Von der Forschung bis zur Fertigungslinie. From research to the production line.

Visuelle Defekte an Spritzgussteilen wurden erst beim Endkunden entdeckt. Dieses System erkennt sie in Echtzeit — mit DINOv3-Modell, industrieller GigE-Kamera und automatischer Teileausschleusung über Modbus TCP. Vom Prototyp bis zum 24/7-Betrieb, in einer Hand entwickelt. Visual defects on injection molded parts were only discovered at the end customer. This system detects them in real time — using a DINOv3 model, industrial GigE camera, and automatic part rejection via Modbus TCP. From prototype to 24/7 operation, developed single-handedly.

Vom Rohdatensatz bis zum deployten Modell — ein durchgängiger Training-Wizard mit automatisierter Vorverarbeitung, Region-of-Interest-Definition, Multi-Methoden-Training und Deployment-Export. Unterstützt DINOv3 und YOLO Hybrid-Ansätze für verschiedene Inspektionsaufgaben. From raw dataset to deployed model — a seamless training wizard with automated preprocessing, region-of-interest definition, multi-method training, and deployment export. Supports DINOv3 and YOLO hybrid approaches for various inspection tasks.

Komplettes Training-und-Deployment-Studio für visuelle Anomalieerkennung. Exportiert Modelle nach ONNX mit automatischer Optimierung, enthält ein Hardware-gebundenes Lizenzsystem und ein integriertes Benchmark-Framework für systematische Methodenvergleiche. Complete training and deployment studio for visual anomaly detection. Exports models to ONNX with automatic optimization, includes a hardware-bound license system, and an integrated benchmark framework for systematic method comparisons.

Systematischer Vergleich von sechs Anomalieerkennungsmethoden über fünfzehn industrielle Datensätze. Design-of-Experiments-Ansatz mit vollständiger Parametervariation — Backbones, Layer-Kombinationen, Sample-Größen. Ergebnis: Zero-Shot-Erkennung mit 100% AUROC ohne ein einziges Trainingsbild. Systematic comparison of six anomaly detection methods across fifteen industrial datasets. Design of experiments approach with complete parameter variation — backbones, layer combinations, sample sizes. Result: zero-shot detection with 100% AUROC without a single training image.

Zweistufige Pipeline: DINOv3 erkennt Anomalien, BLIP klassifiziert und beschreibt sie in natürlicher Sprache. Human-in-the-Loop-Feedback verbessert das Modell kontinuierlich. Erkennt nicht nur ob ein Defekt vorliegt, sondern erklärt auch was und wo. Two-stage pipeline: DINOv3 detects anomalies, BLIP classifies and describes them in natural language. Human-in-the-loop feedback continuously improves the model. Not only detects whether a defect exists, but also explains what and where.

Plugin für ein industrielles Vision-System, das Zero-Shot-Anomalieerkennung in bestehende Inspektionslinien integriert. Enthält einen interaktiven Heatmap-Tuner, automatische Schwellwertoptimierung und ONNX-Modellkonvertierung für maximale Inferenzgeschwindigkeit. Plugin for an industrial vision system that integrates zero-shot anomaly detection into existing inspection lines. Includes an interactive heatmap tuner, automatic threshold optimization, and ONNX model conversion for maximum inference speed.