Baue ein kamerabasiertes System zur visuellen Inspektion ohne KI-Expertenwissen

Jedes Produkt, das wir verwenden – egal ob Telefon, verpackter Artikel oder Autoteil – durchläuft eine Form der Qualitätsprüfung, bevor es uns, den Endverbraucher, erreicht. Traditionell geschah dies durch manuelle Kontrollen oder einfache regelbasierte Systeme. Obwohl diese Methoden funktionieren, sind sie oft langsam, inkonsistent und schwer zu skalieren, wenn die Produktion zunimmt.

Um den Qualitätsprüfungsprozess zu verbessern, setzen viele Branchen auf Computer Vision, einen Zweig der künstlichen Intelligenz, der Maschinen hilft, Bilder und Videos zu verstehen. Zum Beispiel können Vision-KI-Modelle wie Ultralytics YOLO26 helfen, Fehler mit hoher Genauigkeit zu erkennen, zu klassifizieren und zu lokalisieren.

In realen Produktionsumgebungen können diese Modelle verwendet werden, um Bilder zu analysieren, die direkt von Hochgeschwindigkeits-Fertigungslinien stammen. Während sich Produkte durch verschiedene Phasen bewegen, verfolgen Industriekameras sie, und das System prüft auf Probleme wie Kratzer, fehlende Teile oder Fehlstellungen. Dies macht die Fehlererkennung schneller und konsistenter und unterstützt gleichzeitig eine hochdurchsatzstarke Prüfung.

In der Vergangenheit erforderte der Aufbau solcher Systeme mehrere Tools und fundiertes technisches Know-how, was den Prozess komplex und zeitaufwendig machte. Die Ultralytics Platform, unsere neue End-to-End-Lösung für Computer Vision, vereinfacht dies, indem sie Datenvorbereitung, Annotation, Modelltraining und Bereitstellung an einem Ort zusammenführt.

In diesem Artikel erfährst du, wie du die Ultralytics Platform nutzen kannst, um praktische, kamerabasierte Bildverarbeitungssysteme ohne tiefe KI-Kenntnisse zu entwickeln. Fangen wir an!

Link to this sectionDie Rolle von Computer Vision in der Qualitätskontrolle#

Bevor wir uns damit befassen, wie die Ultralytics Platform den Bau von Prüfsystemen erleichtert, lass uns einen Schritt zurücktreten und die Rolle von Computer Vision bei der Qualitätsprüfung verstehen.

Die Prüfung ist ein wesentlicher Bestandteil des Fertigungsprozesses, der sicherstellt, dass Produkte Qualitätsstandards erfüllen und frei von Fehlern sind. Die Ergebnisse können jedoch variieren, insbesondere bei langen Schichten oder in der Massenproduktion.

Um die Prüfung zuverlässiger zu machen, nutzen viele Branchen Computer Vision, auch bekannt als Machine Vision, um Bilder aus der Produktionslinie zu analysieren und Fehler zu identifizieren. Diese Systeme verwenden Deep Learning, bei dem Modelle und Algorithmen Muster aus großen Mengen hochwertiger, markierter Bilder lernen.

Während des Modelltrainings bekommt ein Modell sowohl Beispiele von normalen Produkten als auch von verschiedenen Fehlerarten gezeigt. Mit der Zeit lernt es, diese Muster selbstständig zu erkennen. Sobald es trainiert ist, kann ein Modell große Produktmengen prüfen und dieselben Kriterien konsistent anwenden, was die Genauigkeit verbessert.

Link to this sectionGängige Computer-Vision-Aufgaben in der Qualitätsprüfung#

Machine-Vision-Anwendungen werden durch Computer-Vision-Modelle wie Ultralytics YOLO Modelle ermöglicht, die verschiedene Arten von Vision-Aufgaben unterstützen. Hier ist ein Überblick darüber, wie diese Vision-KI-Aufgaben für automatisierte Prüf-Workflows eingesetzt werden:

