KI / ML 
Softwareentwicklung 
Manuelle Sichtprüfung in der Fertigung erkennt nach eigenen Beobachtungen und Erfahrungswerten unter optimalen Bedingungen etwa 80 % der Fehler – Ermüdung, Ablenkung und subjektive Wahrnehmung können diese Rate weiter senken. VM.PL entwickelt Computer-Vision-Systeme für die industrielle Bildverarbeitung: automatische Defekterkennung, visuelle Qualitätskontrolle und Prozessüberwachung in Echtzeit – Edge-Deployment direkt an der Fertigungslinie, unter Berücksichtigung der DSGVO-Anforderungen und nach der 4D-Methodik.
Datenschutz und Datenresidenz werden bereits bei der Architekturplanung berücksichtigt. Je nach Projektanforderungen können Bilddaten lokal verarbeitet werden, ohne die Unternehmensinfrastruktur zu verlassen. Bei Cloud- oder hybriden Lösungen werden Möglichkeiten zur Datenverarbeitung innerhalb der EU sowie Zero Data Retention (ZDR) geprüft, sofern die eingesetzten Dienste diese Optionen unterstützen.
Warum ist Computer Vision in der Produktion entscheidend – und wo liegen die Grenzen manueller Inspektion?
Menschliche Sichtprüfer erkennen Fehler am zuverlässigsten unter günstigen Bedingungen: gute Beleuchtung, ausgeruhter Zustand und vertretbare Prüfgeschwindigkeit. In der industriellen Praxis sind diese Bedingungen nicht immer gleichzeitig gegeben. Hinzu kommt, dass die manuelle Prüfung ab einem bestimmten Linientakt nur durch zusätzlichen Personaleinsatz erweitert werden kann: Jede zusätzliche Schicht erfordert entsprechendes Personal.
KI-gestützte Computer Vision kann diese Einschränkungen erheblich reduzieren:
- Konstante Aufmerksamkeit – unabhängig von Schicht, Temperatur oder Produktvariantenvielfalt.
- Reaktionszeiten im Millisekundenbereich – CNN-Klassifikation auf einem Edge-Gerät je nach Modell und Hardware in unter 100 Millisekunden (technischer Richtwert), ohne Cloud-Übertragung.
- Reproduzierbare Klassifikation – dieselbe Abweichung wird unter vergleichbaren Aufnahmebedingungen nach einheitlichen Kriterien bewertet.
- Skalierbarkeit – ein trainiertes Modell kann auf mehreren Produktionslinien eingesetzt werden, ohne dass die Personalkosten proportional steigen müssen.
VM.PL analysiert in der Discovery-Phase die bestehende Kamerainfrastruktur und die verfügbaren Fehlerbilddaten. Die technische Machbarkeit und die Qualität der Datenbasis werden geprüft, bevor die eigentliche Modellentwicklung beginnt.
Wie funktioniert KI in der industriellen Bildverarbeitung – Mustererkennung und Deep Learning?
KI-basierte Bildverarbeitung nutzt Deep-Learning-Modelle, die anhand von Beispielbildern lernen, fehlerfreie Produkte von fehlerhaften Produkten zu unterscheiden, ohne dass jeder Prüfparameter manuell programmiert werden muss.
