Ich baue eine KI-Defekterkennung und Anomalieerkennung für die Produktinspektion auf


Über diesen Service
Automatische Übersetzung
Produkte mit bloßem Auge zu defectief zu erkennen, ist langsam und unzuverlässig. Ich erstelle KI-basierte visuelle Inspektionsmodelle, die Kratzer, Risse, Dellen, fehlende Teile, Flecken und Fehldrucke automatisch erkennen.
Der Hauptunterschied: Du brauchst KEINE Hunderte von Defektfotos. Mit Anomalieerkennung (PatchCore, PaDiM, FastFlow über Anomalib) lernt das Modell, wie ein GUTES Produkt aussieht, schon aus 50–200 normalen Bildern, und markiert dann alles Ungewöhnliche und hebt hervor, wo.
Du erhältst:
- Ein trainiertes Anomalieerkennungsmodell für dein Produkt
- Defekt-Heatmaps und Pass/Fail-Entscheidung mit einstellbarem Schwellenwert
- Bewertungsbericht (AUROC, Recall, False-Alarm-Rate)
- Python-Inferenzskript (Bilder, Ordner, Live-Kamera)
- Exportiertes Modell (ONNX / OpenVINO) bei höheren Paketen
- Demo-Video mit deinen Mustern
Ideal für: Leiterplatten und Elektronik, 3D-Druck, Textilien, Metallteile, Verpackung, Flaschen, Lebensmittel, Fliesen, Holz.
Tools: Python, PyTorch, Anomalib, OpenCV, ONNX.
Schreib mir zuerst 5–10 Musterfotos und ich sage dir ehrlich, ob es machbar ist. Ergebnisse hängen von der Bildqualität ab. Demo-Bilder: VisA-Datensatz (CC BY 4.0).
Lerne Muhammad Kaif kennen
Clean Code, Smart Solutions
- AusPakistan
- Mitglied seitOkt. 2024
- ⌀ Antwortzeit7 Stunden
- Letzte Lieferung2 Wochen
Sprachen
Urdu, Englisch, Deutsch
Automatische Übersetzung
Mein Portfolio
FAQ
Automatische Übersetzung
Q1: Wieviele Bilder benötige ich?
A: Für normale (gute) Produkte reichen in der Regel 50–200 Bilder aus, um zu starten. Mehr Bilder machen das Modell stabiler.
Q2: Brauche ich Fotos von defekten Produkten?
A: Nein, das ist der Hauptvorteil der Anomalieerkennung. Einige Defekt-Muster (5–20) helfen mir, die Genauigkeit zu messen und den Schwellenwert festzulegen.
Q3: Welche Bildqualität benötige ich?
A: Konstante Beleuchtung, gleicher Kamerawinkel und -abstand sind am wichtigsten. Nach deiner Bestellung sende ich dir eine kurze Aufnahmeanleitung.
Q4: Welche Defekte kann es erkennen?
A: Kratzer, Flecken, Risse, fehlende oder falsch platzierte Teile sowie Textur- oder Farbundartenunregelmäßigkeiten. Sehr kleine Defekte benötigen eine höhere Auflösung der Bilder.
Q5: Läuft es in Echtzeit auf einer Produktionslinie?
A: Ja, auf einer GPU oder einem modernen CPU mit einem leichten Modell. Die Geschwindigkeit hängt von Auflösung und Hardware ab; ich gebe dir eine Einschätzung für dein Setup.
Q6: Kannst du eine 100%-Genauigkeit garantieren?
A: Nein. Du erhältst einen vollständigen Metrikbericht mit False-Alarm- und Fehldefekt-Raten, und ich sage dir im Vorfeld, falls der Auftrag nicht machbar ist.
Frage 7: Bleiben meine Daten privat?
A: Ja. Deine Bilder werden ausschließlich für dein Projekt verwendet und niemals weitergegeben. Gerne unterschreibe ich eine NDA.
Q8: Was bekommst du bei der Lieferung?
A: Trainiertes Modell, Defekt-Heatmaps, Inferenzskript, Evaluationsbericht und eine kurze README. Höhere Pakete beinhalten ONNX-Export und eine Demo-App.