• Bildklassifizierung: Diese Aufgabe wird verwendet, um einem gesamten Bild eine einzelne Bezeichnung zuzuweisen, wie „gut“ oder „fehlerhaft“. Sie bietet eine übergeordnete Bewertung der Produktqualität, ohne den Ort der Fehler anzugeben.
• Objekterkennung: Sie hilft dabei, Fehler innerhalb eines Bildes zu identifizieren und sie mithilfe von Bounding Boxes zu lokalisieren. Dies ermöglicht es, Probleme wie Risse, Kratzer oder fehlende Komponenten zu erkennen und zu lokalisieren.
• Instanzsegmentierung: Ein Schritt weiter als die Objekterkennung: Hierbei werden Masken auf Pixelebene für jeden erkannten Fehler vorhergesagt. Dies unterstützt eine präzise Analyse der Form, Größe und Grenzen von Fehlern.
• Objektverfolgung (Tracking): Beim Verfolgen von Produkten über mehrere Frames hinweg werden Artikel während ihrer Bewegung durch die Fertigungslinie verfolgt. Dies erhält die Konsistenz und stellt sicher, dass keine Fehler übersehen werden.
• Oriented Bounding Box (OBB) Erkennung: Diese Aufgabe erkennt Objekte mithilfe von rotierten statt achsenparallelen Bounding Boxes. Sie ist besonders nützlich, wenn Fehler oder Komponenten in verschiedenen Winkeln erscheinen, was eine genauere Lokalisierung ermöglicht.

Link to this sectionEin Blick auf Anwendungen der Qualitätsprüfung in verschiedenen Branchen#

Computer Vision wird branchenübergreifend weit verbreitet eingesetzt, um Produktqualität zu erhalten, Standards einzuhalten und die Notwendigkeit manueller Prüfungen zu reduzieren. Es übernimmt Schlüsselfunktionen wie Fehlererkennung, Klassifizierung, Objekterkennung, Messung und Anomalieerkennung.

Abb. 1. Ein Beispiel für das Erkennen und Verfolgen von Produkten mithilfe von Machine-Vision-Systemen (Quelle)

Hier sind einige Beispiele für reale Anwendungsfälle, in denen dies eingesetzt wird:

• Fertigung: Die Oberflächenfehlererkennung wird verwendet, um Probleme wie Kratzer, Dellen, Risse und Verfärbungen zu identifizieren, indem Bilder von Produkten auf der Fertigungslinie analysiert werden. Sie kann auch fehlende Teile oder Montagefehler in Echtzeit erkennen und so eine kontinuierliche Prüfung unterstützen.
• Automobilindustrie: Computer-Vision-Systeme analysieren Motorteile und Karosserieteile, um die Ausrichtung zu überprüfen und Schäden zu erkennen. Sie sind besonders wirkungsvoll bei der Inspektion komplexer Formen und schwer zugänglicher Bereiche und arbeiten oft mit Robotersystemen für eine präzise Positionierung und automatisierte Inspektion zusammen.
• Elektronik und Halbleiter: Diese Systeme erkennen kleine Defekte an Komponenten wie Leiterplatten (PCBs), einschließlich Lötproblemen, Mikrorissen und beschädigten Schaltkreisen. Mit hochauflösender Bildanalyse können selbst feinste Fehler erkannt werden, die bei einer manuellen Prüfung oft übersehen werden.
• Verpackung und Logistik: Visuelle Systeme führen Barcode-Scans durch, lesen Produktetiketten und prüfen die Qualität der Verpackung. Sie stellen sicher, dass Produkte ordnungsgemäß verpackt, versiegelt und versandfertig sind, was Fehler reduziert.
• Lebensmittel und Getränke: Prüfsysteme, die von Visierkameras oder Vision-Sensoren unterstützt werden, analysieren das Erscheinungsbild von Produkten, um Probleme wie unsachgemäße Versiegelung, Kontaminationsrisiken, falsche Etikettierung oder visuelle Inkonsistenzen zu identifizieren und so Qualität und Sicherheit zu gewährleisten.
• Pharmazeutische Industrie: Computer Vision wird verwendet, um Tabletten, Ampullen und Verpackungen auf Fehler wie Risse, Kontamination, falsche Etikettierung oder Unstimmigkeiten beim Füllstand zu prüfen, um die Einhaltung strenger regulatorischer Standards zu gewährleisten und die Produktsicherheit aufrechtzuerhalten.

