkten Nutzen für Ihre Kunden haben – Stichwort peronalisierte Produktempfehlungen!

Was sind Clustering, Klassifizierung, Objekterkennung und -segmentierung?

Clustering meint die Gruppierung von Daten. Hierbei kann es sich beispielsweise um Textdaten wie Email, Datenblätter oder Notizen halten, welche thematisch sortiert werden. Dazu können klassische Machine Learning Algorithmen genutzt werden.

Objekterkennung mit neuronalen Netzen ermöglicht hingegen die automatic identification and localization of components, structures, or defects in image data.
Unlike traditional image processing, it is not based on rigid rules or thresholds. The neural network uses learned features that it has independently recognized during training.
This means that a model can not only detect individual objects, but also detect, count, or mark multiple components simultaneously with precise positioning – etwa Schrauben, Lötstellen, Etiketten oder fehlerhafte Oberflächen. Zum Beispiel können Muttern erkannt und gezählt werden:

Erkennung von 3 Muttern auf einem rostigen Hintergrund
Detection of 3 nuts on a rusty background

Solutions for process monitoring and quality control

Manuelle Qualitätskontrolle nimmt häufig viel Zeit in Anspruch und ist fehlerbehaftet. Um diesen Prozess objektiver und schneller zu gestalten nutzen immer mehr produzierende Unternehmen Computer Vision, also automatisiertes Image Processing. Dabei können klassische Algorithmen zum Beispiel zur edge detection or neural networks for more complex tasks.

This enables reliable recognition of patterns in images and extensive data sets. Typical industrial applications include classification tasks, such as automatically classifying components as OK or not OK. In addition to good/bad detection, neural networks can also distinguish between component variants or evaluate surface conditions – quickly, reproducibly, and objectively.

Wie läuft so ein Software-Projekt konkret ab?

Bei der Durchführung kann der Arbeitsaufwand je nach Anwendung und Aufgabenstellung sehr klar definiert sein oder reine Entwicklungsarbeit bedeuten. Folgendes ist bei jedem Softwareprojekt inklusive:

Feasibility Study

Ist ein KI-Modell in dieser Anwendung überhaupt von Nutzen oder sind klassische Algorithmen die bessere Wahl? Welche Daten werden benötigt und wie müssen diese aufbereitet werden?

Training der KI oder implementieren des Algorithmus

Ich suche für Ihre Anwendung passende Netzarchitekturen und trainiere sie mit den Daten aus Ihrer Produktion oder Simulation. Falls bereits klar ist, dass ein sauberer Algorithmus die bessere Wahl ist, implementiere ich Ihnen auch diese Software nach best practises und Industriestandards. Die Ergebnisse werden gemeinsam besprochen und weiterentwickelt, bis Sie zufrieden sind.

Testing and Integration into Production Systems

Für jede Anwendung lässt sich ein Testdatensatz definieren, welcher gängige Bilddaten aus der Produktion zusammenfasst und auch spezielle Einzelfälle abdeckt. Basierend auf diesem Datensatz werden die Modelle bzw. der Algorithmus getestet und evaluiert. Das beste Modell wird anschließend zusammen mit Ihrem IT-Team vor Ort in die Produktion eingebunden.