| Kriterium | Regelbasierte Bildverarbeitung | KI-basierte Bildverarbeitung (VM.PL) |
| Funktionsweise | Vordefinierte mathematische Verfahren (Schwellenwerte, Kantenerkennung) | Maschinelles Lernen: CNN lernt anhand von Fehlerbildern |
| Programmieraufwand | Manuelle Definition und Anpassung der Prüfparameter erforderlich | Trainingsaufwand abhängig von Datenqualität und Modellkomplexität; beispielsweise mit einem 80/20-Split für Training und Test |
| Varianztoleranz | Abhängig von der Robustheit der definierten Regeln gegenüber Licht, Reflexionen und Geometrie | Kann gegenüber unterschiedlichen Oberflächen und Aufnahmebedingungen robuster sein, wenn diese im Training ausreichend berücksichtigt werden |
| Einsatzbereich | Exakte Messtechnik, geometrische Prüfungen, stabile Rahmenbedingungen | Komplexe Oberflächen, Texturen, variable Fehlerbilder, Anomalien |
VM.PL setzt drei ML-Methoden je nach Use Case ein:
- CNN-Klassifikation: Das Modell erkennt und benennt Fehlertypen (Kratzer, Riss, Formfehler) je nach eingesetztem Modell und Hardware in unter 100 ms (technischer Richtwert). Trainingsgrundlage: gelabelte Fehlerbilder, beispielsweise mit einer 80/20-Aufteilung der Daten für Training und Test.
- Semantic Segmentation: Das Modell lokalisiert Fehler pixelgenau – nützlich, wenn Position und Ausdehnung dokumentiert werden müssen, nicht nur das Vorhandensein eines Defekts.
- Anomalie-Erkennung: Das Modell lernt typische Merkmale fehlerfreier Produkte. Signifikante Abweichungen können einen Alarm auslösen, auch wenn der Fehlertyp bisher unbekannt ist.
Hybrider Ansatz: Regelbasierte Bildverarbeitung übernimmt präzise geometrische Messaufgaben, während das CNN-Modell die qualitative Beschaffenheit und Oberflächentextur bewertet. VM.PL entwickelt beide Schichten als koordinierte Gesamtarchitektur.
Welche Kamera-, Optik- und Beleuchtungstechnik braucht ein CV-System – und was prüft VM.PL in der Discovery?
Die beste ML-Architektur kann schlechte Bilddaten nicht vollständig kompensieren. Die Hardwareauswahl – Kameratyp, Optik, Beleuchtung und Triggerung – gehört daher zu den wichtigsten Entscheidungen eines CV-Projekts. VM.PL bewertet die bestehende Infrastruktur in der Discovery-Phase und empfiehlt Anpassungen, bevor das Modelltraining beginnt.
| Komponente | Optionen und Kennwerte | Entscheidungskriterium |
| Kameratyp | Flächenkamera (für stationäre Prüfpositionen) · Zeilenkamera (für laufendes Band, hoher Durchsatz) · Tiefenkamera (3D-Vermessung) | Taktzeit, Bewegung des Prüfobjekts, benötigte Auflösung |
| Auflösung / Pixelgröße | Pixelgröße bestimmt die kleinste erkennbare Defektgröße – Faustregel für bestimmte Inspektionsaufgaben: Ein kritisches Merkmal sollte sich über mehrere Pixel erstrecken, beispielsweise mindestens drei Pixel | Kleinstes relevantes Fehlerbild im Verhältnis zur Bauteilgröße |
| Optik / Tiefenschärfe | Telezentrisches Objektiv für Maßhaltigkeit ohne perspektivische Verzerrung · Standardobjektiv für Textur und Farbe | Messpräzision vs. Texturanalyse; Abstandsvariation an der Linie |
| Beleuchtung | Auflicht (Oberflächenstruktur) · Durchlicht (Silhouette, Vollständigkeit) · Streifenlicht (3D-Profil) · Koaxiallicht (spiegelnde Flächen) | Abhängig von Material, Oberflächenbeschaffenheit und Defekttyp; Streifenlicht kann Kratzer hervorheben, Auflicht bestimmte Rissstrukturen sichtbar machen |
| Triggerung | Hardware-Trigger (präzise Synchronisation mit Linie) · Software-Trigger (flexibel, abhängig von System und Konfiguration) | Taktzeit und Synchronisationsanforderungen mit SPS/SCADA |
Discovery-Deliverable: VM.PL liefert nach der Hardwarebewertung eine Konfigurationsempfehlung mit konkreten Spezifikationen zu Kameratyp, Objektivbrennweite und Beleuchtungsgeometrie, bevor eine Investition getätigt wird.