Link to this sectionOptimierung der visuellen Prüf-Workflows mit der Ultralytics Platform#

Stell dir eine Fertigungslinie vor, auf der Produkte verschiedene Stadien durchlaufen, während Kameras kontinuierlich Bilder zur Prüfung erfassen. Diese Bilder werden verwendet, um auf Fehler wie Kratzer, fehlende Teile oder Fehlstellungen zu prüfen.

Bisher erforderte der Aufbau und die Verwaltung solcher Prüfsysteme mehrere Tools und eine ordentliche Portion technisches Know-how.

Tatsächlich haben wir bei Ultralytics ständiges Feedback aus der Vision-KI-Community erhalten, wie fragmentiert und zeitaufwendig dieser Prozess sein kann, wobei häufige Engpässe verstreute Werkzeuge, komplexe Umgebungseinrichtungen, ineffiziente Daten-Annotierung-Workflows, Verzögerungen beim Modelltraining und Herausforderungen bei der Bereitstellung sind. Dieses Feedback spielte eine Schlüsselrolle bei der Gestaltung der Ultralytics Platform.

Abb. 2. Ein Einblick in die Ultralytics Platform (Quelle)

Mit der Ultralytics Platform kann der gesamte Entwicklungs- und Bereitstellungsprozess an einem Ort abgewickelt werden. Rohdaten können hochgeladen und annotiert werden, um Trainingsdatensätze zu erstellen, die dann zum Trainieren von Modellen zur Fehlererkennung verwendet werden. Sobald sie trainiert sind, können diese Modelle bereitgestellt werden, um neue Bilder aus der Produktionslinie zu analysieren, mit integrierten Tools zur Überwachung der Leistung im Zeitverlauf.

Neben der Zusammenführung des gesamten Workflows ist die Ultralytics Platform benutzerfreundlich gestaltet. Selbst Nutzer mit begrenzter Erfahrung im Machine Learning können schnell von der Idee zur Produktion gelangen.

Link to this sectionVerwendung der Ultralytics Platform zur Kennzeichnung von Fehlern in Bildern#

Nachdem wir gesehen haben, wie die Ultralytics Platform den Workflow zusammenführt, gehen wir durch, wie man sie in jeder Phase der Vision-KI-Pipeline verwendet, beginnend mit dem Datenupload und der Fehlerannotation.

Link to this sectionVerwaltung von Prüfdatensätzen auf der Ultralytics Platform#

Der erste Schritt ist das Einbringen von Daten in die Plattform. Du kannst Bilder, Videos oder Datensatz-Archive wie ZIP, TAR oder GZ-Dateien hochladen. Gängige Datensatzformate wie YOLO und COCO werden unterstützt, sodass vorhandene Datensätze ohne zusätzliche Schritte importiert werden können.

Du kannst auch schneller starten, indem du Datensätze verwendest, die von der Community geteilt wurden. Diese Datensätze können durchsucht und in deinen Arbeitsbereich geklont werden, sodass du auf vorhandenen Daten aufbauen kannst, anstatt bei Null anzufangen. Nach dem Klonen können sie für deinen spezifischen Anwendungsfall aktualisiert und erweitert werden.

Wenn du an verschiedenen Experimenten arbeitest, können Datensätze wiederverwendet werden, indem sie als NDJSON-Dateien importiert werden, was es einfacher macht, sie ohne zusätzliche Konvertierung neu zu erstellen oder zu teilen.

Nachdem die Daten hochgeladen wurden, bereitet die Plattform sie automatisch auf. Sie prüft Dateiformate, verarbeitet Annotationen, skaliert Bilder bei Bedarf und generiert grundlegende Datensatzstatistiken. Videos werden in Frames aufgeteilt, damit sie für das Training verwendet werden können, und Bilder werden für ein einfacheres Durchsuchen und Analysieren optimiert.

