Defekterkennung mit Computer Vision bringt konsistente, schnelle, ermüdungsfreie Prüfung an die Produktionslinie — Oberflächendefekte, Montage und Vollständigkeit, Schweißnahtmerkmale. Dieser Leitfaden behandelt, was sie zuverlässig erkennt, den Sensor- und Beleuchtungsaufbau, der über Erfolg und Misserfolg entscheidet, die Datensatz- und Annotationsstrategie für das Problem der Defektknappheit, mit dem jedes Werk konfrontiert ist, und das Edge-Deployment in Linientakt. Er zieht zudem eine klare Ehrlichkeitsgrenze: Ein Vision-Modell bringt Kandidaten-Indikationen hervor, die einem anerkannten Vokabular zugeordnet werden — es vergibt keine zertifizierte Bewertung.
Zuletzt geprüft: Juni 2026
KI-gestützte visuelle Qualitätsprüfung ist der Einsatz von Computer-Vision-Modellen, um Defekte zu erkennen und die Qualität gefertigter Teile direkt an der Produktionslinie zu verifizieren. Kameras erfassen jedes Teil unter kontrollierter Beleuchtung, und ein Modell — oft ein Deep-Learning-Detektor oder ein Anomaliedetektor, der lernt, wie „gut“ aussieht — kennzeichnet Oberflächendefekte, fehlende oder falsch montierte Komponenten und andere Abweichungen in Produktionsgeschwindigkeit. Es liefert ein konsistentes, ermüdungsfreies Screening, das die menschliche Prüfung ergänzt. Entscheidend ist: Es bringt Kandidaten-Indikationen für den Qualitätsprozess hervor; für sich allein stellt es keine zertifizierte Prüfung, Metrologie oder Bewertung dar.
Menschliche visuelle Prüfung ist variabel, ermüdet und skaliert nicht auf eine 100%-Prüfung bei voller Taktrate. Computer Vision bietet das gegenteilige Profil: konsistent, unermüdlich und in der Lage, jedes Teil in Linientakt zu prüfen. Das ist der Grund für die KI-gestützte visuelle Qualitätsprüfung — nicht um das menschliche Urteil zu ersetzen, sondern um einen konsistenten ersten Durchgang auf jede Einheit anzuwenden und qualifizierte Prüfer für die Fälle freizumachen, die sie wirklich brauchen.
Doch die Prüfung mit Computer Vision steht oder fällt lange vor dem Modell. Der Defekt muss für den Sensor sichtbar gemacht werden (Beleuchtung und Optik), das Teil muss konsistent präsentiert werden (Vorrichtung), und das System muss aus einem Datensatz lernen, der reale Defekte widerspiegelt (Annotation und das Problem der Defektknappheit). Teams, die dies als reine Modellierungsaufgabe behandeln — eine Kamera kaufen, ein Netz trainieren — schneiden durchweg schlechter ab als Teams, die zuerst in Beleuchtung, Präsentation und Daten investieren.
Dieser Leitfaden folgt dieser Reihenfolge der Wichtigkeit: was Vision zuverlässig erkennen kann, wie man das Bild erfasst, wie man den Datensatz aufbaut, wie man am Edge deployt und — weil es die Grenze ist, die eine ehrliche Fähigkeit von einer Überzeichnung trennt — was die Ausgabe des Modells genau darstellt und nicht darstellt, mit dem Schweißen als durchgearbeitetem Beispiel.
Die Prüfung mit Computer Vision umfasst ein Spektrum an Schwierigkeit und Risiko. Der pragmatische Weg beginnt mit den eindeutigen, binären Prüfungen und erweitert sich zu den schwierigeren, urteilsbehafteten, während das Programm reift. Die vier Kategorien unten, mit einer ehrlichen Anmerkung dazu, wo jede steht.
Kratzer, Dellen, Pittings, Korrosion, Verunreinigung, Verfärbung, Beschichtungs- und Lackdefekte, Porosität auf gegossenen oder bearbeiteten Oberflächen. Die Oberflächenprüfung ist die reifste Computer-Vision-Anwendung — kontrastreiche Defekte auf einer konsistenten Oberfläche eignen sich gut für gelernte Detektoren, während kontrastarme oder texturabhängige Defekte (matte, reflektierende oder gemusterte Oberflächen) eine sorgfältige Beleuchtung und Datensatzgestaltung erfordern.