Wie trainiert VM.PL das CV-Modell bei wenig Fehlerbild-Daten – Transfer Learning und Data Augmentation?
Eine häufige Herausforderung für KI in der industriellen Bildverarbeitung sind zu wenige gelabelte Fehlerbilder. Fehler sind in stabilen Produktionsprozessen vergleichsweise selten – eine neue Fertigungslinie hat zunächst kaum dokumentierte Defektbilder. VM.PL begegnet diesem Problem mit vier Strategien, ohne darauf angewiesen zu sein, dass zunächst eine größere Anzahl realer Fehlerfälle auftritt.
Vier Datenstrategien bei knapper Fehlerbild-Datenbasis:
- Transfer Learning: Vortrainierte Modelle (ResNet, EfficientNet, YOLO) wurden auf großen Bilddatensätzen mit teilweise mehreren Millionen Bildern trainiert und erkennen grundlegende Strukturen wie Kanten, Texturen und Formen. VM.PL passt diese vortrainierten Modelle mittels Fine-Tuning an die spezifischen Fehlerbilder des Unternehmens an. Je nach Aufgabenstellung und Datenqualität kann dies bereits mit einigen Hundert Trainingsbeispielen gelingen, während ein vollständig neu trainiertes Modell häufig deutlich mehr Daten benötigt (Erfahrungs- und Orientierungswert).
- Data Augmentation: Vorhandene Fehlerbilder werden systematisch variiert: Rotation, Spiegelung, Helligkeits- und Kontraständerungen, Zuschnitt, gaußsches Rauschen. Aus 200 Originalbildern lassen sich beispielsweise 2.000–8.000 Trainingsvarianten erzeugen (illustratives Rechenbeispiel, abhängig von den eingesetzten Augmentierungsverfahren). Das Modell lernt dadurch, mit Variationen der Aufnahmebedingungen besser umzugehen.
- Synthetic Data Generation: VM.PL generiert synthetische Fehlerbilder auf Basis realer Gutteile – Kratzer, Risse oder Farbflecken werden algorithmisch auf Bilder fehlerfreier Produkte eingefügt. Besonders wertvoll für seltene Fehlertypen, die in der Produktion kaum vorkommen, aber kritisch sind.
- Anomalie-Erkennung als Einstieg: Stehen nicht genügend Fehlerbilder für einen Klassifikator zur Verfügung, trainiert VM.PL zunächst ein Anomalieerkennungsmodell ausschließlich auf Gutteilen. Der Übergang zu einem klassifizierenden Modell erfolgt, sobald ausreichend gelabelte Fehlerbilder aus dem laufenden Betrieb vorliegen.
Datenbasis-Mindestanforderung: Die Discovery-Phase ermittelt, wie viele Fehlerbilder pro Fehlertyp verfügbar sein müssen, welche Augmentierungsstrategie geeignet ist und ob Transfer Learning oder Anomalieerkennung den besseren Einstieg bietet.
Anwendungsbereiche: Wo setzt VM.PL Computer Vision in der Produktion ein?
Computer Vision bietet Anwendungsmöglichkeiten in vier zentralen Bereichen der industriellen Fertigung.
| Bereich | Konkrete Aufgabe | Messbarer Effekt |
| Qualitätskontrolle | Defekterkennung: Kratzer, Risse, Farbabweichungen, Formfehler auf Fertigungsteilen in Echtzeit; spiegelnde und texturierte Oberflächen | Potenzial zur Reduzierung der Ausschussrate und zur frühzeitigen Fehlererkennung vor aufwendiger Nacharbeit |
| Prozessüberwachung | Montagefortschritt, Vollständigkeitsprüfung (Schrauben, Dichtungen), Materialfluss und Maschinenzustand automatisch erfassen und dokumentieren | Verbesserte Qualitätsdokumentation und frühzeitige Erkennung von Montagefehlern |
| Logistik | Automatische Barcode-/QR-Erkennung, Bestandszählung per Kamera, Bin Picking für Pick-and-Place-Roboter | Potenzial zur Reduzierung von Bestandsfehlern und Beschleunigung von Greifprozessen |
| Arbeitssicherheit | PSA-Erkennung (Schutzhelm, Warnweste), Zugangsprüfung zu Gefahrenzonen | Automatische Alarmierung und Erstellung von Prüfprotokollen, abhängig von Systemkonfiguration und Einsatzbedingungen |
In welchen Branchen setzt VM.PL Computer Vision ein – Automotive, Halbleiter, Pharma und Lebensmittel?