Link to this sectionDaten-Annotation unterstützt durch die Ultralytics Platform#

Sobald die Daten bereit sind, ist der nächste Schritt die Daten-Annotation. Hier werden Fehler gekennzeichnet, damit das Modell lernen kann, was es erkennen soll. Die Ultralytics Platform enthält einen integrierten Annotations-Editor, der Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Pose-Schätzung und Oriented Bounding Box Erkennung unterstützt.

Du kannst Daten manuell mit Tools wie Bounding Boxes, Polygonen oder Keypoints kennzeichnen, je nach Anwendungsfall. Um den Prozess zu beschleunigen, bietet die Plattform auch KI-gestützte Annotation.

Zum Beispiel ermöglicht die SAM-basierte intelligente Annotation das Kennzeichnen von Objekten mit einfachen Klicks. Durch die Auswahl von einzuschließenden oder auszuschließenden Regionen generiert das System in Echtzeit eine Maske, die bei Bedarf angepasst werden kann.

Abb. 3. SAM-gestützte intelligente Annotation innerhalb der Ultralytics Platform (Quelle)

Zusätzlich kann die YOLO-basierte intelligente Annotation automatisch Labels mithilfe von Modellvorhersagen generieren. Diese können überprüft und verfeinert werden, was die Arbeit mit großen Datensätzen erleichtert, ohne alles manuell kennzeichnen zu müssen.

Der Annotations-Editor enthält auch Funktionen wie Klassenverwaltung, Annotationsbearbeitung, Tastaturkürzel sowie Rückgängig- oder Wiederherstellungsoptionen. Diese erleichtern es, konsistent zu bleiben und Annotationen zu überprüfen, während dein Datensatz wächst.

Während du Daten kennzeichnest, liefert die Plattform Einblicke wie Klassenverteilung und Annotationszahlen. Dies hilft, Lücken zu identifizieren, Inkonsistenzen zu beheben und die Qualität des Datensatzes zu verbessern, bevor mit dem Training begonnen wird.

Link to this sectionTraining von YOLO26 zur Fehlererkennung auf der Ultralytics Platform#

Der nächste Schritt besteht darin, ein Modell zu trainieren, um automatisch Fehler mithilfe der gekennzeichneten Daten zu erkennen. Die Ultralytics Platform unterstützt das Training mit Ultralytics YOLO Modellen, einschließlich YOLO26, die für Aufgaben wie Objekterkennung, Instanzsegmentierung und Bildklassifizierung verwendet werden können.

Das Training wird über ein einheitliches Dashboard verwaltet, in dem du Trainingsaufträge an einem Ort konfigurieren, ausführen und überwachen kannst. Um zu starten, kannst du einen Datensatz auswählen, einschließlich eines von dir hochgeladenen, auf der Plattform annotierten, aus öffentlichen Datensätzen auf der Plattform stammenden oder aus der Community geklonten Datensatzes.

Sobald er ausgewählt ist, wird der Datensatz automatisch mit dem Trainingslauf verknüpft, was es einfacher macht, Experimente nachzuverfolgen und die Konsistenz zu wahren.

Als Nächstes kannst du Trainingsparameter wie die Anzahl der Epochen, Batch-Größe, Bildgröße und Lernrate konfigurieren. Diese Einstellungen steuern, wie das Modell lernt, und wirken sich direkt auf Trainingszeit und Leistung aus.

Link to this sectionAusführung und Überwachung des Trainings#

Du kannst dann entscheiden, wie das Training ausgeführt werden soll. Die Plattform unterstützt Cloud-Training auf verwalteten GPUs, lokales Training mit eigener Hardware sowie browserbasierte Workflows durch Umgebungen wie Google Colab.

Beim Cloud-Training kannst du aus einer Reihe von GPU-Optionen wählen, wie RTX 2000 Ada und RTX A4500 für kleinere Experimente, RTX 4090 oder RTX A6000 für anspruchsvollere Workloads und leistungsstarke Optionen wie A100 oder H100 für groß angelegtes Training.

Wenn das Training beginnt, kann der Fortschritt direkt innerhalb der Plattform überwacht werden. Das Dashboard bietet Echtzeit-Einblick in wichtige Metriken wie Verlustkurven und Leistungsmetriken sowie Systemauslastung und Trainingsprotokolle. Dies macht es nahtlos, zu verstehen, wie das Modell lernt, und potenzielle Probleme frühzeitig zu identifizieren.

