Daten sammeln und evaluieren
Zu Beginn steht die Prüfaufgabe: Welche Merkmale sollen erkannt werden? Bilddaten aus der Produktion werden systematisch erfasst und auf Eignung geprüft. 

Daten sortieren und bereinigen
Nicht jedes Bild eignet sich für das Training. Relevante Aufnahmen werden ausgewählt, Qualitätsprobleme identifiziert und entfernt. 

Annotieren (Labeln)
Die relevanten Merkmale in den Bilddaten werden markiert und benannt. Die Qualität der Annotation bestimmt die Qualität des Modells. 

Augmentieren
Synthetische Erweiterung des Datensatzes durch Variation von Position, Rotation und Bildparametern. Das erhöht die Robustheit gegenüber realen Schwankungen. 

Modell trainieren
Sie wählen die Netzwerkarchitektur, Neuralyze optimiert die Parameter. Die Ergebnisse jeder Variante werden automatisch verglichen. 

Modell validieren
Test an Daten, die das Modell noch nie gesehen hat. Hier zeigt sich, ob es generalisiert – oder nur auswendig gelernt hat. 

Aufgabentypen

• Klassifizierung –  Das gesamte Bild wird einer Kategorie zugeordnet: Gut, Schlecht, Typ A/B/C. Schnell und robust für binäre Entscheidungen. 
• Objekterkennung –  Mehrere Objekte im Bild werden lokalisiert und klassifiziert. Ideal zum Zählen oder wenn mehrere Fehler pro Bild auftreten können. 
• Segmentierung –  Pixelgenaue Zuordnung. Das Ergebnis ist eine Maske mit exakter Begrenzung – relevant zur Erkennung zusammengehöriger Bereiche und für Messaufgaben.
• Hybridstrategie –  Verkettung mehrerer Modelle: erst lokalisieren, dann segmentieren. Ermöglicht die Umsetzung komplexer Prüfszenarien.

Deployment-Szenarien

• Embedded-Systeme direkt in der Prüfanlage
• Edge-Server in der Produktionshalle
  
• GPU-Workstations für mehrere Kameralinien parallel