KI-Vision für industrielle Metrologie

3D-Präzision zum 2D-Hardwarepreis

inTens-Vision ist eine End-to-End-Plattform, die sich exklusiv auf die automatisierte Bauteilvermessung und dimensionale Maßhaltigkeit fokussiert. Wir trainieren neuronale Netze zu 100 % auf synthetischen CAD-Daten, um Bauteile per 6D Pose Estimation rein für die exakte räumliche Lokalisation zu erfassen. Die tatsächliche, unbestechliche Messung der Maßhaltigkeit (Toleranzen, Abstände, Kantenmaße) erfolgt anschließend über klassisches, subpixelgenaues Edge Tracing – hocheffizient ausgeführt auf einer NVIDIA GPU direkt im Schaltschrank.

Pilotprojekt anfragen Systemarchitektur ansehen
0
reale Trainingsbilder nötig
100 % CAD-basiert
6D
Pose Estimation
X, Y, Z + Rotation
3
Kamera-Streams parallel
2 MP Global Shutter
OTA
Flotten-Rollout
weltweit per Mausklick
Prüfpipeline live auf GPU
  1. 01 CAD-Modell
  2. 02 Synthetisches Rendering
  3. 03 6D Pose (CNN)
  4. 04 Maßhaltigkeit (Subpixel)
  5. 05 Messprotokoll / OK-NOK

OTA

Deployment

ms

Prüfzeit

0

Kalibrierung vor Ort

Hybrid-Ansatz: KI lokalisiert das Bauteil, klassische Mathematik misst es.

Systemarchitektur

End-to-End KI-Vision-Plattform in drei Kernbereichen

Zentrales Management & Training in der WebUI, Edge-Inferenz und Messtechnik auf dem Jetson, Datenhaltung und Traceability in einer modernen NoSQL-Struktur – als durchgängiger Kreislauf gedacht, nicht als Insellösung.

01 WebUI · Cloud

Zentrales Management, CAD-Datenbank & synthetisches Training

Alles beginnt am Konstruktionsdatensatz – nicht an der Produktionslinie. Die Prüfaufgabe entsteht virtuell, während die Fabrik noch aufgebaut wird.

  • STEP / IGES
  • ONNX / TensorRT
  • React Flow
  • Domain Randomization

  • CAD-Zentraldatenbank

    Zentrale Verwaltung aller 3D-CAD-Modelle (STEP/IGES) – logisch verknüpft mit den jeweils trainierten neuronalen Netzen, deren Gewichten (ONNX/TensorRT) und den zugehörigen Prüf-Konfigurationen.

  • Virtuelle Annotation (No-Code)

    Der Anwender lädt das CAD-Modell hoch und markiert per Drag-and-Drop direkt am 3D-Modell oder an gerenderten Ideal-Ansichten die zu prüfenden Features, Kanten, Bohrungen und Abstände.

  • Automatisierte synthetische Pipeline

    Ein integrierter Renderer erzeugt vollautomatisch Tausende fotorealistische Trainingsbilder aus dem CAD-Modell. Das physische Fotografieren von Bauteilen entfällt komplett.

  • Domain Randomization (Sim-to-Real)

    Beim Rendern variiert die Software automatisch Texturen, metallische Reflexionen, Bildrauschen, Schatten und wechselnde Fremdlicht-Szenarien. Das CNN wird ohne ein einziges echtes Foto robust für den Hallenalltag.

  • Visueller Pipeline-Editor

    Über ein intuitives Flow-Chart definiert der Nutzer den logischen Prüfablauf: Trigger → Pose Estimation → Messung Feature A → Toleranzprüfung → Prüfprotokoll.

02 Edge · Schaltschrank

Edge-Inferenz & hybride Messtechnik

Auf der Linie arbeiten zwei Verfahren Hand in Hand: Die KI versteht die Lage des Bauteils, die klassische Bildverarbeitung liefert das unbestechliche Maß.

  • NVIDIA GPU
  • 3 × 2 MP Global Shutter
  • Telezentrik
  • Subpixel

  • Hardware-Basis

    Kompakte NVIDIA GPU für performante Edge-Inferenz direkt im Schaltschrank – verbunden mit bis zu drei 2-Megapixel-Kameras: Global Shutter gegen Bewegungsunschärfe, telezentrische Objektive für perspektiven- und verzerrungsfreie Kanten.

  • 6D Pose Estimation (CNN)

    Das CNN ermittelt im Millisekunden-Takt die exakte dreidimensionale Lage und Orientierung des Bauteils (X, Y, Z + Rotation). Dank werkseitig hinterlegter intrinsischer Kamerakalibrierung wird die Pose direkt in metrische Daten übersetzt – das fehleranfällige Einmessen relativ zum Fließband entfällt.

  • Hybrides Edge Tracing

    Die in der WebUI definierten Prüfmerkmale werden anhand der live berechneten 6D-Pose mathematisch exakt auf das reale Kantenbild projiziert. Ein regelbasierter Kantensuch-Algorithmus tastet die Konturen subpixelgenau ab und liefert die finalen, manipulationssicheren Millimeter-Maße.

