Was ist Computer Vision? Wie KI „sieht“, prüft und Defekte erkennt

1. Was ist Computer Vision und wie funktioniert es?

⚡ In einem Satz

Computer Vision ist ein Teilgebiet der KI, in dem Algorithmen Bilder oder Videos analysieren: Sie erkennen Objekte, entdecken Defekte und klassifizieren sie.

💡 Einfach erklärt

Ein Qualitätsprüfer betrachtet ein Produkt und vergleicht es mit einem Sollbild, das er im Kopf hat: Er weiß, wie ein gutes Teil aussehen muss, und sucht nach Abweichungen. Computer Vision funktioniert ähnlich, nur entsteht die Referenz nicht aus Erfahrung, sondern aus Tausenden beschrifteter Bilder. Eine Kamera erfasst das Bild des Produkts, und der Algorithmus vergleicht es mit diesen Bildern und klassifiziert es als in Ordnung oder fehlerhaft.

Der Effekt: Jedes Teil wird in Sekundenbruchteilen geprüft, das erste genauso wie das tausendste.

Aber Achtung: Computer Vision „denkt“ nicht wie ein Mensch. Es „versteht“ nicht, was ein Kratzer ist. Es hat „gelernt“, dass ein bestimmtes Pixelmuster in einem Bild einen Defekt bedeutet, weil ihm das jemand zuvor anhand Hunderter Beispiele gezeigt hat. Taucht ein Defekt auf, der in den Trainingsdaten nicht vorkam, erkennt das System ihn möglicherweise nicht. Deshalb hängt die Wirksamkeit von Computer Vision von der Qualität und Vielfalt dieser Daten ab (mehr in Abschnitt 4).

🔧 Zum Vertiefen

Computer Vision gibt es als Forschungsfeld seit den 1960er-Jahren. Die ersten Experimente versuchten, einfache geometrische Formen zu erkennen. Über Jahrzehnte war der Fortschritt langsam, weil von Hand entworfene Algorithmen (sogenanntes Feature Engineering, z. B. Sobel-Kantenfilter, SIFT- und HOG-Deskriptoren) mit der natürlichen Variabilität von Bildern nicht zurechtkamen: Änderten sich Beleuchtung, Winkel oder Hintergrund, funktionierte der Algorithmus nicht mehr.

Der Durchbruch kam 2012, als das neuronale Netz AlexNet die ImageNet Large Scale Visual Recognition Challenge mit einem Ergebnis gewann, das deutlich besser war als klassische Methoden. Seitdem dominiert Deep Learning (vgl. Was ist Künstliche Intelligenz?) das Feld der Computer Vision.

Die Schlüsselarchitektur ist das CNN - Convolutional Neural Network (faltendes neuronales Netz). Es besteht aus Schichten von Filtern, die über das Bild gleiten und Merkmale extrahieren, von den einfachsten (Kanten, Farbverläufe) in den ersten Schichten bis zu komplexen (Formen, Texturen, Objekte) in den tieferen. Das Netz braucht keine von Hand definierten Merkmale: Es wird mit Daten trainiert und extrahiert sie selbst.

Die wichtigsten Aufgabentypen in Computer Vision:

• Bildklassifizierung - „Was ist auf diesem Bild?“ (z. B. Produkt in Ordnung oder fehlerhaft)
• Objekterkennung - „Wo auf dem Bild sind Objekte, und welche sind es?“ (z. B. alle Kratzer auf einer Oberfläche finden und mit einem Rahmen markieren)
• Segmentierung - „Welches Pixel gehört zu welchem Objekt?“ (z. B. die Kontur eines Defekts präzise umreißen oder seine Fläche messen)

In industriellen Anwendungen (visuelle Inspektion) werden am häufigsten Objekterkennung und Klassifizierung eingesetzt: Eine Kamera erfasst das Bild, ein CNN-Modell klassifiziert es als „OK“ oder „Defekt“ und markiert bei einem Defekt dessen Lage im Bild.

