Ressourcen
Dokumentation, Praxisbeispiele, Hintergrundwissen
Technische Unterlagen, Anwendungsbeispiele aus der Praxis und Hintergrundmaterial zu Vision AI in der industriellen Qualitätssicherung.
Technische Dokumentation
-
Neuraylze ist für den Betrieb KI-basierter Modelle ausgelegt und benötigt eine geeignete Systemumgebung mit moderner CPU, ausreichend Arbeitsspeicher und einer CUDA-fähigen NVIDIA-Grafikkarte. Die tatsächliche Performance hängt von Modellgröße, Eingabedaten, Batch-Verarbeitung und der Anzahl parallel ausgeführter Modelle ab.
Komponente Mindestanforderung Empfehlung Betriebssystem Windows 10, 64-Bit Windows 10/11, 64-Bit Prozessor Moderner Mehrkernprozessor Intel Core i5/i7, AMD Ryzen 5/7 oder besser Arbeitsspeicher 16 GB RAM 32 GB RAM bei größeren Modellen oder Batch-Verarbeitung Speicherplatz Mindestens 12 GB frei Zusätzlicher Speicherplatz für Modelle, Daten und Logs Grafikkarte CUDA-fähige NVIDIA-GPU mit Compute Capability 6.0 oder höher NVIDIA-GPU der Pascal-, Turing-, Ampere- oder neueren Architektur Grafikspeicher Mindestens 8 GB VRAM Mehr als 8 GB VRAM für größere Modelle oder parallele Ausführung NVIDIA-Treiber Aktueller NVIDIA-Grafiktreiber Aktueller Treiber passend zur eingesetzten GPU -
Neuraylze unterstützt CUDA-fähige NVIDIA-Grafikkarten mit Compute Capability 6.0 oder höher, insbesondere GPUs der Pascal-, Turing-, Ampere- oder neueren NVIDIA-Architekturen.
Für den produktiven Einsatz wird eine dedizierte NVIDIA-GPU mit mindestens 8 GB VRAM empfohlen. Größere Modelle, höhere Bildauflösungen, Batch-Verarbeitung oder parallele Modell-Ausführungen können mehr Grafikspeicher erfordern.
Nicht CUDA-fähige GPUs oder integrierte Grafiklösungen sind nicht für den produktiven Betrieb vorgesehen.
-
Neuraylze unterstützt gängige Bildformate für die Verarbeitung und Analyse von Bilddaten. Dazu zählen insbesondere JPG/JPEG, PNG, BMP und TIFF.
Für optimale Ergebnisse sollten die Bilddaten in ausreichender Auflösung und Qualität vorliegen. Verlustfreie Formate wie PNG oder TIFF eignen sich besonders, wenn Bilddetails für die Analyse relevant sind.
Praxisbeispiele
Optische Inspektion von Teigwaren
Branche: Lebensmittelindustrie
Aufgabe: Sortenreine Verpackung trotz hoher Formvariabilität
Lösung: Training auf die spezifischen Formmerkmale jeder Sorte – das Modell lernt die natürliche Varianz innerhalb einer Sorte von den Unterschieden zwischen Sorten zu trennen
Methode: Objekterkennung / Klassifizierung
Lesen von Codes auf Joghurtbechern
Branche: Lebensmittelindustrie
Aufgabe: Lesen des Haltbarkeitsdatums
Lösung: Kombination aus optimierter Beleuchtung für gekrümmte Oberflächen und Training auf variierende Druckqualitäten – robust gegenüber Reflexionen und Verschmierungen
Methode: Deep-Learning-basierte Texterkennung (OCR)
Qualitätskontrolle in der Produktion von Knäckebrot
Branche: Lebensmittelindustrie
Aufgabe: Identifikation des Belags von Knäckebrot, Lokalisierung der Körner und Samen, Prüfung der Homogenitätsverteilung
Lösung: Pixelweise Zuordnung aller Belagskomponenten ermöglicht quantitative Auswertung – Verteilungsmuster werden messbar und vergleichbar
Methode: Semantische Segmentierung
KI-basierte OCR prüft Code auf Reifen
Branche: Automotive, E-Mobilität
Aufgabe: Lesen von Codes auf gekrümmten Oberflächen
Lösung: 3D-Erfassung erzeugt Tiefenkarten, konventionelle Bildverarbeitung entzerrt die Krümmung – Deep Learning übernimmt das Lesen nicht-standardisierter Fonts bei schwachem Kontrast
Methode: Deep-Learning-basierte Texterkennung (OCR)
Schweißnahtprüfung für EV-Batterien
Branche: Automotive, E-Mobilität, Batterie, Elektronik
Aufgabe: Automatisierte Prüfung von Schweißnähten, Kontrolle struktureller Eigenschaften der Schweißnähte, Überprüfung elektrischer Qualität und Leitfähigkeit, Sicherstellung der Funktionssicherheit von Batteriemodulen und -packs
Lösung: Pixelgenaue Analyse der Nahtgeometrie macht Poren, Spritzer und Unregelmäßigkeiten sichtbar und quantifizierbar – Basis für automatisierte Qualitätsentscheidungen
Methode: Semantische Segmentierung
Pre-Weld-Prüfung bei Batteriemodulen
Branche: Automotive Batterie E-Mobilität
Aufgabe: Inspektion von Batteriezellenanschlüssen vor dem Schweißen – Erkennung von Verunreinigungen und Oberflächenfehlern, Prüfung von Geometrie und Polausrichtung
Lösung: Zweistufiger Ansatz – erst Lokalisierung der Pole, dann Bewertung von Oberfläche und Ausrichtung. Fehler werden erkannt, bevor sie in den Schweißprozess eingehen
Methode: Objekterkennung / Klassifizierung
Whitepaper & Fachartikel
Vision AI für industrielle Qualitätssicherung
Grundlagen, Methoden, Entscheidungshilfen – von der Datenerfassung bis zum Produktivbetrieb.
Deep Learning vermeidet Delamination…
Grund für das Ablösen von Verbundfolien bei Kunststoffverpackungen ist unter anderem Blasenbildung…
ROI-Rechner
In Branchen mit geringen Margen stellt sich die Amortisationsfrage direkt: Lohnt sich das System, oder ist ein Mitarbeiter günstiger?