.
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.
Zum Webinar anmelden
Warum regelbasierte Prüfungen oft an ihre Grenzen stoßen
Klassische Bildverarbeitung funktioniert am besten, wenn:
Ingenieure müssen dann:
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:
EyeVision Deep Learning wurde speziell für den industriellen Einsatz entwickelt:
Näher betrachtet: Anomalieerkennung bei wechselnder Produktion
Anomalieerkennung ist besonders effektiv, wenn:
Abweichungen vom erlernten Normalzustand.
Das macht Anomalieerkennung zu einem praxisnahen Werkzeug für:
Sehen Sie es live: Webinar
In unserem kommenden Live-Webinar zeigen wir, wie diese Konzepte konkret in EyeVision umgesetzt werden.
Sie sehen unter anderem:
Jetzt zum Webinar anmelden
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.
Zum Webinar anmelden
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
Ingenieure müssen dann:
- Schwellenwerte ständig nachjustieren
- zusätzliche Ausnahmeregeln definieren
- Prüfungen für neue Produktvarianten überarbeiten
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.
- keine Programmierung
- keine externen KI-Tools
- keine Abhängigkeit von spezifischer Hardware
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
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
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
Jetzt zum Webinar anmelden