KI-gestützte Bildverarbeitung ist nicht auf eine einzelne Branche beschränkt. Das Grundprinzip ist übertragbar, aber Fehlertypen, Taktzeiten, Dokumentationsanforderungen und Präzisionstoleranzen unterscheiden sich erheblich. VM.PL entwickelt die CV-Architektur branchenspezifisch.
| Branche | Typische CV-Anwendung | Besondere Anforderungen |
| Automotive | Oberflächeninspektion lackierter Karosserieteile · Schweißnaht-Qualitätskontrolle · Maßhaltigkeit von Präzisionsbauteilen · Montagevollständigkeit | IATF 16949-konforme Dokumentation · kurze Taktzeiten (bei entsprechenden Anlagen beispielsweise unter 1 s) · 100-%-Prüfung |
| Halbleiter / Elektronik | Lötstellen-Qualitätskontrolle (AOI) · PCB-Bestückungsprüfung · Wafer-Defekterkennung · Bonddraht-Inspektion | Höchste Auflösung (Mikrometerbereich) · je nach Anwendung Submikrometer-Präzision · Reinraumkompatibilität |
| Pharma / Medizintechnik | Füllstand-Kontrolle in Ampullen · Partikel-Erkennung · Etiketten- und Serialisierungsprüfung · Blister-Vollständigkeit | FDA 21 CFR Part 11 / GMP-Compliance · lückenloser Audit-Trail · Validierungsdokumentation |
| Lebensmittel / Konsumgüter | Fremdkörpererkennung · Formkontrolle · Farb- und Reife-Klassifikation · Verpackungsprüfung | Hohe Verarbeitungsgeschwindigkeit (anlagenabhängig beispielsweise bis zu 1.200 Teile/min) · Lebensmittelkontakt-Materialien · IP-Schutzklasse |
| Maschinenbau / Metallverarbeitung | Gussdefekt-Erkennung · Oberflächenrauheit · Schweißnahtinspektion · Werkzeugverschleiß-Überwachung | Robustheit in rauer Umgebung · variable Lichtbedingungen · größere Bauteile |
Wie integriert VM.PL Computer-Vision-Systeme in bestehende Fertigungslinien?
Das CV-System wird über geeignete Schnittstellen in bestehende MES- und SCADA-Umgebungen integriert. Je nach vorhandener Infrastruktur kann die Integration ohne Eingriff in die Maschinensteuerung und ohne Unterbrechung des laufenden Produktionsprozesses erfolgen.
Edge-Deployment-Architektur:
- Das ML-Modell läuft auf einem Edge-Gerät direkt an der Fertigungslinie: Industrie-PC, NVIDIA Jetson oder kompaktes Embedded-System, je nach Rechenleistungsanforderung.
- Latenz: CNN-Klassifikation je nach Modell und Hardware in unter 100 ms (technischer Richtwert) – ohne Cloud-Übertragung und mit lokaler Verarbeitung der Bilddaten zur Reduzierung externer Datenübertragungen.
- Cloud-optional: Klassifikationsergebnisse und Statistiken werden über Azure IoT Hub an Azure SQL oder ein zentrales Dashboard übertragen – die Bilddaten können vollständig On-Premise verbleiben.
- API-Layer: Java/Spring Boot oder Node.js/NestJS – Alarme und Klassifikationsergebnisse gehen direkt an MES, Operator-Dashboard oder ERP. Ein Rollback auf die vorherige Modellversion kann über entsprechende Deployment-Mechanismen erfolgen.