Anwesenheits-/Abwesenheitsprüfungen (sitzt der Stecker, ist die Schraube gesetzt, das Etikett angebracht?), korrekte Ausrichtung, korrekte Komponentenvariante und Stückzahlverifikation. Diese Prüfungen sind oft der Ausgangspunkt mit dem höchsten ROI: Sie sind eindeutig, der Fehler ist binär, und die Kosten einer fehlenden Komponente, die die Linie verlässt, sind konkret.
Oberflächlich sichtbare Schweißnahtmerkmale — Einbrandkerbe, Spritzer, Oberflächenporosität, unregelmäßiges Nahtprofil, unvollständige Füllung, sichtbare Risse. Ein Vision-Modell kann Kandidaten-Indikationen hervorbringen und sie einem anerkannten Imperfektionsvokabular zuordnen. Es ist entscheidend, präzise zu sein, was dies darstellt und nicht darstellt — im Abschnitt zur Ehrlichkeitsgrenze unten ausführlich behandelt.
Kanten-, Spalt-, Bündigkeits- und Merkmalspositionsprüfungen. Hier überschneidet sich Vision mit — und wird oft übertroffen von — dedizierter Metrologie (Laser, strukturiertes Licht, CMM). Vision eignet sich gut für ein schnelles geometrisches Inline-Screening in Produktionsrate; die zertifizierte Maßmessung bleibt die Domäne kalibrierter Metrologiegeräte.
Der häufigste Grund, warum ein Vision-Prüfprojekt scheitert, ist nicht das Modell — es ist, dass der Defekt von vornherein nie für den Sensor sichtbar gemacht wurde. Beleuchtung, Optik und Präsentation sind das Fundament. Macht man sie richtig, gelingt ein bescheidenes Modell; macht man sie falsch, hat das beste Modell der Welt nichts, womit es arbeiten kann.
Die Reihenfolge der Investition: Beleuchtung zuerst, Optik zweitens, Präsentation drittens, Modell zuletzt. Diese Reihenfolge ist das Gegenteil davon, wo die meisten Teams instinktiv investieren — und sie umzukehren ist die wirkungsvollste Einzelentscheidung in einem Vision-Projekt.
Die Beleuchtung ist die wichtigste Einzeldeterminante des Prüferfolgs — mehr als das Modell, mehr als die Kamera. Der Defekt muss für den Sensor sichtbar gemacht werden. Verschiedene Defekte brauchen verschiedene Beleuchtung: diffuse Dombeleuchtung für reflektierende Oberflächen, flache (Dunkelfeld-)Beleuchtung, um Kratzer und Dellen hervorzuheben, Durchlicht für Silhouetten- und Anwesenheitsprüfungen, koaxiale Beleuchtung für flache spiegelnde Teile. Macht man die Beleuchtung falsch, kann kein Modell das Signal wiederherstellen.
Wesentliche Entscheidungen
Werkzeuge
Die Sensorauflösung muss den kleinsten relevanten Defekt mit Reserve auflösen — ein Defekt muss sich über mehrere Pixel erstrecken, um zuverlässig erkennbar zu sein. Die Wahl reicht von Flächen- vs. Zeilenkamera (für kontinuierliche Bahnen/Bleche oder zylindrische Teile), monochrom vs. Farbe (Farbe nur, wenn der Defekt farbabhängig ist), Objektivwahl und Arbeitsabstand bis zur an die Liniengeschwindigkeit angepassten Bildrate. Die Optik wird rückwärts vom kleinsten Defekt und der Teiltransportgeschwindigkeit spezifiziert.
Wesentliche Entscheidungen
Werkzeuge
Eine konsistente Teilpräsentation reduziert die Variation, die das Modell lernen muss. Stabile Positionierung, wiederholbare Ausrichtung und kontrollierte Teil-zu-Kamera-Geometrie bedeuten, dass das Modell das Teil jedes Mal gleich sieht — und verwandeln ein schwieriges, lageinvariantes Problem in ein lösbares. Wo die Präsentation nicht kontrolliert werden kann, müssen Datensatz und Modell diese Variabilität absorbieren, was die Datenkosten erhöht.