2. Wie unterscheidet sich Computer Vision von OCR?

⚡ In einem Satz

OCR erkennt Text in einem Bild und wandelt ihn in bearbeitbare Zeichen um. Computer Vision erkennt Objekte, Defekte, Szenen - alles, was kein Text ist.

💡 Einfach erklärt

OCR und Computer Vision sind zwei verschiedene Antworten auf dieselbe Frage: „Was ist auf diesem Bild?“

OCR antwortet: „Auf diesem Bild steht Text - und zwar das hier.“ Es extrahiert Buchstaben, Ziffern, Wörter. So wird der Scan einer Rechnung zu einer Datei, in der sich Text suchen und kopieren lässt (vgl. Was sind OCR und NLP? So liest KI Dokumente).

Computer Vision antwortet anders: „Auf diesem Bild ist ein Produkt, und es hat einen Kratzer an der linken Kante.“ Oder: „Auf diesem Foto eines Parkplatzes stehen 47 Autos.“ Oder: „Dieses Teil ist um 3 Grad schief montiert.“

Eine einfache Regel: Wenn du Text aus einem Dokument extrahieren willst, brauchst du OCR. Wenn du willst, dass das System ein Bild analysiert und auf dieser Basis etwas klassifiziert, brauchst du Computer Vision.

In der Praxis können sich die beiden Technologien ergänzen, z. B. prüft Computer Vision an einer Verpackungslinie, ob das Etikett an der richtigen Stelle ist, und OCR liest, was darauf steht (Haltbarkeitsdatum, Chargennummer). Es sind zwei Werkzeuge, keine Konkurrenten.

🔧 Zum Vertiefen

Technisch kann OCR als eine enge Anwendung von Computer Vision betrachtet werden, schließlich ist das Erkennen von Buchstaben in einem Bild auch „Computer Vision“. In der Praxis werden die Begriffe aber getrennt verwendet, weil sie verschiedene Probleme lösen und verschiedene Trainingsdaten erfordern.

OCR arbeitet mit alphanumerischen Zeichen: Das Modell wird mit Millionen Beispielen von Buchstaben und Ziffern in verschiedenen Schriftarten, Größen und Qualitäten trainiert. Die Ausgabe ist strukturierter Text.

Computer Vision arbeitet in industriellen Anwendungen mit visuellen Merkmalen, die für ein bestimmtes Produkt oder einen Prozess spezifisch sind. Das Modell wird auf Bildern konkreter Produkte trainiert - z. B. Keramikfliesen, Metallteile, Verpackungen - mit markierten Defekten. Die Ausgabe ist eine Klassifizierung (OK/Defekt), eine Lokalisierung (Rahmen um den Defekt) oder eine Messung (Abweichung von der Norm in Millimetern).

Moderne multimodale Modelle (z. B. Vision-Language Models) verwischen diese Grenze: Sie können gleichzeitig Text „lesen“ und visuellen Kontext „verstehen“. Aber in Anwendungen, die Wiederholbarkeit und Zertifizierbarkeit erfordern (wie die Qualitätsinspektion), dominieren spezialisierte CV-Modelle, die mit Daten aus dem konkreten Prozess trainiert werden.

3. Wo setzen Unternehmen Computer Vision ein?

⚡ In einem Satz

Unternehmen setzen Computer Vision in der Qualitätskontrolle, der Logistik, der Sicherheit und im Bauwesen ein, überall dort, wo eine Entscheidung davon abhängt, was auf einem Bild zu sehen ist.

💡 Einfach erklärt

Computer Vision ist in Unternehmen keine abstrakte Labortechnologie, sondern ein Werkzeug, das Unternehmen einführen, weil es reale, messbare Probleme löst.