CI/CD: Azure DevOps/Pipelines automatisieren Tests und die Bereitstellung von Modellupdates. Neue Produktvarianten oder zusätzliche Fehlertypen werden über Re-Training-Zyklen integriert. Bei geeigneter Systemarchitektur ist dies ohne Unterbrechung des laufenden Betriebs möglich.
Wie berechnet sich der ROI eines CV-Systems – Taktzeit, Ausschusskosten und Break-Even?
CV-Systeme können sich vergleichsweise schnell amortisieren, weil sie neben dem Aufwand für die manuelle Sichtprüfung auch Ausschuss, Nacharbeitskosten, Rückrufrisiken und qualitätsbedingte Zusatzkosten reduzieren können. Die ROI-Berechnung kombiniert typischerweise drei Kostenblöcke.
| Kostenkategorie | Berechnung | Typische Einsparpotenziale |
| Ausschuss- und Nacharbeitskosten | Aktuelle Fehlerquote × Stückkosten × Jahresvolumen. Als illustrative Annahme kann eine manuelle Fehlerquote von 3–20 % mit einer Zielquote von 0,1–1 % nach Einführung eines CV-Systems verglichen werden. Die tatsächlich erreichbaren Werte sind anwendungsabhängig. | Rechenbeispiel: Bei einer ursprünglichen Fehlerquote von 5 %, einer Zielquote von 0,5 % und Stückkosten von 10 € ergeben sich 450 € Einsparpotenzial je 1.000 Teile (4,5 Prozentpunkte × 10 € × 1.000). |
| Personalkosten Sichtprüfung | Anzahl Prüfer × Jahreslöhne inkl. Lohnnebenkosten × Schichtfaktor. CV ersetzt nicht alle Prüfer, entlastet aber und ermöglicht die Verlagerung von Kapazitäten auf andere Aufgaben | Beispielhafte Kalkulationsannahme: 1–3 Prüfstellen pro Linie mit einem jährlichen Personalaufwand von insgesamt 60.000–200.000 € (abhängig von Standort, Schichtmodell und Personalkosten) |
| Rückruf- und Gewährleistungskosten | Historische Rückrufe × Durchschnittskosten pro Rückruf. Frühzeitige Fehlererkennung durch CV kann dazu beitragen, den Versand fehlerhafter Teile zu verhindern | Für eine Szenarioanalyse können beispielsweise Rückrufkosten von 1–5 Mio. € angesetzt werden. Die tatsächlichen Kosten unterscheiden sich erheblich nach Produkt, Markt und Rückrufumfang. |
Break-Even-Kalkülierung: VM.PL erstellt in der Discovery-Phase eine ROI-Modellierung auf Basis der tatsächlichen Fehlerquoten, Stückkosten und Linientakte des Unternehmens – als Grundlage für eine projektspezifische Amortisationsprognose vor der Investitionsentscheidung. Nach eigenen Erfahrungswerten kann der Break-even je nach Fehlerquote und Jahresvolumen innerhalb von 6–18 Monaten erreicht werden.
Was leisten 3D-Bildverarbeitung und Spezialsensorik – Tiefenkameras, Hyperspektral und Inline-Messtechnik?
Standard-2D-Kameras eignen sich für zahlreiche industrielle Inspektionsaufgaben. Für spezifische Anforderungen – Maßhaltigkeit in drei Dimensionen, optisch nicht sichtbare Materialfehler oder besondere Materialeigenschaften – kommen Spezialsensoren zum Einsatz, die mit ML-Auswertung kombiniert werden.