Wesentliche Entscheidungen
Werkzeuge
Überwachtes Lernen will reichlich, ausgewogene, gut annotierte Beispiele jeder Klasse. Eine Produktionslinie gibt einem das Gegenteil: überwältigend gute Teile und sehr wenige Defekte. Diese Umkehrung prägt die gesamte Datenstrategie — und ist der Grund, warum so viel der Kunst der Prüf-KI in den Daten lebt, nicht im Modell.
Eine gut geführte Linie produziert überwältigend gute Teile, daher sind echte Defektbilder selten — das Gegenteil von dem, was überwachtes Lernen will. Das motiviert mehrere Strategien: Defekte über die Zeit sammeln, gezielt bekannte Schlechtteile bemustern, synthetische Defekterzeugung und Augmentation sowie Anomaliedetektions-Ansätze, die das „Gute“ lernen und Abweichungen kennzeichnen (sodass wenige oder keine annotierten Defekte zum Start nötig sind).
Wie Defekte annotiert werden, bestimmt, was das Modell kann: Klassifikation auf Bildebene (gut/defekt), Bounding-Boxes (wo) oder Segmentierung auf Pixelebene (genaue Ausdehnung, nötig zur Bemaßung). Die Annotation muss konsistent sein — Uneinigkeit zwischen Annotatoren bei Grenzfällen ist eine der größten verborgenen Quellen von Modellfehlern. Ein klarer Defektkatalog und ein Annotationsleitfaden, abgestimmt mit den Qualitätsingenieuren, sind grundlegend.
Ordnen Sie jede annotierte Klasse dem Qualitätsvokabular des Werks und, wo vorhanden, der Imperfektionsterminologie der einschlägigen Norm zu. Das macht die Modellausgabe für Prüfer und Auditoren lesbar und hält die KI an der Sprache ausgerichtet, die das Qualitätssystem bereits verwendet — statt eine private Taxonomie zu erfinden, die niemand stromabwärts versteht.
Weil Defekte selten sind, ist die rohe Genauigkeit eine irreführende Kennzahl — ein Modell, das alles als „gut“ bezeichnet, kann 99 % erreichen und nichts fangen. Die Bewertung muss sich auf den Recall bei Defekten konzentrieren (Durchschlüpfer sind der teure Fehler), die Präzision (Falschausschüsse verschwenden gute Teile und das Vertrauen der Bediener) und Aufschlüsselungen je Defektklasse. Die Annahme-/Ausschuss-Schwelle ist eine bewusste geschäftliche Entscheidung, die Durchschlupfrisiko gegen Falschausschusskosten abwägt.
Unsicher, ob Ihre Defekte mit Vision überhaupt erkennbar sind oder wie man mit nahezu keinen Defektbildern beginnt? Hyperion führt einen fokussierten Discovery-Sprint durch, der die Detektierbarkeit der Defekte bewertet, den Beleuchtungs- und Erfassungsansatz entwirft und einen pragmatischen Datensatz- und Deployment-Plan für Ihre Linie erstellt.
Die Qualitätsprüfung ist eine Echtzeit-Inline-Funktion. Das Modell läuft am Edge — neben der Kamera, in Produktionsgeschwindigkeit, unabhängig von der Cloud. Dies sind die Entscheidungspunkte, die jedes Vision-Prüf-Deployment adressieren muss, um in die Produktion zu gelangen und dort zu bleiben.
Die Qualitätsprüfung läuft in Linientakt, daher findet die Inferenz am Edge statt — auf einem Industrie-PC oder einem vision-fähigen Edge-Modul neben der Kamera. Die Latenz muss in die Taktzeit passen, und das System muss unabhängig von jeglicher Cloud-Verbindung arbeiten. Modelle werden typischerweise optimiert und kompiliert (Quantisierung, Laufzeiten der ONNX/TensorRT-Klasse) für die Ziel-Edge-Hardware, um den erforderlichen Durchsatz zu erreichen.
Die Prüfstation darf nicht zum Engpass der Linie werden. Die Inferenzzeit muss beschränkt und vorhersehbar sein, um zur Taktzeit zu passen. Das prägt die Wahl der Modellgröße: Ein kleineres, schnelleres Modell, das ins Taktzeitbudget passt und die relevanten Defekte fängt, schlägt ein größeres Modell, das mit der Linie nicht mithalten kann.
