KI-Vision · Praxisbeispiele
Was Ihre Kamera sieht.
Was Ihre KI erkennt.
Fehler finden, Bauteile unterscheiden, Handgriffe verfolgen und Bestände zählen: Entdecken Sie, wie aus Kamerabildern verwertbare Informationen für Ihren Betrieb werden können.
Lebensmittelprüfung
Kleine Abweichung. Sichtbar gemacht.
Die roten Flächen markieren auffällige Stellen an einer Cashewnuss.
Videobeispiel · Prozessüberwachung
Handgriffe im Ablauf sichtbar machen.
Eine Werkbankszene mit automatisch erkannten Hand- und Fingerpunkten zeigt, wie Bewegungen für eine visuelle Prozessanalyse nutzbar werden können.
Hände und Finger verfolgen
Punkte und Verbindungslinien zeigen die automatisch erkannten Handpositionen und Fingerbewegungen im Bild.
Arbeitsschritte verstehen
Bewegungsverläufe können als Grundlage dienen, um Handgriffe und Übergänge zwischen Arbeitsschritten zu untersuchen.
Werkzeuge erkennen
Klemme und Akkuschrauber werden einmal pro Sekunde per Modell lokalisiert. Eine auf diese Werkbankszene abgestimmte Bildanalyse erfasst zusätzlich die sichtbaren Konturen des bewegten Metalllineals in jedem Frame.
Die Markierungen sind Ergebnisse automatischer Bildanalyse. Bei Verdeckung, schnellen Bewegungen oder ungünstigen Perspektiven können Punkte fehlen oder ungenau liegen. Die Linealbox umfasst nur sichtbare Konturen; bei Verdeckung kann sie kleiner werden oder ausfallen. Für eine Bewertung von Arbeitsschritten sind passende Prüfkriterien und repräsentative Aufnahmen Ihrer Anwendung erforderlich.
Video: Tima Miroshnichenko / Pexels · Pexels-Lizenz
Bearbeitung: automatische Analyse und eingeblendete Markierungen; lokal bereitgestellte Videofassung.
Welche Aufgabe möchten Sie lösen?
Wählen Sie einen Bereich und schauen Sie sich die Markierungen im Detail an.
10 Beispiele
Montagekontrolle
Bauteilpositionen prüfen
- Was wird erkannt?
- Das Beispiel markiert ein Bauteil, dessen Position von der vorgesehenen Montage abweicht.
- Ihr möglicher Nutzen
- Ein Soll-Ist-Vergleich kann Montagefehler sichtbar machen, bevor sie im nächsten Prozessschritt weitergegeben werden.
Form- und Oberflächenprüfung
Formfehler an Lebensmitteln erkennen
- Was wird erkannt?
- Die roten Flächen zeigen annotierte Abweichungen an einer Cashewnuss.
- Ihr möglicher Nutzen
- Visuelle Kriterien wie Form und Oberfläche können eine einheitliche Sortierung und Qualitätsprüfung unterstützen.
3D-Druck-Prüfung
Druckfehler Schicht für Schicht prüfen
- Was wird erkannt?
- Vier markierte Bereiche zeigen Über- und Unterextrusion an einem keramischen Druckteil.
- Ihr möglicher Nutzen
- Eine Prüfung einzelner Schichten kann früh auf Abweichungen hinweisen und gezielte Nacharbeit unterstützen.
Bildquelle: Ceramic 3D printed parts · CC BY 4.0
Bauteilerkennung
Stecker und Bauteile zuordnen
- Was wird erkannt?
- Die Boxen markieren Batterie und Steckverbinder innerhalb einer Baugruppe.
- Ihr möglicher Nutzen
- Das Erkennen von Bauteilen und ihren Positionen schafft eine Grundlage für Vollständigkeits- und Montageprüfungen.
Bildquelle: Component Detection Dataset · CC BY 4.0
Segmentierung
Kabelverläufe sichtbar machen
- Was wird erkannt?
- Das farbige Overlay zeichnet die annotierten Kabelverläufe nach und trennt sie von der Batterie.
- Ihr möglicher Nutzen
- Die räumliche Zuordnung kann beim Vergleich einer Verdrahtung mit dem vorgesehenen Aufbau helfen.