Abb. 4. Du kannst den Trainingsfortschritt einfach mit der Ultralytics Platform überwachen (Quelle)

Während du mehrere Experimente ausführst, behält die Plattform Konfigurationen, Datensätze und Ergebnisse an einem Ort im Auge. Dies macht es einfach, verschiedene Trainingsläufe zu vergleichen, die Leistung anhand von Metriken wie Präzision, Recall und mAP zu bewerten und das leistungsfähigste Modell für die Bereitstellung auszuwählen.

Link to this sectionBereitstellung eines Vision-Modells über die Ultralytics Platform#

Nach dem Training ist der nächste Schritt die Validierung, wie das trainierte Modell auf neuen, unbekannten Daten abschneidet, bevor die Bereitstellung erfolgt. Die Ultralytics Platform enthält einen integrierten „Predict“-Tab, mit dem du Modelle direkt im Browser testen kannst, ohne dass eine Einrichtung erforderlich ist.

Du kannst Bilder hochladen, Beispieldaten verwenden oder Eingaben über eine Webcam erfassen, und die Ergebnisse erscheinen sofort mit visuellen Overlays und Konfidenzwerten. Das bedeutet, dass du die Modellleistung schnell überprüfen und Probleme identifizieren kannst, bevor du es in reale Systeme integrierst.

Sobald das Modell validiert ist, kann es je nach Anwendungsfall mit verschiedenen Optionen bereitgestellt werden. Hier ist ein genauerer Blick auf die Modell-Bereitstellungsoptionen, die von der Ultralytics Platform unterstützt werden:

• Geteilte Inferenz: Diese Option ermöglicht es dir, über eine REST API auf das Modell zuzugreifen, was die Integration in Anwendungen oder Workflows einfach macht. Sie läuft auf einem Multi-Tenant-System in einigen Kernregionen, wo Anfragen automatisch an den nächstgelegenen verfügbaren Dienst weitergeleitet werden. Dies macht sie zu einer guten Wahl für Entwicklung, Tests und leichtere Nutzung, bevor die Produktion erreicht wird.
• Dedizierte Endpunkte: Für den Produktionseinsatz können Modelle als dedizierte Endpunkte mit eigenen Rechenressourcen bereitgestellt werden. Diese laufen als Single-Tenant-Dienste in 43 globalen Regionen, was hilft, die Latenz durch Bereitstellung näher an den Endnutzern zu verringern. Sie unterstützen auch Autoscaling und Scale-to-Zero, wodurch Ressourcen automatisch basierend auf dem Datenverkehr angepasst werden können.
• Modell-Export: Modelle können exportiert und außerhalb der Plattform auf lokalen Systemen oder Edge-Geräten ausgeführt werden. Die Plattform unterstützt 17 Formate, einschließlich ONNX, TensorRT, OpenVINO, CoreML und TensorFlow Lite. Export-Optionen unterstützen auch Optimierungen wie FP16 und INT8-Quantisierung, um die Modellgröße zu reduzieren und die Inferenzgeschwindigkeit für verschiedene Hardware-Umgebungen zu verbessern.

Link to this sectionÜberwachung bereitgestellter Modelle mit der Ultralytics Platform#

Der Lebenszyklus einer Bildverarbeitungs- oder Computer-Vision-Lösung endet nicht mit der Modellbereitstellung. Dies gilt auch für visuelle Prüfsysteme. Sobald ein Modell in der Produktion läuft, muss es kontinuierlich überwacht werden, um sicherzustellen, dass es zuverlässig funktioniert, wenn sich die Bedingungen ändern.

Die Ultralytics Platform bietet ein integriertes Überwachungs-Dashboard, das einen klaren Überblick darüber gibt, wie bereitgestellte Modelle funktionieren. Über eine einzige Schnittstelle kannst du Anfrage-Aktivitäten verfolgen, Protokolle anzeigen und den Gesundheitsstatus jeder Bereitstellung prüfen. Du kannst verstehen, wie Modelle genutzt werden und wie sie sich im Laufe der Zeit verhalten.