Ein gekennzeichnetes Teil muss irgendwohin — ein Ausschusstor, eine Nacharbeitsbahn, eine manuelle Prüfstation. Jede Entscheidung sollte mit dem Bild und der Modellausgabe protokolliert werden, damit Ausschüsse auditierbar sind und die Daten die nächste Trainingsrunde speisen. Rückverfolgbarkeit ist sowohl eine Anforderung des Qualitätssystems als auch der Motor kontinuierlicher Verbesserung.
Die Produktion driftet: neue Materialchargen, Werkzeugverschleiß, Alterung der Beleuchtung, saisonale Veränderung. Ein bei Inbetriebnahme genaues Modell verschlechtert sich still, wenn es nicht überwacht wird. Verfolgen Sie Ausschussraten, Konfidenzverteilungen und Ergebnisse menschlicher Übersteuerungen; speisen Sie bestätigte Durchschlüpfer und Falschausschüsse als Annotationen zurück. Visuelle Prüfung ist ein lebendes System, keine einmalige Installation.
Dies ist der wichtigste Abschnitt dieses Leitfadens und der von Anbietern am häufigsten überspielte. Ein Vision-Modell ist ein leistungsstarkes Screening-Werkzeug. Es ist keine zertifizierte Prüfung. Präzise zu sein über die Grenze zwischen beiden ist das, was ein ehrliches Deployment von einer Haftung trennt — besonders in sicherheitsrelevanter oder regulierter Produktion.
Was die KI tut: ein Vision-Modell prüft die sichtbare Oberfläche einer Schweißnaht und bringt Kandidaten-Indikationen hervor — Einbrandkerbe, Spritzer, Oberflächenporosität, ein unregelmäßiges Nahtprofil, einen sichtbaren Riss. Es kann jeden Kandidaten dem Imperfektionsvokabular einer anerkannten Norm wie der ISO 5817 zuordnen, sodass seine Ausgabe die Sprache spricht, die Ihr Qualitätssystem bereits verwendet.
Was die KI nicht tut: sie vergibt keine zertifizierte Schweißnaht-Qualitätsstufe (wie die B / C / D der ISO 5817). Eine zertifizierte Bewertung ist eine formale Feststellung, die von mehr als einem Oberflächenfoto abhängt: Sie erfordert Metrologie, eine Untergrunduntersuchung, wo die Norm es verlangt (typischerweise qualifizierte zerstörungsfreie Prüfung), die anwendbaren Annahmekriterien und Ihre qualifizierte Schweißanweisung (WPS) — durchgeführt von qualifizierten Prüfern gemäß Normen wie der ISO 9712.
Die korrekte Einordnung: die KI ist ein schneller, konsistenter erster Durchgang, der Kandidaten-Indikationen für den qualifizierten Prozess kennzeichnet — kein Ersatz dafür. Sie sagt einem qualifizierten Prüfer, wo er hinschauen soll, in seinem eigenen Vokabular; die zertifizierte Feststellung bleibt bei ihm.
Dasselbe Prinzip verallgemeinert sich über das Schweißen hinaus. Für Maßmerkmale liefert Vision ein schnelles Inline-Screening, während die zertifizierte Messung die Domäne kalibrierter Metrologie bleibt. Die ehrliche Position ist über jede Defektklasse hinweg konsistent: Die KI beschleunigt und standardisiert das Screening; die zertifizierte Feststellung bleibt beim qualifizierten Prozess und den dafür verantwortlichen Personen.
Hyperion betreibt Vision-KI-Demos live auf dieser Website. In der Defekt-Demo laden Sie ein einziges Foto eines Teils, einer Schweißnaht oder einer Oberfläche hoch, und eine KI-Schicht zeigt eine Vorschau dessen, was eine Prüfschicht kennzeichnen könnte; die Werksaudit-Demo zeigt eine Vorschau, wie KI ein umfassenderes Werks-/Prozessbild liest.
Ehrlichkeitsgrenze: dies sind Einzelfoto-Vorschauen, live zur Veranschaulichung gezeigt — keine kalibrierte Prüfung, kein formales Audit, keine zertifizierte Bewertung. Wie oben behandelt, bringt ein Vision-Modell Kandidaten-Indikationen hervor; eine zertifizierte Feststellung erfordert Metrologie, qualifizierte NDT, wo die Norm es verlangt, und Ihre WPS. Verifizieren Sie jede Ausgabe gegen Ihren eigenen Prozess und einen qualifizierten Prüfer, bevor Sie handeln.