Bildquelle: Component Detection Dataset · CC BY 4.0
Objektzählung
Steckverbinder zählen
- Was wird erkannt?
- 17 nummerierte Boxen zeigen die im Datensatz annotierten Steckverbinder.
- Ihr möglicher Nutzen
- Zählungen können mit einer Sollmenge verglichen werden, um Vollständigkeitsprüfungen vorzubereiten.
Bildquelle: Component Detection Dataset · CC BY 4.0
Manuell annotiertes Zählbeispiel
Stückzahlen im Bild erfassen
- Was wird erkannt?
- 20 Kapseln sind einzeln markiert; diese Boxen wurden für das Beispiel von Hand ergänzt.
- Ihr möglicher Nutzen
- Das Motiv zeigt, wie eine bildgestützte Zählung für Mengenprüfung oder Verpackungskontrolle aufgebaut werden kann.
Objekterkennung in der Logistik
Flurförderzeuge unterscheiden
- Was wird erkannt?
- Klassenlabels markieren Stapler und einen Hubwagen in einer Lagerhalle.
- Ihr möglicher Nutzen
- Das Erkennen von Fahrzeugarten kann die Grundlage für Auslastungsanalysen und Prozessübersichten bilden.
Bildquelle: LOCO – Logistics Objects in Context · CC0 1.0
Lagerübersicht
Paletten im Lager lokalisieren
- Was wird erkannt?
- Sechs ausgewählte Paletten sind im Lagerbild markiert; das Motiv zeigt einen Ausschnitt der Annotationen.
- Ihr möglicher Nutzen
- Die Lokalisierung von Ladungsträgern kann Bestandsübersichten und die Prüfung definierter Lagerbereiche unterstützen.
Bildquelle: LOCO – Logistics Objects in Context · CC0 1.0
Die Bilder zeigen Anwendungsideen anhand annotierter Fotos. Die Markierungen stammen aus Datensatz-Annotationen bzw. manueller Beschriftung; sie sind keine gemessenen Ergebnisse eines trainierten Kundenmodells.
Vom Bild zur Entscheidung
Die Erkennung ist ein Baustein. Entscheidend ist, was Ihr Prozess mit dem Ergebnis macht.
- 01
Bild aufnehmen
Kamera, Perspektive und Beleuchtung werden auf das Werkstück oder die Umgebung abgestimmt.
- 02
Merkmale erkennen
Die KI wird mit passenden Beispielen für Ihre Aufgabe trainiert und unter realen Bedingungen geprüft.
- 03
Aktion auslösen
Ergebnisse können eine Prüfung unterstützen, eine Sortierung anstoßen oder als Zählwert an Ihre Software gehen.
Was soll Ihre Kamera erkennen?
Beschreiben Sie uns das Objekt, die Abweichung oder den Zählvorgang. Gemeinsam prüfen wir, welche Bilddaten und welche Anbindung Ihre Anwendung braucht.
Bildquellen & Lizenzen
Yang Zou, Jongheon Jeong, Latha Pemula, Dongqing Zhang, Onkar Dabeer (2022).
Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved.
Bearbeitung: Boxen und transparente Fehler-Overlays aus Originalannotation; Kapselboxen manuell ergänzt; Formatoptimierung für die Website.
Narjes Karami (2026), DOI: 10.5281/zenodo.19689558.
Component Detection Dataset · CC BY 4.0
Bearbeitung: Boxen, Segmentierungs-Overlay und Zählanzeige aus Originalannotation; Formatoptimierung für die Website.
Christopher Mayershofer, Dimitrij-Marian Holm, Benjamin Molter, Johannes Fottner (2020).
LOCO – Logistics Objects in Context · CC0 1.0
Bearbeitung: Boxen und Klassenlabels aus Originalannotation; im Palettenmotiv sechs große Boxen ausgewählt; Formatoptimierung für die Website.
Louis Masters (2025), University of Leeds.
Copyright 2025 University of Leeds.
Ceramic 3D printed parts · CC BY 4.0
Bearbeitung: Vier Originalboxen ausgewählt, Ausschnitt auf das Druckteil; Formatoptimierung für die Website.