- Published on
Computer Vision: Oberflächeninspektion
- Authors

- Name
- Phillip Pham
- @ddppham
Computer Vision: Oberflächeninspektion
TL;DR
Kratzer, Lunker, Beschichtung und Kanten sind ein optisches Problem, bevor sie ein Modellproblem sind. VDI/VDE/VDMA 2632 Blatt 1 (Ausgabe Januar 2023) legt die Begriffe: Beleuchtung, Szene, Kamera, Auswertung. Das Netz sieht nur, was Licht und Optik auf den Sensor bringen. Die Auswertung eines Bildes im Takt gehört auf den KI-Server neben der Linie, nicht in einen Chat-Aufruf.
Die Kette, in der Reihenfolge der Richtlinie
Blatt 1 der Reihe 2632 ist die gemeinsame Sprache zwischen Betrieb und Anbieter. Die Reihe dahinter ist praktisch: Blatt 2 für Lasten- und Pflichtenheft, Blatt 3 für die Abnahme, Blatt 3.1 für die Klassifikationsleistung. Wer die Oberfläche mit einem Modell prüfen will, schreibt die Aufgabe in diesen Blättern, nicht in einer Genauigkeitszahl aus einem Prospekt.
| Stufe | Was schiefgeht, wenn sie fehlt |
|---|---|
| Beleuchtung | Der Kratzer ist da und auf dem Bild nicht. Kein Training holt ihn zurück |
| Szene | Teil liegt schief, Schatten wandert mit der Schicht |
| Kamera | Auflösung reicht für das Merkmal nicht, oder der Takt ist schneller als die Belichtung |
| Auswertung | Erst hier das Modell. Es klassifiziert, was die drei Stufen davor geliefert haben |
Ein festes Referenzbild und ein gelerntes Modell sind zwei Auswertungen. Die Richtlinie trennt die Begriffe, damit Lastenheft und Abnahme nicht an „Fehler“ vorbeireden. Ein Modell ersetzt die Lampe nicht.
Was auf den KI-Server gehört
Ein Sichtmodell für eine Linie ist klein gegen ein Sprachmodell. Der Engpass ist selten die VRAM-Menge einer 24-GB-Karte. Der Engpass ist, ob das Bild die Linie verlässt und ob die Antwort vor dem nächsten Teil da ist. Dafür steht der Rechner am Band. Größe und Slot, falls doch ein größeres Modell auf dieselbe Karte soll: VRAM-Rechner und PCIe-Lanes.
Ein Sprachmodell, auch ein verwaltetes, ist die falsche Stelle für das Bild des Teils. Managed Claude bearbeitet Texte und Werkzeuge. Die Oberfläche bleibt auf der Karte. Die Trennung der beiden Wege steht in Managed Claude, Bedrock oder eigener Server.
Was vor dem Modell festliegen muss
Drei Sätze im Lastenheft, bevor jemand ein Netz trainiert:
- Welches Merkmal gilt als Fehler, an welchem Grenzmuster, nicht an einem Foto vom Schreibtisch.
- Welche Teile die Abnahme sieht, einschließlich der guten Teile. Blatt 3.1 zielt auf die Klassifikationsleistung, nicht auf eine Demo mit zehn Ausschussteilen.
- Welches Licht zur Abnahme dasselbe ist wie in der Schicht. Wechselt die Halle das Licht, wechselt die Aufgabe.
Ohne diese drei Sätze misst ein späteres Modell die Beleuchtung, nicht die Oberfläche.
Quellen & Weiterführende Links
📖 Verwandte Artikel
Weitere interessante Beiträge zu ähnlichen Themen
K3s Edge AI: KI-Inferenz direkt an der Maschine
K3s Edge AI: KI-Inferenz direkt an der Maschine. Über 50 Kameras zentral per GitOps verwalten, Zero-Touch-Deployment und Rollbacks mit leichtem Kubernetes.
MLflow auf Kubernetes: Experiment-Tracking self-hosted
MLflow auf Kubernetes betreiben: ML-Experimente zentral tracken, Modelle versionieren und die Registry self-hosted absichern. Setup mit echten Manifesten.
LiteLLM Proxy selbst hosten: LLM-Kosten zentral senken
LiteLLM Proxy als zentrales Gateway für mehrere LLM-Anbieter: API-Kosten senken, Modelle flexibel wechseln und die Nutzung zentral überwachen.
Bereit für KI im Mittelstand?
Nutzen Sie unsere 10 kostenlosen KI-Tools und Praxis-Guides – oder sprechen Sie direkt mit unseren Experten.
Pexon Consulting – KI-Beratung für den Mittelstand | Scaly Academy – Geförderte KI-Weiterbildung (KI-Spezialist, KI-Experte, Workflow-Automatisierung)