Qualitätskontrolle in der Produktion - das ist die ausgereifteste Anwendung. BMW nutzt das System AIQX (Artificial Intelligence Quality Next) in seinen Werken in Deutschland. Entlang des Fließbands platzierte Kameras erfassen jedes Fahrzeug und prüfen, ob die Teile korrekt montiert sind, von der Wischerabdeckung bis zum Warndreieck im Kofferraum. Frühere Kamerasysteme signalisierten fälschlich ein Problem, wenn z. B. Staub oder eine Ölspur auf einem Teil war. Das auf Deep Learning basierende System unterscheidet einen echten Defekt von Verschmutzung. Der Effekt: schnellere Inspektion und weniger unnötige Bandstopps.

Volvo Cars nutzt seit 2020 das System Atlas (entwickelt von UVeye) in seinem Werk in Torslanda, Schweden. Kameras führen am Ende des Fließbands einen 360-Grad-Scan jedes montierten Fahrzeugs durch und erkennen kosmetische Defekte - Kratzer, Dellen - mit einem Durchmesser von nur 0,5 Millimetern. Das Ergebnis erscheint sofort auf dem Bildschirm des Bedieners, mit Angabe der genauen Lage.

Logistik und Lagerhaltung - Computer Vision identifiziert Pakete, prüft Lagerbestände anhand von Regalfotos und verifiziert die Vollständigkeit von Sendungen. Wo man gleichzeitig die Position eines Etiketts prüfen und seinen Inhalt lesen muss, arbeitet CV mit OCR zusammen (vgl. Was sind OCR und NLP? So liest KI Dokumente).

Sicherheit und Arbeitsschutz - CV-Systeme überwachen, ob Mitarbeiter die erforderliche Schutzausrüstung tragen (Helm, Weste, Schutzbrille). BMW nutzt ein solches System in seinem Werk in Dingolfing.

Bau- und Infrastrukturinspektion - mit Kameras und CV ausgestattete Drohnen analysieren den Fortschritt von Bauarbeiten, indem sie Fotos mit dem Plan vergleichen. Komatsu, der japanische Hersteller von Baumaschinen, führte in Zusammenarbeit mit NVIDIA ein CV-System ein, um die Bewegung von Arbeitern und Maschinen auf einer Baustelle zu überwachen. Drohnen mit CV ersetzen zunehmend auch die manuelle Inspektion schwer zugänglicher Bauwerke - Windkraftanlagen, Stromleitungen, Brücken, Gebäudefassaden - und verkürzen die Inspektionszeit von Tagen auf Stunden.

🔧 Zum Vertiefen

Das BMW-AIQX-System basiert auf neuronalen Netzen, die für jedes geprüfte Merkmal Zugang zu etwa 100 Referenzbildern haben: Bilder eines korrekten Teils, Bilder mit Staub, mit Öl, mit einem tatsächlichen Defekt. So kann das Netz sogenannte Pseudo-Defekte (Verschmutzung, die wie ein Defekt aussieht) von echten Problemen unterscheiden. Frühere Kamerasysteme, die auf starren Regeln statt auf Lernen beruhten, konnten das weitaus schlechter. BMW nutzt diese Systeme seit 2018 und rollt sie auf weitere Werke aus.

Wichtig ist der Unterschied zwischen CV unter kontrollierten Bedingungen (eine Fabrik: konstante Beleuchtung, konstanter Kamerawinkel, ein wiederholbares Produkt) und CV in einer offenen Umgebung (eine Baustelle, eine Straße, ein Feld). Unter kontrollierten Bedingungen erreichen CV-Modelle sehr hohe Genauigkeit, vorausgesetzt, die Trainingsdaten decken die tatsächliche Variabilität der Produktion ab (verschiedene Chargen, verschiedene Materialien, verschiedene Defektquellen). In einer offenen Umgebung ist die Variabilität weitaus größer, und die Modelle müssen häufiger nachtrainiert werden.

