Computer Vision
Bilder in brauchbare Signale verwandeln, einschließlich der schwierigen Fälle.
Ein Modell auf ausgewählten Bildern ist erst der Anfang. Wir bauen Bildverarbeitung um die Kameras, Lichtverhältnisse, Bewegungen und Objekte deines tatsächlichen Prozesses und prüfen, wie unsichere oder unbekannte Eingaben behandelt werden.
KURZ ERKLÄRT
Computer-Vision-Entwicklung verbindet Bild- oder Videoeingaben mit einer vereinbarten Erkennungs- oder Prüfaufgabe. Der Auftrag umfasst Aufnahmebedingungen, annotierte Testdaten, Modellauswahl und Integration in einen Prüf- oder Handlungsablauf.
Geeignet für
- Betriebe mit einer wiederkehrenden visuellen Prüf- oder Erkennungsaufgabe
- Softwareprodukte mit Bedarf an Bildsignalen unter definierten Aufnahmebedingungen
Andere Ausgangslage
- Ein Dokumentenworkflow, dessen Hauptaufgabe das Auslesen und Prüfen von Textfeldern ist
- Eine sicherheitskritische autonome Entscheidung ohne fachliche Validierung
Festlegen, was die Kamera unterscheiden muss
Klassifikation ordnet einem Bild eine Kategorie zu; Detektion lokalisiert Objekte; Segmentierung markiert Bereiche im Bild. Die Aufgabe ergibt sich aus der Geschäftsaktion. Wir definieren relevante Klassen, die Bedeutung eines Fehlers oder einer Ausnahme und ob das Ergebnis eine Person unterstützt oder einen begrenzten Prozess auslöst.
Die Bildquelle vor der Modelloptimierung prüfen
Wir untersuchen Auflösung, Beleuchtung, Winkel, Verdeckung, Bewegung und Unterschiede zwischen Standorten oder Geräten. Eine bessere Aufnahme kann mehr bewirken als zusätzliches Training. Der Testsatz enthält realistische schwierige Beispiele und unbekannte Eingaben. Fehlen Labels, legt Data Annotation die Regeln und Qualitätsprüfung dafür fest.
Den Ort der Auswertung bewusst wählen
Geeignete vorhandene Modelle, angepasste Modelle und eigenes Training werden nach Erkennungsqualität, Latenz, Hardware und Betriebskosten verglichen. Auswertung am Gerät kann die Netzabhängigkeit senken; ein Server kann Aktualisierungen vereinfachen. Der Entwurf benennt übertragene Daten, Bildaufbewahrung und Modellversionen. Geräteanbindung kann mit Industrial IoT abgegrenzt werden.
Beispiel einer Abnahme: Ein Bauteil ist teilweise verdeckt
Eine beispielhafte Prüfung erhält ein Bild mit verdecktem relevanten Bauteil. Der Ablauf meldet ein nicht eindeutiges Ergebnis und fordert eine neue Aufnahme oder menschliche Prüfung an. Das Objekt gilt dadurch nicht automatisch als bestanden. Tests trennen sichtbare Fehler, zulässige Zustände und unbrauchbare Bilder. Der Abnahmenachweis verbindet jede Entscheidung mit Aufnahmebedingungen und Modellversion.
Evaluation und Integration gemeinsam übergeben
Du erhältst Klassendefinitionen, Referenzen auf zulässige Datensätze, Trainings- oder Konfigurationsartefakte, Evaluationsergebnisse und Anwendungsintegration. Schwellenwerte werden vereinbart und nach relevanten Kamera- oder Umgebungsänderungen erneut geprüft. Grenzen bleiben für Bedienende sichtbar. Laufende Freigabe- und Überwachungsprozesse können nach der Erstabnahme über MLOps ergänzt werden.
Fragen vor dem Start
Ja. Zuerst prüfen wir, ob ein geeignetes Modell oder eine API Aufgabe und Datenanforderungen erfüllt. Eigenes Training wird durch gemessene Lücken begründet.
Der Auftrag umfasst Software und vereinbarte Integration. Kameraauswahl, Installation, Firmwareänderungen und Arbeiten vor Ort werden getrennt benannt, damit die Verantwortung klar bleibt.
Unterstützte Varianten werden anhand repräsentativer Daten festgelegt. Neue Materialien, Formen oder Aufnahmebedingungen können eine erneute Evaluation vor der Freigabe erfordern.
Wir berichten aufgabengerechte Kennzahlen und Fehler nach relevanter Klasse oder Bedingung. Übersehene Defekte, Fehlalarme und unbrauchbare Bilder werden wegen ihrer unterschiedlichen Folgen getrennt dargestellt.
Computer-Vision-Anwendung eingrenzen
Beschreibe, was das System erkennen soll, wo die Bilder entstehen und welche Aktion folgt. Repräsentative Beispiele und zulässige Nutzung klären wir vor der Modellbewertung.