Computer Vision
Erkennung, OCR und Qualitätsprüfung, trainiert auf Ihren Bildern, getestet in Ihrem Licht, deployt an der Linie oder in Ihrer Cloud.
Vision-Systeme für reale Bedingungen
Vision-Modelle scheitern in der Lücke zwischen Demo-Datensatz und Ihrem Hallenboden: Blendung, Staub, Kamerawinkel, der Fehler, der zweimal im Monat auftaucht. Wir bauen Erkennungs-, OCR- und Qualitätsprüfsysteme um genau diese Lücke, trainieren auf Ihren Bildern und evaluieren auf den harten Fällen Ihres Teams, nicht auf Benchmark-Fotos.
Das Projekt beginnt mit Ihrem vorhandenen Material oder einem Aufnahmeplan, falls es keines gibt. Wir labeln einen ersten Datensatz, trainieren eine Baseline und zeigen Ihnen binnen Wochen Precision und Recall pro Fehlerklasse. Danach ist die Schleife eng: Fehltreffer gemeinsam prüfen, nachlabeln, nachtrainieren, bis die Zahlen Ihre Messlatte nehmen.
Das Deployment folgt Ihren Randbedingungen: Edge-Geräte neben der Kamera, wenn Latenz oder Konnektivität es verlangen, Cloud, wenn nicht. Das System kommt mit einem Review-Interface für Grenzfälle, sodass Bediener das Modell korrigieren und jede Korrektur zu Trainingsdaten für die nächste Iteration wird.
Was Sie gewinnen
Gemessen pro Klasse
Precision und Recall pro Fehler- oder Dokumenttyp berichtet, damit Sie genau wissen, wo das Modell stark ist und wo Menschen in der Schleife bleiben.
Funktioniert unter Ihren Bedingungen
Trainiert und getestet auf Ihren Kameras, Ihrem Licht und Ihren Materialien. Das Eval-Set entsteht aus Ihren schlimmsten Fällen, nicht aus sauberen Mustern.
Edge oder Cloud
ONNX-exportierte Modelle laufen auf Geräten an der Linie oder als GPU-Services in Ihrer Cloud, gewählt nach Latenz und Kosten.
OCR über Druckschrift hinaus
Stempel, Handschrift, schiefe Scans und mehrsprachige Dokumente, mit Konfidenzwerten, die Zweifelsfälle an Menschen leiten.
Ein Datensatz, der wächst
Labeling-Standards und Tooling sorgen dafür, dass jede Produktionskorrektur Ihren Datensatz und Ihre Genauigkeit über die Zeit vergrößert.
Von den ersten Bildern an die Linie
Sammeln und labeln
Vorhandene Bilder auditieren oder die Aufnahme planen, dann ein erster Datensatz mit Klassendefinitionen, die Ihre Bediener mittragen.
Schnell zur Baseline
Ein erstes Modell binnen Wochen, bewertet pro Klasse, damit früh klar ist, ob Daten oder Modellierung der Engpass sind.
An den Fehlern iterieren
Fehler mit Ihren Fachleuten durchgehen, den Datensatz dort ausbauen, wo es weh tut, und nachtrainieren, bis die Ziele stehen.
Deployen, wo es läuft
Optimieren und paketieren für Edge oder Cloud, Monitoring und Review-Schleife anschließen, dann übergeben.
Was Sie bekommen
Antworten auf Ihre Fragen
Wie viele Bilder brauchen wir für den Start?
Mit modernen vortrainierten Backbones reichen oft einige Hundert pro Klasse für eine erste Baseline, und Augmentierung streckt kleine Datensätze weiter. Die Machbarkeitsstudie sagt es präzise: Wir trainieren auf dem, was da ist, und berichten, wo mehr Daten sich lohnen.
Seltene Fehler treten nur wenige Male im Monat auf. Lernt ein Modell das?
Ja, mit dem richtigen Ansatz: Augmentierung, synthetische Beispiele und Anomalieerkennung, die alles Ungewöhnliche meldet statt nur bekannter Klassen. Den Recall für seltene Fälle berichten wir separat, damit das Risiko sichtbar bleibt.
Läuft das ohne Internet in der Halle?
Ja. Modelle werden nach ONNX exportiert und laufen auf Industrie-PCs oder Edge-Geräten neben der Kamera, mit Updates in Ihrem Rhythmus und ohne Cloud-Abhängigkeit zur Inferenzzeit.
Bilder da, Entscheidung zu automatisieren?
Schicken Sie eine Stichprobe Ihres Materials, und wir sagen Ihnen vor der Entscheidung, welche Genauigkeit realistisch ist.
Vision-Pilot anfragen