Eine CV-Einführung liefert jedoch mehr als nur die Automatisierung der Inspektion. Jedes vom System verarbeitete Bild liefert Informationen: der Defekttyp, seine Häufigkeit, seine Lage am Produkt, die Schicht (welche Schicht hat mehr Defekte?), die Linie (welche Linie erzeugt mehr Abweichungen?). Diese Daten speisen Dashboards und Analytik und erlauben es, den gesamten Prozess zu verbessern, nicht nur auf einzelne Defekte zu reagieren (vgl. Was ist Prozessoptimierung? - der Abschnitt zu KPIs).

4. Wie Computer Vision funktioniert - Daten, Training, Genauigkeit

⚡ In einem Satz

Computer Vision funktioniert nach dem Prinzip, ein neues Bild mit Mustern zu vergleichen, die aus Tausenden beschrifteter Trainingsbilder extrahiert wurden.

💡 Einfach erklärt

Damit ein CV-System einen Kratzer als Defekt klassifiziert, muss es zuvor an passenden Beispielen trainiert werden. Es genügt nicht, eine Regel „Suche nach Kratzern“ zu definieren. Man muss beschriftete Bilder von Produkten bereitstellen - manche mit Defekten, manche ohne - und jedes markieren: „Hier ist ein Kratzer“, „Hier ist alles in Ordnung“. Im Fall von BMW AIQX genügten etwa 100 Bilder pro geprüftem Merkmal. Die genaue Zahl hängt von der Komplexität des Problems ab und davon, ob das Modell von Grund auf trainiert oder auf einem bestehenden feinabgestimmt wird (Transfer Learning, mehr im Abschnitt 🔧).

Diesen Schritt nennt man Labeling (Beschriftung). Ein Mensch sichtet die Bilder und markiert die relevanten Merkmale: Er umrandet Defekte mit einem Rahmen, markiert Bereiche, ordnet Kategorien zu. Es ist mühsame Arbeit, aber von ihr hängt die Qualität des gesamten Systems ab.

Wenn das Modell genug beschriftete Beispiele hat, wird es trainiert: Der Algorithmus extrahiert die Muster, die ein gutes Produkt von einem fehlerhaften unterscheiden. Nach dem Training erhält es ein neues Bild (eines, das nicht im Trainingsdatensatz enthalten war) und klassifiziert es auf dieser Basis: OK oder Defekt.

Was die Qualität des Modells beeinflusst:

• Repräsentativität der Daten - je seltener der Defekt, desto schwieriger ist es, genug Beispiele zu sammeln. Tritt ein Defekt einmal pro tausend Teile auf, kann das Sammeln des Trainingsmaterials Wochen dauern.
• Bildqualität - Auflösung, Beleuchtung, Kamerawinkel. Ein auf Bildern mit idealer Beleuchtung trainiertes System kann ungenaue Ergebnisse liefern, wenn sich die Bedingungen an der Linie ändern.
• Vielfalt - die Bilder müssen die natürliche Variabilität abdecken: verschiedene Produktchargen, verschiedene Farben, verschiedene Defekttypen. Ein nur auf Kratzern trainiertes Modell erkennt keinen Riss.
• Qualität der Beschriftung - verwechselt die Person, die die Bilder beschriftet, einen Defekt mit einer zulässigen Produktionsspur, wird das Modell diesen Fehler in seinen Ergebnissen reproduzieren.

Die Schlussfolgerung ist einfach: Man muss wissen, wonach man sucht, und die richtigen Bilder für das Training haben. Ohne ein klar definiertes visuelles Problem und ohne Trainingsdaten hilft keine Kamera und kein Algorithmus.

🔧 Zum Vertiefen

In der Praxis werden Modelle selten von Grund auf trainiert. Standard ist Transfer Learning - die Nutzung eines Modells, das zuvor auf einem großen Datensatz trainiert wurde (z. B. ImageNet: Millionen von Bildern, Tausende von Kategorien), und dann auf einem kleineren, für die gegebene Anwendung spezifischen Datensatz feinabgestimmt wird.