03 OT / IT-Infrastruktur

Deployment, Kommunikation & Datenhaltung

Was auf einer Linie funktioniert, läuft per Mausklick auf allen. Und jede Messung bleibt als strukturierter Datensatz erhalten.

  • OTA-Update
  • OPC UA / PROFINET / MQTT
  • NoSQL

  • Cloud-Native OTA-Deployment

    Vollautomatische Kompilierung der Pipeline inklusive Modell-Optimierung via NVIDIA TensorRT – anschließend werden Container und Modelle per OTA-Update direkt auf die Edge-Geräte in den Fabriken gepusht.

  • Linien-SPS-Kopplung

    Native OT-Schnittstellen (OPC UA, PROFINET, MQTT) auf dem Jetson übermitteln Messergebnisse – OK/NOK und Toleranzwerte – in Millisekunden an die übergeordnete Maschinensteuerung.

  • NoSQL-Datenbank & Traceability

    Strukturierte Ablage aller Messprotokolle (Zeitstempel, Artikelnummer, metrische Messwerte), verknüpft mit den komprimierten Bildausschnitten der gemessenen Konturen. Lückenlose Rückverfolgbarkeit und statistische Prozesslenkung (SPC) zur frühen Erkennung von Werkzeugverschleiß.

Wir nehmen das Sim-to-Real-Problem ernst

Der Sprung vom perfekten CAD-Rendering zum echten Bild – Kratzer im Metall, minimale Reflexionsunterschiede – ist die größte mathematische Hürde für ein CNN. Wir begegnen ihr mit konsequenter Domain Randomization: Schatten, Rauschen und Texturen werden beim Rendern extrem variiert, damit das Netz in der echten Fabrik nicht versagt.

Messen bleibt Mathematik, nicht KI-Schätzung

Die Industrie vertraut „reiner KI“ beim Messen zu Recht noch nicht. Deshalb ist unser Ansatz bewusst hybrid: Die KI übernimmt die 6D-Lageerkennung, das eigentliche Maß liefert klassisches Subpixel-Edge-Tracing. Nachvollziehbar, reproduzierbar, prüffähig.

Pipeline & Datenfluss

Vom digitalen Zwilling bis zur fertigungsnahen Edge-Inferenz.

01 STEP / IGES

CAD-Modell

Import nativer Konstruktionsdaten.

02 Domain Randomization

Synthetisches Rendering

KI-Bildgenerierung & Varianz.

03 ONNX-Export

CNN-Training

Modelloptimierung in der Cloud.

04 FP16 / INT8

TensorRT-Build

Kompilierung für NVIDIA Hardware.

05 Flotten-Deployment

OTA-Push

Sichere Verteilung auf die Edge.

06 6D Pose Estimation

Jetson-Inferenz

Echtzeit-Lageerkennung vor Ort.

07 Subpixel-Maßhaltigkeit

Edge Tracing

Präzisions-Messalgorithmen.

08 OK/NOK + Protokoll

NoSQL Datenbank

Zentralisierte Qualitätserfassung.

Vergleichsmatrix

inTens-Vision im Technologie-Vergleich

Etablierte Machine-Vision-Anbieter lassen aufgrund träger Legacy-Architekturen genau die Sollbruchstellen offen, an denen wir ansetzen. Neun Kriterien im direkten Vergleich.

Datengrundlage (Training)

inTens-Vision

100 % synthetisch (CAD)

Sofort startklar vor dem ersten realen Bauteil – durch automatisiertes Rendering inklusive Domain Randomization.

Klassische Vision-Bibliotheken · eingeschränkt
Unterstützen CAD-Import, erfordert für synthetische Daten aber komplexe manuelle Skripte und Render-Pipelines.
Etablierte Smart-Kameras · nicht verfügbar
Setzen fast ausschließlich auf echte Kamerabilder; CAD-Import für KI-Training stark limitiert.
Proprietäre Edge-Systeme · nicht verfügbar
Erfordert physisches Bildtraining direkt an der Produktionslinie; setzt das Vorhandensein realer Gut- und Schlechtteile vor Ort voraus.

Bauteil-Lokalisierung

inTens-Vision

6D Pose Estimation

Findet Teile mathematisch präzise im 3D-Raum (X, Y, Z + Rotation) – allein über eine günstige 2-MP-Kamera.

Klassische Vision-Bibliotheken · eingeschränkt
Bieten 3D-Flächen-Matching, erfordern jedoch extrem hohen Programmieraufwand und Kalibrier-Expertise.
Etablierte Smart-Kameras · nicht verfügbar
Primär klassische 2D-Ausrichtung. Echte 3D-Lageerkennung nur über teure Spezial-Hardware.
Proprietäre Edge-Systeme · nicht verfügbar
Primär 2D-Ausrichtung. Dreidimensionale Erkennung nur via integrierte Profil- oder Triangulations-Laser.

