KI-basierte, visuelle Qualitätsinspektion – wie die Lösung von 36ZERO Vision – nutzt einen selbstlernenden Deep Learning-Algorithmus, der echte Defektmuster pixelgenau erlernt und klassifiziert. Regelbasierte Systeme arbeiten mit vordefinierten Schwellwerten und Statistiken, bei denen jede Abweichung vom ‚Golden Sample‘ als Fehler gewertet wird – was zu erhöhten Pseudofehlerquoten führen kann. 36ZERO Vision unterscheidet Gutteile zuverlässig von echten Defekten und erreicht in der Industrie eine bis zu 31-fach höhere Erkennungsgenauigkeit bei bekannten Fehlertypen. Der entscheidende operative Vorteil: Die Deep Learning-Plattform passt sich mit typischerweise 5–20 Trainingsbildern an neue Produktvarianten oder Fehlerbilder an, während regelbasierte Systeme bei Wechseln eine aufwendige Neuprogrammierung durch Machine-Vision-Spezialisten erfordern.

Die No-Code Plattform von 36ZERO Vision kombiniert zwei komplementäre Erkennungsansätze: Supervised Deep Learning für die präzise Klassifizierung bekannter Fehlertypen – mit einer bis zu 31-fach höheren Erkennungsgenauigkeit – sowie unüberwachte Anomalieerkennung für unbekannte Defekte, die noch nie im Training gesehen wurden. Diese Hybrid-Lösung ist besonders wertvoll in der automatisierten optischen Inspektion (AOI), wenn im laufenden Serienbetrieb neue, bisher unbekannte Fehlerbilder auftreten, etwa durch Werkzeugverschleiß oder Materialchargenänderungen. Das Human-in-the-loop-Feedbacksystem nutzt die Korrekturen des Qualitätspersonals zur kontinuierlichen Modellverbesserung, sodass die Plattform im Betrieb flexibel bleibt. Die Plattform deckt damit sowohl die stabile Serienprüfung bekannter Fehler als auch die Früherkennung neuer Qualitätsabweichungen ab.

Für ein produktionsreifes KI-Prüfmodell mit 36ZERO Vision genügen typischerweise 5–20 markierte Trainingsbilder pro Fehlertyp – bis zu 20-mal weniger als bei vergleichbaren Computer-Vision-Lösungen und klassischen AOI-Systemen. Optional können CAD-Konstruktionsdaten als Trainingsbasis verwendet oder synthetische Fehler erzeugt werden, was die Bildaufnahme in der Produktion weiter reduziert – besonders wertvoll bei Neuprodukten ohne vorhandene Fehlerbilder. Das initiale Modelltraining dauert etwa 2 Stunden; ein erstes produktives Prüfmodell ist nach einem rund 45-minütigen Onboarding einsatzbereit. Das Training selbst findet auf der Cloud-Plattform statt, der fertige Deep Learning-Algorithmus wird anschließend als Edge-Modell lokal in die Produktionslinie ausgerollt – ohne permanente Internetverbindung im laufenden Betrieb.

Nein. 36ZERO Vision ist als No-Code Self-Service Plattform konzipiert, die ohne Programmier- oder KI-Kenntnisse vollständig bedienbar ist. Qualitätsmitarbeiter können KI-Prüfmodelle eigenständig trainieren, validieren und auf neue Produktlinien oder Fehlertypen anpassen, indem sie Beispielbilder in der webbasierten Oberfläche hochladen und annotieren. Dadurch entfällt die Abhängigkeit von externen Machine-Vision-Experten bei jedem Produkt- oder Variantenwechsel. 36ZERO Vision macht leistungsstarke Deep Learning-basierte, visuelle Qualitätsinspektion für produzierende Unternehmen jeder Größenklasse zugänglich – ganz ohne proprietäre Entwicklungsumgebungen oder Spezialwissen.

Der Standard ist eine hybride Cloud-Edge-Architektur: Das Training und die Verwaltung der KI-Modelle erfolgen auf der 36ZERO Vision Cloud-Plattform (gehostet von Microsoft Azure in Frankfurt), während die eigentliche Echtzeit-Inspektion vollständig lokal im 36ZERO Vision Edge-Client auf einem Industrie-PC läuft – ohne dauerhafte Internetverbindung. Die Bildauswertung erfolgt so autark in unter 20 Millisekunden, schnell genug für high-speed Fertigungsprozesse. Diese Hybrid-Architektur verbindet die Einfachheit cloudbasierter Modellverwaltung mit den Datensicherheits- und Latenzvorteilen einer on-edge KI-Lösung. Für Industrien, die ein vollständig on-premise Modelltraining erfordern, bietet 36ZERO Vision ebenfalls eine entsprechende Speziallösung an, beispielsweise in Zusammenarbeit mit dem Partner DELL.