Dank Transfer Learning kennt das Modell bereits grundlegende visuelle Merkmale (Kanten, Texturen, Formen) und braucht weitaus weniger Daten, um auf das Erkennen eines bestimmten Defekttyps feinabgestimmt zu werden. Das bedeutet, dass ein CV-Pilotprojekt mit einigen Dutzend beschrifteten Bildern pro Merkmal starten kann statt mit Tausenden.

Verbreitete Modellfamilien in der industriellen Inspektion: ResNet, EfficientNet (Klassifizierung), YOLO, Faster R-CNN (Objekterkennung), U-Net, Mask R-CNN (Segmentierung). Die Wahl der Architektur hängt von der Aufgabe ab: ob eine „OK/Defekt“-Antwort genügt (Klassifizierung), ob der Defekt im Bild lokalisiert werden muss (Erkennung) oder ob ein präziser Umriss nötig ist (Segmentierung).

Eine wesentliche Einschränkung: Klassenungleichgewicht (class imbalance). Sind im Trainingsdatensatz 99 % der Bilder korrekte Produkte und nur 1 % fehlerhaft, klassifiziert ein auf die Gesamtgenauigkeit optimiertes Modell alles als „OK“, erreicht 99 % richtige Antworten, übersieht aber alle Defekte. Standardtechniken zum Umgang mit diesem Problem sind Data Augmentation (das künstliche Vergrößern des Bestands an fehlerhaften Bildern durch Rotationen, Spiegelungen, Helligkeitsänderungen), Oversampling der Minderheitsklasse und die Wahl einer geeigneten Verlustfunktion, die das Modell für das Übersehen eines Defekts stärker bestraft als für einen Fehlalarm.

5. Computer Vision im Unternehmen einführen: Womit anfangen?

⚡ In einem Satz

Beginne mit einem einzigen, klar definierten visuellen Problem - einem Defekttyp, einem Produkt, einer Linie - und sammle Bilder, bevor du dich nach Technologie umsiehst.

💡 Einfach erklärt

Unternehmen, die Computer Vision erwägen, beginnen meist mit der Frage: „Wie viel kostet das?“ Die richtige erste Frage lautet aber: „Was genau willst du erkennen?“ Denn Computer Vision ist kein fertiges Produkt, das man kauft und anschließt, sondern eine Lösung, die für ein klar definiertes Problem gebaut wird (vgl. Was ist Automatisierung?).

So gehst du die Einführung Schritt für Schritt an:

1. Definiere das visuelle Problem. Präzision ist entscheidend: „Erkennung von Kratzern auf der Oberfläche von Teil X nach dem Schleifen“ oder „Verifizierung der Vollständigkeit eines Pakets vor dem Versand“, nicht allgemein „Qualitätskontrolle“. Je enger, desto besser.
2. Sammle Bilder. Bevor du einen Cent für einen Algorithmus ausgibst, prüfe, welche Daten du bereits hast. Bilder von Gut- und Schlechtteilen in ausreichender Qualität, die verschiedene Varianten abdecken: Das ist das Fundament, von dem die Wirksamkeit des Modells abhängt.
3. Erst ein Pilot, dann die Einführung. Ein Proof of Concept (Machbarkeitstest): Liefert ein mit den gesammelten Bildern trainiertes Modell hinreichend genaue Ergebnisse? Mit einem Pilotprojekt beurteilst du die Machbarkeit, bevor du in Infrastruktur und Integration mit dem Prozess investierst.
4. Beurteile die Ergebnisse ehrlich. 95 % Genauigkeit klingt gut, aber frag nicht nach dem Prozentsatz, sondern nach den Konsequenzen: Wie viele Fälle übersieht das System, und wie viele einwandfreie Teile markiert es fälschlich?
5. Skaliere. Bestätigt der Pilot die Machbarkeit, folgt die Einführung in der Zielumgebung: die richtige Hardware, Integration mit dem bestehenden Prozess, Monitoring des Modellbetriebs über die Zeit. Das Modell muss regelmäßig aktualisiert werden, weil sich die Bedingungen ändern.