| Technologie | Funktion | Typischer Einsatz |
| 3D-Structured-Light | Projiziert Streifenmuster auf das Bauteil – Verformungen im Muster ergeben ein präzises 3D-Höhenprofil. Beispielhafter Genauigkeitsbereich: 10–100 µm, abhängig von Sensor, Messfeld und Aufnahmebedingungen | Schweißnaht-Geometrie · Guss-Ebenheit · Dichtflächen-Planheit |
| Tiefenkamera / ToF | Time-of-Flight misst Lichtlaufzeit zum Objekt – Tiefeninformationen in Echtzeit ohne bewegliche Teile. Je nach Sensor und Messaufgabe geringere Präzision als hochauflösende Structured-Light-Systeme, dafür für dynamische Anwendungen geeignet | Pick-and-Place-Robotersteuerung · Behälterfüllerkennung · Logistik |
| Hyperspektral-Kamera | Aufnahme über viele Wellenlängenbereiche (sichtbar + infrarot/UV) – Materialzusammensetzung, Feuchtigkeitsgehalt und Reifegrad können anhand spektraler Merkmale analysiert werden, auch wenn Unterschiede mit dem bloßen Auge nicht sichtbar sind | Lebensmittelqualität · Kunststoff-Sortierung · Pharma-Kontamination |
| Lichtschnitt (Laser-Profilometer) | Laserlinie trifft Oberfläche – Profil wird seitlich von einer Kamera erfasst. Hohe Präzision bei geometrischen Profil- und Konturmessungen | Schweißnaht-Höhenprofil · Dichtungsnut-Tiefe · Blechdicke |
| Röntgen / CT | Durchstrahlung ermöglicht die zerstörungsfreie Analyse innerer Strukturen. Integrierbar mit ML-Auswertung für innere Defekterkennung | Gussporosität · Schweißnaht-Innenstruktur · Elektronik-Inspektion |
VM.PL empfiehlt die Sensortechnologie erst nach dem Hardware-Audit in der Discovery-Phase – Anforderungsanalyse vor Investition. Für viele Anwendungen reicht eine 2D-Kamera in Kombination mit geeigneter Beleuchtung aus. 3D- oder Hyperspektraltechnik kommt dann zum Einsatz, wenn die konkreten Prüfanforderungen dies erfordern.
Welche Normen und regulatorischen Anforderungen gelten für KI in der industriellen Bildverarbeitung – IATF, ISO 9001 und EU AI Act?
KI-gestützte Qualitätskontrollsysteme in regulierten Branchen müssen mehr leisten als technisch korrekte Ergebnisse – sie müssen dokumentiert, validiert und überprüfbar sein. VM.PL prüft in der Discovery-Phase, welche Normen relevant sind, und richtet die CV-Architektur entsprechend aus.
| Norm / Anforderung | Relevanz für CV-Systeme | VM.PL-Umsetzung |
| IATF 16949 (Automotive) | Lückenlose Prüfdokumentation · Traceability jedes Bauteils · Messsystemanalyse (MSA) für das CV-System · statistische Prozesskontrolle (SPC) | Automatische Prüfprotokolle · Bauteil-ID-Verknüpfung · MSA-Validierung · Azure SQL als auditfähige Datenbank |
| ISO 9001 (Qualitätsmanagement) | Dokumentierter Prüfprozess · Kalibrierungsnachweis für Messmittel · angemessene Aufzeichnungen zur Überwachung und Bewertung der Produktqualität | Lückenlose Prüfhistorie · Kalibrierungsprotokoll für Kamerasystem · Nachvollziehbarkeit einzelner Prüfergebnisse |
| EU AI Act (High Risk) | Die Einstufung eines KI-Systems als Hochrisikosystem hängt vom vorgesehenen Verwendungszweck und den einschlägigen gesetzlichen Kriterien ab. Nicht jede automatisierte Qualitätsentscheidung fällt automatisch in diese Kategorie. | Prüfung der regulatorischen Einstufung · bei Bedarf menschliche Aufsicht, technische Dokumentation und geeignete Transparenzmaßnahmen |
| FDA 21 CFR Part 11 (Pharma) | Bei entsprechendem Anwendungsbereich: Anforderungen an elektronische Aufzeichnungen und Signaturen, Audit-Trails sowie Systemvalidierung | Audit-Trail-Konzept · Validierungsdokumentation · Rollen- und Rechtesystem |
| DSGVO (wenn Personen im Bild) | Verarbeitung personenbezogener Bilddaten (PSA-Erkennung, Arbeitssicherheit) erfordert eine geeignete Rechtsgrundlage und die Einhaltung der Datenschutzgrundsätze. Anonymisierung oder Pseudonymisierung kann je nach Zweck erforderlich oder sinnvoll sein. | Datensparsame Bildverarbeitung · gegebenenfalls Anonymisierung oder Pseudonymisierung · Datenschutzbewertung in der Discovery-Phase |
Wie sieht das 4D-Projektvorgehen bei VM.PL für industrielle Bildverarbeitung aus?
