Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
47 2025 www markttechnik de 35 Vision AI ist keine Lösung die man einfach anschließt und sofort nutzen kann Der Grund liegt in der hohen Abhängigkeit von Daten Prozessen und Umgebungsbedingungen Die Technologie muss immer individuell auf die jeweilige Anwendung abgestimmt werden und das macht sie komplex Zunächst braucht es eine stabile technische Basis geeignete Kameras saubere Beleuchtung verlässliche Netzwerke und ausreichend Rechenleistung Gleichzeitig müssen Datenqualität Modelltraining und Produktionsrealität präzise zusammenspielen Hinzu kommt die organisatorische Seite Vision-AI-Projekte erfordern interdisziplinäre Zusammenarbeit zwischen IT Produktion Qualitätsmanagement und KI-Spezialisten Nur so lassen sich Modelle entwickeln die nicht nur theoretisch funktionieren sondern sich im Alltag bewähren Im Wesentlichen handelt es sich bei Vision AI nicht um ein Produkt »von der Stange« sondern um eine maßgeschneiderte Lösung die technische Präzision domänenspezifisches Wissen und ein klares Projektmanagement erfordert Was sind die wichtigsten Voraussetzungen damit Unternehmen in der Praxis von Vision AI profitieren? Damit Vision AI echten Mehrwert liefert müssen mehrere Voraussetzungen erfüllt sein – technisch organisatorisch und strategisch An erster Stelle steht die Datenqualität Nur scharfe gut ausgeleuchtete und konsistente Bilddaten ermöglichen verlässliche Ergebnisse Je nach Anwendung können 3D-Wärmeoder Multispektralkameras zusätzliche Informationen liefern Die zweite Säule ist die richtige Rechenarchitektur Echtzeitprüfungen erfordern Rechenleistung direkt an der Linie Edge Computing während übergreifende Analysen in der Cloud sinnvoll sind Eine hybride Kombination aus beiden Ansätzen ist oft optimal Drittens kommt es auf ein schrittweises Vorgehen an Unternehmen sollten mit einem klar definierten Use Case starten daraus Erfahrungen gewinnen und die Lösung anschließend skalieren Und schließlich ist die Einbindung der Mitarbeitenden entscheidend Wenn Fachabteilungen und KI-Teams eng zusammenarbeiten steigt nicht nur die Akzeptanz sondern auch die Qualität der Modelle So wird Vision AI von einer technischen Innovation zu einem echten Produktivitätsmotor Können Sie ein konkretes Beispiel nennen wie Vision AI in der Industrie heutzutage eingesetzt wird? Ein anschauliches Beispiel ist die Produktion von Tiefkühl-Pizze Hier prüft Vision AI jedes Produkt in Echtzeit Das System erkennt wenn Salamischeiben verrutscht sind Käse ungleichmäßig verteilt ist oder Zutaten fehlen Selbst kleinste Farbunterschiede die auf falsche Backzeiten oder feuchte Rohstoffe hindeuten werden erkannt So lassen sich fehlerhafte Produkte sofort aussortieren oder Prozesse anpassen bevor Ausschuss entsteht Die Vorteile liegen auf der Hand konstante Produktqualität reibungslose Abläufe und weniger Ressourcenverbrauch Außerdem liefern die gesammelten Daten wertvolle Erkenntnisse für langfristige Prozessverbesserungen Vision AI ersetzt also nicht nur die Sichtkontrolle sondern macht sie intelligent Welche Bedeutung hat Vision AI für die Lagerlogistik der Unternehmen? In der Logistik ist Vision AI ein Schlüssel zu mehr Effizienz und Sicherheit Autonome Flurförderzeuge nutzen Kameras um ihre Umgebung zu erfassen Hindernisse zu erkennen und Routen flexibel anzupassen Dadurch können sie sicher navigieren auch wenn sich die Umgebung verändert Gleichzeitig analysiert das System Paletten Etiketten und Lagerplätze Es erkennt ob eine Palette beladen oder leer ist ob Verpackungen beschädigt sind oder wo sich freie Stellplätze befinden So behalten Unternehmen ihre Warenströme besser im Blick vermeiden Stillstände und reagieren schneller auf Engpässe Dies ist ein entscheidender Vorteil in Zeiten knapper Personalressourcen Wie wird sich Vision AI in den nächsten Jahren weiterentwickeln? Die nächsten Schritte sind klar erkennbar Besonders spannend sind neue Lernverfahren die den Trainingsaufwand reduzieren Beim Transfer Learning lernt die KI aus bestehenden Datensätzen und kann ihr Wissen auf neue Aufgaben übertragen Self-Supervised Learning geht noch weiter denn hier lernt die KI aus unbeschrifteten Bildern und benötigt nur wenige gelabelte Daten für präzise Ergebnisse Gleichzeitig werden offene Standards und Schnittstellen wichtiger um Systeme verschiedener Hersteller zu integrieren Formate wie der Datenaustausch-Standard OPC UA oder ONNX Open Neural Network Exchange fördern diese Interoperabilität Und schließlich nimmt die Sensorfusion an Bedeutung zu Wenn Bilddaten mit Temperatur-Kraftoder Akustikinformationen kombiniert werden entstehen noch robustere und vielseitigere Systeme Kurz gesagt Vision AI wird intelligenter anpassungsfähiger und vernetzter – und damit zu einem zentralen Baustein der industriellen Zukunft Die Fragen stellte Andreas Knoll Dr Janine Müller BTC „ Vision AI wird intelligenter anpassungsfähiger und vernetzter “ Vision AI hilft Autonomous Mobile Robots AMR in der Logistik die richtige Stelle anzusteuern Bild BTC AG Fotogrin shutterstock com