Erwägst du eine Computer-Vision-Einführung? Wir helfen Unternehmen in Polen und international einzuschätzen, ob ihr visuelles Problem für die Automatisierung geeignet ist: von der Analyse der verfügbaren Daten über die Wahl der Modellarchitektur bis zur Integration mit dem bestehenden Prozess.

- Die Perspektive von cm-opti

🔧 Zum Vertiefen

Eine CV-Einführung in einem Unternehmen ist eine Investition in die Dateninfrastruktur, nicht nur in Technologie. Die Kosten hängen von drei Faktoren ab:

• Trainingsdaten - das Sammeln und Beschriften von Bildern ist oft der größte Kostenpunkt, besonders wenn es Branchenexpertise erfordert (z. B. weiß nur ein erfahrener Spezialist, was auf einem Bild ein Defekt ist und was noch in der Toleranz liegt).
• Infrastruktur - Kameras, Beleuchtung (im Fall stationärer Systeme), Drohnen (im Fall der Infrastrukturinspektion), ein Inferenzserver oder eine Edge-Computing-Lösung.
• Integration mit dem Prozess - das CV-System muss einen konfigurierten Auslöser haben (wann ein Foto gemacht wird) und einen Kanal zur Übermittlung des Ergebnisses (z. B. eine Warnung für den Bediener, ein Signal zur automatischen Aussortierung oder ein Bericht in einem Management-Dashboard).

Der Return on Investment (ROI) hängt von den Kosten ab, die das Unternehmen heute wegen des Problems trägt, das CV lösen soll: Reklamationen, Rücksendungen, Stillstände, manuelle Inspektion. Sind diese Kosten quantifizierbar, lässt sich der ROI bereits vor dem Piloten abschätzen.

Dazu kommen einige technische Aspekte:

Edge vs. Cloud. Die Inferenz (die Verarbeitung des Bildes durch das Modell) kann auf einem Server in der Cloud oder direkt auf einem Gerät vor Ort (Edge Computing) erfolgen. Edge bietet geringere Latenz (Millisekunden statt Sekunden) und funktioniert ohne Internetverbindung, was in einer industriellen Umgebung oder auf einer Baustelle manchmal erforderlich ist. Die Cloud bietet größere Flexibilität beim Skalieren und Aktualisieren von Modellen.

MLOps und Monitoring. Ein CV-Modell lässt sich nicht nach dem Prinzip „einführen und vergessen“ betreiben. Die Bedingungen ändern sich: neue Produkte, neue Lieferanten, andere Beleuchtung, Saisonalität. Die Genauigkeit des Modells kann mit der Zeit sinken (sogenannter Data Drift). Es wird ein Prozess zum Monitoring der Ergebnisse und zum Nachtrainieren des Modells auf neuen Daten benötigt. Das ist Teil von MLOps, der Operationalisierung von Machine-Learning-Modellen (vgl. Glossar).

Vorschriften und Dokumentation. In regulierten Branchen (Automobil, Medizin, Luftfahrt) kann ein CV-System eine Zertifizierung und vollständige Dokumentation erfordern: welche Trainingsdaten, welche Modellarchitektur, welche Genauigkeit auf dem Testdatensatz, welches Verfahren im Fall einer Nichtkonformität. Der EU AI Act klassifiziert einige CV-Anwendungen (z. B. in der Medizin) als Hochrisikosysteme, was zusätzliche Anforderungen an Transparenz und Dokumentation bedeutet. Bei einer großen Menge regulatorischer Dokumentation können RAG-Systeme hilfreich sein, weil sie die relevante Vorschrift schnell auffinden.

Integration mit dem Prozess (vgl. Was ist Systemintegration?). Ein CV-System ist keine eigenständige Insel, es muss mit dem Rest der Infrastruktur kommunizieren: der Maschinensteuerung (SPS), dem Lagerverwaltungssystem (WMS) oder dem Qualitätsmanagementsystem. Die Verbindung stellen APIs und Kommunikationsprotokolle her: in der Industrie meist OPC UA oder MQTT, sonst REST-APIs.

