Die Herausforderung der Produktionsqualität
Die Qualitätssicherung hat traditionell auf menschlichen Inspektoren angewiesen – langsam, unzuverlässig und teuer. Unser Kunde verbrachte jährlich 2,4 Millionen US-Dollar mit der manuellen Inspektion und hatte eine Defektfluchtquote von 3,5%.
Systemarchitektur
Hardware-Setup
- Kameras: 4 hochauflösende industrielle Kameras (5MP) mit GigE-Vision-Schnittstelle
- Beleuchtung: Strukturierte LED-Beleuchtung, um Oberflächenfehler hervorzuheben
- Edge Computing: NVIDIA Jetson Xavier NX für Echtzeit-Vorhersagen an der Produktionslinie
Software-Stack
| Komponente | Technologie |
|---|---|
| Bildaufnahme | GigE-Vision-SDK |
| Detection-Modell | YOLOv8 Anpassungstraining |
| Inferenz-Server | NVIDIA Triton |
| Dashboard | React + WebSocket Echtzeit |
| Datenpipeline | Apache Kafka + Spark |
Modelltrainingspipeline
Wir sammelten über 50.000 etikettierte Bilder von Defekten über 3 Monate. Das YOLOv8-Modell wurde auf unserem eigenen Datensatz mit aggressiver Datenverstärkung feinjustiert.
von ultralytics import YOLO
modell = YOLO("yolov8x.pt")
ergebnisse = modell.train(
data="defect_dataset.yaml",
epochs=100,
imgsz=640,
batch=16,
augment=True
)
modell.export(format="engine", half=True)Ergebnisse
- Genauigkeit der Defektentdeckung: 99,2% (von 96,5% menschlich)
- Inspektionsgeschwindigkeit: 200ms pro Teil (gegenüber 15 Sekunden manuell)
- Kostensenkung: 60% jährliche Ersparnis
- Erzielte Rendite: 8 Monate