Eine faktische Darstellung des Hintergrunds hinter dieser Arbeit — verifizierte Fakten, keine Marketingversprechen.
Hyperion betreibt zwei relevante Demos live auf dieser Website: eine Werksaudit-Demo und eine Defekt-Demo. In der Defekt-Demo lädt ein Besucher ein einziges Foto eines Teils, einer Schweißnaht oder einer Oberfläche hoch, und eine KI-Schicht zeigt eine Vorschau dessen, was eine Prüfschicht kennzeichnen könnte. Beide werden live demonstriert, jeweils mit dem ehrlichen Vorbehalt, dass die Ausgabe eine Einzelfoto-Vorschau ist — illustrativ, keine kalibrierte Prüfung. Sie zeigen die Form der Fähigkeit; sie sind kein Produktionsprüfsystem.
Gründer Mohammed Cherifi verbrachte über 17 Jahre in der Automobil- und Embedded-Systeme-Technik, darunter Tätigkeiten bei der Renault-Nissan-Mitsubishi Alliance, Cisco und ABB. Die visuelle Inline-Qualitätsprüfung liegt an der Schnittstelle von Optik, Embedded Vision, Linienintegration und Qualitätssystemen — genau das Terrain dieses Hintergrunds.
Hyperion hat Auralink gebaut — eine am Edge deployte agentische Plattform mit über 400 Microservices und etwa 20 KI-Agenten (Architektur beschrieben im arXiv-Preprint 2603.08736; ein Preprint, keine peer-reviewte Veröffentlichung). Die Muster für Edge-Inferenz und Echtzeit-Deployment, die dieses Programm ausübt, sind dieselben, die ein Inline-Vision-Prüf-Deployment braucht.
Hyperion ist eine Beratung für KI und Edge-Architektur. Der Auftrag umfasst Vision-Systemdesign, Datensatz- und Annotationsstrategie, Modellentwicklung und Edge-Deployment — in Zusammenarbeit mit Ihren Qualitätsingenieuren, dem Beleuchtungs-/Optiklieferanten und Ihren Metrologie- und NDT-Spezialisten. Hyperion zertifiziert keine Prüfergebnisse, ersetzt keine akkreditierten Prüfungen und vergibt keine Schweißnahtbewertungen. Es baut die KI-Screening-Schicht, die Ihren Qualitätsprozess speist.
Die reifsten und risikoärmsten Anwendungen sind Montage- und Vollständigkeitsprüfungen (ist die Komponente vorhanden, korrekt ausgerichtet, die richtige Variante?) und kontrastreiche Oberflächendefekte (Kratzer, Dellen, Verunreinigung, Beschichtungsdefekte). Schweißnahtoberflächenmerkmale und Maßmerkmale sind als Screening erkennbar, aber mit wichtigen Grenzen: Vision bringt Kandidaten-Indikationen und ein schnelles geometrisches Screening hervor, während die zertifizierte Schweißnahtbewertung und die zertifizierte Maßmessung qualifizierte Prüfung, Metrologie und Ihre Schweißprozedur erfordern. Der richtige Umfang beginnt mit den eindeutigen, binären Prüfungen und erweitert sich, während der Datensatz reift.
Weil ein Defekt, der für den Sensor nicht sichtbar ist, von keinem Modell erkannt werden kann. Das Beleuchtungsdesign macht den Defekt sichtbar: diffuse Dombeleuchtung bändigt reflektierende Oberflächen, flache Dunkelfeldbeleuchtung hebt Kratzer und Dellen hervor, Durchlicht bewältigt Silhouetten- und Anwesenheitsprüfungen, koaxiale Beleuchtung eignet sich für flache spiegelnde Teile. Teams, die zu wenig in Beleuchtung und zu viel in Modellkomplexität investieren, erzielen durchweg schlechtere Ergebnisse als Teams, die das Gegenteil tun. Beleuchtung und Optik sind das Fundament; das Modell sitzt darauf.
Ja — Defektknappheit ist die Normalsituation, kein Hindernis. Eine gut geführte Linie produziert überwiegend gute Teile, daher sind annotierte Defekte selten. Die pragmatischen Ansätze sind: Anomaliedetektion, die lernt, wie „gut“ aussieht, und Abweichungen kennzeichnet (wenige oder keine annotierten Defekte zum Start nötig), gezielte Bemusterung bekannter Schlechtteile, synthetische Defekterzeugung und Augmentation sowie das Ansammeln echter Defekte über die Zeit, um zur überwachten Detektion überzugehen. Die meisten Programme beginnen mit Anwesenheit/Abwesenheit und Anomalie-Screening, gerade weil diese keinen großen Defektdatensatz erfordern.