Die Discovery-Phase prüft zuerst, ob ausreichend Fehlerbilddaten vorhanden sind. Die Qualität und Menge der Trainingsdaten sind entscheidend für die technische Machbarkeit eines ML-Modells. Deshalb bewertet VM.PL die Datenbasis vor der Entscheidung über die weitere Entwicklung.
| Phase | Aktivitäten | Deliverable | Dauer |
| Discovery | Kamera-Audit · Hardware-Empfehlung · Fehlerbild-Analyse · Datenbasis-Bewertung · ROI-Modellierung · DSGVO-Prüfung | Concept Document (Go/No-Go) | 1-2 Wochen |
| Definition | CNN-Architektur · Sensor-/Optik-Spezifikation · Edge-Deployment-Plan · MES-Integrationsdesign · Normen-Prüfung | Architecture Blueprint | 1 Woche |
| Delivery | Modell-Training · Edge-Deployment · MES-Integration · Tests via Azure Pipelines · Abnahme | Produktives CV-System | 6-12 Wochen |
| Direction | Modell-Monitoring · Re-Training bei neuen Fehlertypen · neue Produktvarianten · Accuracy-Drift | Entwicklungs-Roadmap | laufend |
Warum VM.PL für KI in der industriellen Bildverarbeitung?
VM.PL entwickelt individuelle Computer-Vision-Systeme, die auf die spezifischen Fehlertypen, Produktionsprozesse und technischen Anforderungen eines Unternehmens abgestimmt sind – statt auf eine standardisierte SaaS-Lösung zu setzen. Fünf Differenzierungsmerkmale:
- Erfahrung in der KI-gestützten Bildanalyse: VM.PL entwickelte eine KI-basierte Lösung zur automatisierten Erkennung beschädigter Eisenbahnschwellen anhand von Bilddaten. Mithilfe von Computer Vision können Schäden und Auffälligkeiten identifiziert werden, um Inspektionsprozesse zu unterstützen und die Zustandsbewertung der Bahninfrastruktur effizienter zu gestalten. Referenz: KI-gestützte Erkennung beschädigter Eisenbahnschwellen
- Edge-first-Architektur: Das ML-Modell läuft direkt an der Linie – keine Cloud-Abhängigkeit, geringe Latenz und lokale Verarbeitung sensibler Bilddaten, wodurch externe Datenübertragungen reduziert werden können.
- Hardware-Kompetenz: VM.PL empfiehlt Kamera, Optik und Beleuchtung als Teil der Discovery – die Softwarearchitektur wird auf die vorhandene Hardware und die Anforderungen der Bildaufnahme abgestimmt.
- Kein Vendor-Lock-in: VM.PL setzt auf individuell entwickelte Lösungen und transparente Architekturentscheidungen. Nutzungsrechte an Quellcode, Modellgewichten und Trainingspipelines sowie mögliche Lizenzkosten werden projektspezifisch vereinbart.
- Nearshore-Effizienz: Wrocław, Polen – gut erreichbar aus dem DACH-Raum, Deutsch als Arbeitssprache, Unternehmensstandort innerhalb der EU und Vor-Ort-Termine nach Vereinbarung.