Robovision

Die Browseroberfläche deckt Beschriften, Training und Schwellenwerte ab. Bildverarbeitung ohne Code heißt hier: Wer Produkt und Fehlerbild kennt, baut ein brauchbares Modell, ohne Python anzufassen. Genau darin liegt der Unterschied zwischen einem Projekt, das in der Data-Science-Warteschlange hängt, und einem, das in diesem Quartal läuft.

Robovision setzt auf Klassifizierung, Instanzsegmentierung, semantische Segmentierung und Objekterkennung, dazu die Möglichkeit, einen eigenen Algorithmus mitzubringen. Klassifizierung sagt, was im Bild ist. Instanzsegmentierung zeichnet die Umrisse jedes Objekts pixelgenau nach und löst damit den Fall sich berührender Teile. Das gewählte Verfahren bestimmt, was das Modell messen kann.

Klassifizierung und Messung laufen lokal auf einem Agenten an jeder Maschine, nicht in einem entfernten Rechenzentrum. Die Produktion läuft weiter, wenn die Verbindung kippt. In Betrieben, die keine Bilder aus dem Gebäude lassen dürfen, gibt dieser lokale Aufbau meist den Ausschlag.

Liefert ein Modell ein Ergebnis mit geringer Sicherheit, wird das Muster markiert und für die Nachprüfung protokolliert. Ein Ingenieur bestätigt die Korrektur, und das aktualisierte Rezept geht an alle angeschlossenen Maschinen zurück. Robovision nennt das Verfahren zur Drifterkennung als Patent angemeldet. Eine Korrektur, einmal angewendet, statt eines Servicebesuchs pro Linie.

Data Scientists, die nah am Code arbeiten wollen, bekommen ein Python-SDK und eine dokumentierte Spezifikation für eigene Modelle. Konfigurationen und Datensätze bleiben übertragbar. Die Rollen trennen sich sauber: Ingenieure schreiben Code, Bediener fahren die Linie, beide arbeiten auf derselben Plattform.

Maschinenbauer bringen ihr Logo, ihre Oberflächentexte und ihre Dokumentation auf jede ausgelieferte Maschine. Der Betrieb läuft als Einzelmandant auf der Infrastruktur des Kunden, wahlweise von Robovision betreut. Gedacht ist das für Hersteller, die keine Fremdmarke vor ihrem eigenen Kunden sehen wollen.