Nein — und diese Grenze ist nicht verhandelbar. Ein Vision-Modell kann Kandidaten-Indikationen auf der Oberfläche einer Schweißnaht hervorbringen (Einbrandkerbe, Spritzer, Oberflächenporosität, unregelmäßige Naht, sichtbare Risse) und sie dem Imperfektionsvokabular einer Norm wie der ISO 5817 zuordnen. Es vergibt keine zertifizierte Qualitätsstufe. Eine zertifizierte Bewertung ist eine formale Feststellung, die von Metrologie, Untergrunduntersuchung, wo die Norm es verlangt (typischerweise zerstörungsfreie Prüfung), den anwendbaren Annahmekriterien und Ihrer qualifizierten Schweißanweisung (WPS) abhängt — durchgeführt von qualifizierten Prüfern. Die KI ist ein schneller, konsistenter erster Durchgang, der Kandidaten für diesen qualifizierten Prozess kennzeichnet; sie ist nicht der qualifizierte Prozess.
Traditionelle (regelbasierte) Bildverarbeitung verwendet handgebaute Algorithmen — Schwellenwerte, Kantendetektoren, Template-Matching, Blob-Analyse — und glänzt bei wohldefinierten, kontrastreichen, deterministischen Prüfungen (diesen Spalt messen, dieses Merkmal bestätigen). Gelernte (Deep-Learning-)Vision glänzt dort, wo Defekte variabel, kontrastarm oder mit expliziten Regeln schwer zu spezifizieren sind — Oberflächentexturdefekte, subtile kosmetische Fehler, variables Erscheinungsbild. Sie sind komplementär: Viele Produktionssysteme nutzen regelbasierte Vision für die deterministischen Metrologie-artigen Prüfungen und gelernte Modelle für die unscharfen, erscheinungsbasierten Defektklassen.
An der Linie. Die Qualitätsprüfung läuft in Produktionsgeschwindigkeit, daher findet die Inferenz am Edge statt — auf einem Industrie-PC oder einem Vision-Edge-Modul neben der Kamera — mit beschränkter, vorhersehbarer Latenz, die in die Taktzeit passt und unabhängig von jeglicher Cloud-Verbindung arbeitet. Modelle werden für die Ziel-Edge-Hardware optimiert und kompiliert, um den Durchsatz zu erreichen. Aggregierte Ergebnisse und Bilder können zentral zur Überwachung und zum Nachtraining gesendet werden, aber die Annahme-/Ausschuss-Entscheidung wird lokal in Echtzeit getroffen.
Nicht an der rohen Genauigkeit — weil Defekte selten sind, kann ein Modell, das alles durchlässt, 99 % erreichen und nichts fangen. Die Kennzahlen, die zählen, sind der Recall bei Defekten (ein Durchschlüpfer ist der teure Fehler), die Präzision (Falschausschüsse verschwenden gute Teile und untergraben das Vertrauen der Bediener) und die Leistung je Defektklasse. Die Annahme-/Ausschuss-Schwelle ist eine bewusste geschäftliche Entscheidung, die Durchschlupfrisiko gegen Falschausschusskosten abwägt, und sie sollte mit den Qualitätsingenieuren festgelegt werden, nicht im Modell vergraben.
Nein. Hyperions Umfang ist die KI-Screening-Schicht: Vision-Systemdesign, Datensatz- und Annotationsstrategie, Modellentwicklung und Edge-Deployment. Zertifizierte Prüfung, akkreditierte Tests, zerstörungsfreie Untersuchung, Metrologie und Schweißnahtbewertung werden von Ihren qualifizierten Prüfern, Ihrem Metrologieteam und akkreditierten Stellen durchgeführt. Hyperion arbeitet an der Seite dieser Spezialisten — die KI kennzeichnet Kandidaten schneller und konsistenter; die zertifizierte Feststellung bleibt beim qualifizierten Prozess.
ISO (2023). "ISO 5817: Welding — Fusion-Welded Joints in Steel, Nickel, Titanium and Their Alloys — Quality Levels for Imperfections."