Häufig gestellte Fragen (FAQ)

Was ist Computer Vision einfach erklärt?

Computer Vision ist eine Technologie, die es einem Computer erlaubt, Bilder zu analysieren: Objekte zu erkennen, Defekte zu identifizieren, Elemente auf einem Foto zu zählen. Das funktioniert über Training an Beispielen: Das System erhält Hunderte von Bildern mit markierten Elementen und klassifiziert auf dieser Basis neue Bilder.

Wird Computer Vision den Qualitätsprüfer ersetzen?

Das hängt vom Prozess ab. Bei wiederkehrenden, klar definierten Prüfungen ja: Computer Vision kann diese Arbeit vollständig übernehmen. Bei Beurteilungen, die Erfahrung und Urteilsvermögen erfordern - z. B. Grenzfälle, neue Defekttypen, Freigabeentscheidungen - braucht es einen Menschen. In der Praxis reduzieren viele Unternehmen die Zahl der Prüfer an der Linie und überlassen es Experten, den Prozess zu beaufsichtigen und zu verbessern.

Wie viele Bilder werden für eine Computer-Vision-Einführung benötigt?

Das hängt von der Komplexität des Problems ab. Dank Transfer Learning (Nutzung eines auf großen Datensätzen vortrainierten Modells) kann ein Pilotprojekt mit einigen Dutzend beschrifteten Bildern pro Merkmal starten. Eine vollständige Einführung erfordert mehr Daten, die verschiedene Defekttypen und wechselnde Bedingungen abdecken.

Wofür setzen Unternehmen Computer Vision ein?

Qualitätskontrolle an der Produktionslinie (Defekterkennung), Logistik (Paketidentifizierung, Bestandsprüfungen), Sicherheit und Arbeitsschutz (Überwachung der Schutzausrüstung), Bau- und Infrastrukturinspektion (Drohnenanalyse). Die Einführung beginnt mit einem einzigen, klar definierten visuellen Problem.

Kann sich ein kleines Unternehmen Computer Vision leisten?

Ein Computer-Vision-Pilotprojekt erfordert kein Konzernbudget. Die Kosten hängen von der Komplexität des Problems, der Qualität vorhandener Bilder und der erforderlichen Integration mit dem Prozess ab. Der erste Schritt ist die Einschätzung, ob sich das Problem für Computer Vision eignet. Dafür ist keine Investition in Infrastruktur nötig.

Erwägst du eine Computer-Vision-Einführung in deinem Unternehmen? Sprechen wir - wir helfen dir einzuschätzen, ob dein visuelles Problem für die Automatisierung geeignet ist und wo es sich zu beginnen lohnt. Wie eine solche Einführung abläuft und was wir von dir brauchen, beschreiben wir unter Visuelle Qualitätskontrolle.

Verwandte Artikel in der cm-opti-Wissensdatenbank

• Produktionsoptimierung - Methoden, Beispiele und Automatisierung
• Was ist Künstliche Intelligenz?
• Was ist Prozessoptimierung?
• Was ist Automatisierung?
• Was sind OCR und NLP? So liest KI Dokumente
• Was sind RAG und KI-Agenten?
• Was ist Systemintegration?
• Was ist Datenanalyse und BI?

In diesem Artikel erklärte Begriffe → Glossar

Computer Vision, CNN (Convolutional Neural Network), Transfer Learning, Labeling, Bildklassifizierung, Objekterkennung, Segmentierung, Edge Computing, Data Drift, Klassenungleichgewicht, Data Augmentation, Feature Engineering

Quellen und Referenzen

• AIQX-System (BMW) - offizielle Pressemitteilung der BMW Group, 2019.
• Atlas-System / UVeye (Volvo Cars) - Assembly Magazine, 2021.
• AlexNet - Krizhevsky, Sutskever, Hinton, NeurIPS 2012.