Ultralytics YOLO: Sichtprüfung in der Fertigung per Bilderkennung
Wiederkehrende Sichtprüfungen binden in vielen Fertigungsbetrieben Prüfpersonal, das nach Kratzern, Fehllagen oder fehlenden Bauteilen sucht. Mit Ultralytics YOLO lässt sich ein Erkennungsmodell auf eigenen Prüfbildern trainieren und auf einem Arbeitsplatz-PC mit handelsüblicher Grafikkarte betreiben. Qualitätssicherung, Instandhaltung und Produktionsleitung setzen im Training ein Prüfmerkmal aus ihrem Werk um, vergleichen die Treffer mit der Prüfung durch Menschen und klären Lizenz, Ausschussverantwortung und Pflegeaufwand.
- Dauer1 Tag
- OrtBei Ihnen vor Ort oder live-online
- TeilnehmendeNur Ihr Team, keine offenen Termine
- BereichKI-Werkzeuge, Industrie & Produktion, Qualität, Sicherheit & Compliance
Für wen
Qualitätssicherung, Instandhaltung und Produktionsleitung in Fertigungsbetrieben, in denen Teile regelmäßig per Sichtprüfung kontrolliert werden.
KI-Tool-Training · 1 Tag
Ein Erkennungsmodell auf eigenen Prüfbildern trainieren und gegen die Sichtprüfung testen
Das nehmen Sie mit
- Ultralytics YOLO, lauffähig installiert auf einem PC mit Consumer-Grafikkarte
- Ein erstes, auf Ihren Bildern nachtrainiertes Modell für ein Prüfmerkmal aus Ihrer Fertigung
- Sicherheit beim Lesen von Trefferquote, Fehlalarmen und Grenzwert
- Klarheit über Lizenzlage, Ausschussverantwortung, Pflegeaufwand und Betriebskosten
Ablauf
- Teil 1
Einheit 1 – Eignung: Was Objekterkennung an der Prüfstation kann
- Ultralytics YOLO auf einem Arbeitsplatz-PC mit Consumer-Grafikkarte installieren und starten
- Was Objekterkennung bei Kratzern, Fehllagen oder fehlenden Bauteilen findet und woran sie scheitert
- Lizenzbedingungen von Ultralytics YOLO und ihre Konsequenzen für die Nutzung in einem Gewerbebetrieb
- Abgrenzung zu Sprachmodellen: YOLO sucht Muster in Ihren eigenen Prüfbildern und wertet sie aus
- Teil 2
Einheit 2 – Modellarbeit: Vom vortrainierten Netz zu eigenen Fehlerklassen
- Ein vortrainiertes Modell auf Fotos von der Linie anwenden und seine Treffer einschätzen
- Eigene Aufnahmen mit Rahmen für jede Fehlerklasse markieren und das Modell damit weitertrainieren
- Kennzahlen deuten: Trefferquote, Fehlalarme und die Schwelle, ab der ein Teil als auffällig gilt
- Übung: Modell starten, eine Handvoll Prüfbilder markieren und einen kurzen Trainingslauf auswerten
- Teil 3
Einheit 3 – Prüffall: Ein Merkmal aus Ihrem Werk wird automatisch erkannt
- Ein reales Prüfmerkmal, etwa ein fehlender Clip oder ein Lackeinschluss, wird als Modell umgesetzt
- Das trainierte Modell an Aufnahmen erproben, die beim Training nicht dabei waren
- Treffer und Fehlalarme dem Urteil der Prüferinnen und Prüfer an der Station gegenüberstellen
- Übung: Aus Ihren Beispielbildern entsteht ein erstes Erkennungsmodell für diesen Prüffall
- Teil 4
Einheit 4 – Risiken und Kosten: Ausschuss, Pflege, Pflichten, Ausstieg
- Wer die Verantwortung trägt, wenn das Modell Teile selbsttätig als Ausschuss aussortiert
- Nachtraining bei neuen Varianten, geänderten Oberflächen oder anderem Licht als Daueraufwand einplanen
- Einstufung nach KI-Verordnung, Personen auf Kamerabildern im Datenschutz, Mitsprache bei Linienkameras
- Was der Betrieb Monat für Monat aufwendet und wie die Rückkehr zur rein manuellen Prüfung aussähe
- Teil 5
Einheit 5 – Werksroutine: Zuständigkeit, Bildregeln, nächstes Prüfmerkmal
- Festlegen, wer im Werk Modelle, Trainingsbilder und Schwellenwerte betreut
- Markierregeln, Klassennamen und Ordnerstruktur für Prüfbilder als gemeinsamen Standard sichern
- Warnsignale: Fehlalarme halten die Linie auf oder Fehlerbilder sind zu selten für ein Training
- Das nächste Prüfmerkmal wählen und den Aufwand für Bildaufnahme und Markieren abschätzen
VoraussetzungenEin PC, dessen Consumer-Grafikkarte rund 8 GB Grafikspeicher oder mehr bietet, sowie eigene Beispielbilder aus der Prüfung. Python-Grundwissen erleichtert den Einstieg.
AbschlussTeilnahmezertifikat und digitales Badge