Kontext: Definiert Qualitätsstufen (B/C/D) und das Vokabular der Schweißnahtimperfektionen (Einbrandkerbe, Porosität, Risse, ungenügende Durchschweißung und andere). Ein Vision-Modell kann Kandidaten-Oberflächenindikationen diesem Vokabular zuordnen; die Vergabe einer Qualitätsstufe ist eine qualifizierte Feststellung, keine Modellausgabe.
ISO (2007). "ISO 6520-1: Welding and Allied Processes — Classification of Geometric Imperfections in Metallic Materials."
Kontext: Das Referenz-Klassifikations- und Nummerierungssystem für Schweißnahtimperfektionen, das der in der ISO 5817 verwendeten Terminologie zugrunde liegt. Das gemeinsame Vokabular zur Zuordnung von Kandidaten-Indikationen.
ISO (2022). "ISO 17636 / ISO 17638: Non-Destructive Testing of Welds (Radiographic / Magnetic Particle)."
Kontext: Normen für die zerstörungsfreie Untersuchung von Schweißnähten. Zitiert, um die Grenze zu markieren: Die Untergrundbewertung von Schweißnähten erfordert qualifizierte NDT, die ein Oberflächen-Vision-Modell weder durchführt noch ersetzt.
ISO (2021). "ISO 9712: Non-Destructive Testing — Qualification and Certification of NDT Personnel."
Kontext: Spezifiziert die Qualifikation des Personals, das zerstörungsfreie Prüfungen durchführt und zertifiziert — der qualifizierte menschliche Prozess, von dem eine zertifizierte Feststellung abhängt.
BIPM / JCGM (2012). "International Vocabulary of Metrology (VIM) and Guide to the Expression of Uncertainty in Measurement (GUM)."
Kontext: Die Metrologie-Referenz für die zertifizierte Maßmessung und die Messunsicherheit — die Grundlage für die Unterscheidung zwischen schnellem Vision-Screening und zertifizierter Metrologie.
Bergmann, P. et al. (2019). "MVTec AD: A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection."
Kontext: IEEE/CVF CVPR. Ein weit verbreiteter Benchmark der industriellen Prüfung für die unüberwachte Detektion von Oberflächenanomalien — die kanonische Referenz für den Ansatz „Gutes lernen, Abweichungen kennzeichnen“ gegen Defektknappheit.
Hyperion Consulting (2026). "arXiv preprint 2603.08736: Autonomous Edge-Deployed AI Agents for Physical Infrastructure."
Kontext: Preprint des Hyperion-Gründers (nicht peer-reviewt) über die Architektur am Edge deployter Agenten. Die Muster für Edge-Inferenz und Echtzeit-Deployment sind direkt auf die Inline-Vision-Prüfung anwendbar.
Ob Sie bewerten, ob Ihre Defekte überhaupt detektierbar sind, oder eine vollständige Inline-Zelle planen — die frühen Entscheidungen — Beleuchtung, Optik, Präsentation, Datensatzstrategie — bestimmen den Erfolg lange bevor irgendein Modell trainiert wird. Hyperion bringt über 17 Jahre Erfahrung in Automobil und Embedded Systems sowie Produktionsarbeit in am Edge deployter KI mit, und eine ehrliche Linie dazu, was die KI-Prüfung zertifizieren kann und was nicht. Beginnen Sie mit einem Gespräch.
Gründer & Leiter KI-Strategie
Mohammed Cherifi ist der Gründer von Hyperion Consulting, mit über 17 Jahren in der Automobil- und Embedded-Systeme-Technik. Er ist auf den Einsatz von physical AI spezialisiert — und bringt operative Erfahrung aus der Renault-Nissan-Mitsubishi Alliance, von Cisco und ABB in die Computer-Vision-Prüfung, die Edge-Inferenz und die industrielle KI-Architektur ein.
Sensorgetriebene Ausfallvorhersage — die begleitende KI-Fähigkeit für die Werkshalle
Von der Simulation zur produktionsreifen Roboterautonomie, mit derselben Edge-Inferenz-Disziplin
Der 6-schichtige Physical AI Stack für Robotik, Edge-KI und industrielle Automatisierung
ISO 26262- und IEC 62443-Überlegungen für Edge-KI in industriellen Umgebungen