Das Dashboard enthält wichtige Metriken wie Gesamtzahl der Anfragen, Fehlerraten und Latenz, was dir hilft, Leistung und Reaktionsfähigkeit zu bewerten. Diese Metriken werden regelmäßig aktualisiert und bieten Einblicke sowohl in Nutzungsmuster als auch in die Systemzuverlässigkeit.

Eine integrierte Weltkarte zeigt, wo Anfragen und Bereitstellungen über Regionen verteilt sind. Mit der Unterstützung für Bereitstellungen an mehreren globalen Standorten hilft diese Ansicht dabei, die Nutzung geografisch zu verfolgen und zu verstehen, wie Modelle in verschiedenen Umgebungen funktionieren.

Abb. 5. Überwachung bereitgestellter Modelle auf der Ultralytics Platform (Quelle)

Für eine tiefergehende Analyse enthält jede Bereitstellung detaillierte Protokolle mit Zeitstempeln, Anfragedetails und Fehlermeldungen. Protokolle können nach Schweregrad gefiltert werden, was es einfach macht, Probleme zu debuggen und Fehler schnell zu identifizieren. Zusätzlich bieten Gesundheitsprüfungen Echtzeit-Statusindikatoren, die zeigen, ob eine Bereitstellung wie erwartet läuft oder Aufmerksamkeit erfordert.

Überwachung spielt auch eine wichtige Rolle bei der Optimierung. Wenn sich Eingabedaten, Datenverkehr oder Nutzungsmuster ändern, kann die Leistung variieren. Durch die Verfolgung von Metriken und Protokollen kannst du Probleme wie hohe Latenz, erhöhte Fehlerraten oder Skalierungseinschränkungen identifizieren und Maßnahmen ergreifen, um eine konsistente Leistung aufrechtzuerhalten.

Link to this sectionVorteile der Nutzung der Ultralytics Platform für den Aufbau von Vision-Lösungen#

Hier sind einige der wichtigsten Vorteile der Nutzung der Ultralytics Platform für den Aufbau und die Skalierung von visuellen Prüfsystemen:

• Optimiert für den realen Einsatz: Funktionen wie Autoscaling-Endpunkte, Edge-Bereitstellung und Modell-Export stellen sicher, dass das System in Produktionsumgebungen zuverlässig laufen kann.
• Schnellere Entwicklungszyklen: Integrierte Tools und Standardkonfigurationen helfen dabei, effizienter von Rohdaten zu einem funktionierenden System zu gelangen.
• Benutzerfreundlichkeit: Intuitive Schnittstellen, optimierte Workflows und minimale Einrichtungsanforderungen machen die Plattform sowohl für Anfänger als auch für erfahrene Nutzer zugänglich.
• Weniger manuelle Arbeit: Funktionen wie KI-gestützte Annotation und automatisierte Datenverarbeitung reduzieren den Zeitaufwand für repetitive Aufgaben.
• Skalierbar im Zeitverlauf: Wenn sich Anforderungen ändern, kann das System durch das Hinzufügen neuer Daten und das erneute Trainieren von Modellen aktualisiert werden, was eine Anpassung an neue Fehlertypen, Bedingungen und Multi-Kamera-Setups ermöglicht.

Link to this sectionWichtige Erkenntnisse#

Der Bau eines kamerabasierten Bildverarbeitungssystems muss nicht komplex sein oder tiefe KI-Expertise erfordern. Mit der Ultralytics Platform kannst du von Rohdaten zu einem funktionierenden System gelangen und dessen Leistung überwachen, alles an einem Ort. Dies optimiert, wie Prüfsysteme gebaut, verbessert und in realen Umgebungen betrieben werden.

Tritt unserer Community bei und erkunde unser GitHub Repository, um mehr über Vision-KI zu erfahren. Sieh dir unsere Lizenzoptionen an, um deine Computer-Vision-Projekte zu starten. Interessiert an Innovationen wie KI in der Fertigung oder Computer Vision in der Automobilindustrie? Besuche unsere Lösungsseiten, um mehr zu entdecken.