Vor-Ort-Kalibrierung

inTens-Vision

Zero-Calibration (Plug & Play)

Einmalige werkseitige Intrinsik-Hinterlegung genügt. Keine manuelle Kalibrierung relativ zur Fließband-Ebene nötig.

Klassische Vision-Bibliotheken · nicht verfügbar
Hoher Einmessaufwand vor Ort; erfordern manuelle Erstellung von Kalibrierskripten und präzise Targets.
Etablierte Smart-Kameras · nicht verfügbar
Aufwendiges Einmessen vor Ort über Kalibrierplatten zwingend erforderlich, um Pixel in mm umzurechnen.
Proprietäre Edge-Systeme · eingeschränkt
Proprietäre, aber starre Kalibrierung vor Ort; reagiert empfindlich auf spätere mechanische Anlagen-Vibrationen.

Hardware / Inferenz

inTens-Vision

NVIDIA Jetson

Extrem kompakt, kosteneffizient und dediziert für KI-Multi-Stream-Pipelines im Schaltschrank.

Klassische Vision-Bibliotheken · eingeschränkt
Industrie-PC (IPC) mit großer, teurer und stromintensiver NVIDIA-PC-GPU im Schaltschrank notwendig.
Etablierte Smart-Kameras · eingeschränkt
Proprietäre Smart-Kameras (In-Sight) oder dedizierte Windows-Vision-PCs mit hohem IT-Wartungsaufwand.
Proprietäre Edge-Systeme · nicht verfügbar
Proprietäre, komplett geschlossene Controller-Hardware mit extrem hohen Anschaffungskosten (Premium-Preise).

Multi-Kamera-Fähigkeit

inTens-Vision

Bis zu 3 Streams (2 MP)

Simultane, parallele Verarbeitung mehrerer Blickwinkel über einen einzigen, günstigen Jetson.

Klassische Vision-Bibliotheken · vergleichbar
Unbegrenzt skalierbar – erfordert jedoch entsprechend teure Framegrabber-Karten und IPC-Hardware.
Etablierte Smart-Kameras · nicht verfügbar
Nur 1 Kamera bei autonomen Smart-Kameras; mehrere Streams erfordern teure PC-basierte Lizenzen.
Proprietäre Edge-Systeme · vergleichbar
Bis zu 8 Kameras an einem einzigen Controller anschließbar.

Deployment / Flotte

inTens-Vision

Over-the-Air (OTA)

Zentrales Web-UI pusht neue Pipelines und optimierte Modelle remote per Mausklick auf alle Jetsons.

Klassische Vision-Bibliotheken · nicht verfügbar
Manuelles Kopieren von Code, Skripten und Binärdateien auf jeden einzelnen IPC vor Ort.
Etablierte Smart-Kameras · eingeschränkt
Erste Ansätze über proprietäre Plattformen (OneVision), funktional jedoch stark eingeschränkt und hardwaregebunden.
Proprietäre Edge-Systeme · nicht verfügbar
Keinerlei zentrales Flottenmanagement; Updates nur lokal an der Maschine.

Konfiguration (UI)

inTens-Vision

Web-UI mit Drag & Drop

Intuitiver React-Flow-Chart für visuelle Logik-Pipelines – bedienbar ohne Programmierkenntnisse.

Klassische Vision-Bibliotheken · nicht verfügbar
HDevelop-IDE; hochkomplexe Entwicklungsumgebung, die tiefe Programmierkenntnisse erfordert.
Etablierte Smart-Kameras · eingeschränkt
Tabellenkalkulation (Excel-Logik) oder VisionPro Designer – eine klassische Windows-Desktop-Applikation.
Proprietäre Edge-Systeme · eingeschränkt
Proprietäre Desktop-Software oder starres Klicken über ein Handbediengerät am Controller.

Datenhaltung & Traceability

inTens-Vision

Moderne NoSQL-Datenbank

Zentrales, hochflexibles Speichern strukturierter Messprotokolle – direkt verknüpft mit komprimierten Bildausschnitten.

Klassische Vision-Bibliotheken · nicht verfügbar
Keine native Datenbank; muss vom Integrator komplett selbst über SQL oder Dateipfade programmiert werden.
Etablierte Smart-Kameras · nicht verfügbar
Lokale FTP-Ablagen auf Windows-Verzeichnissen oder teure, proprietäre Zusatzdatenbanken.
Proprietäre Edge-Systeme · nicht verfügbar
Proprietäre Speicherung auf SD-Karten oder Netzlaufwerken; keine flexible NoSQL-Struktur für Big-Data-Analysen.

Active Learning (Closed Loop)

inTens-Vision

Automatisierte Feedback-Schleife

Grenzfälle an Toleranzgrenzen werden markiert und fließen automatisch zurück ins Web-UI zum Modell-Feintuning.

Klassische Vision-Bibliotheken · nicht verfügbar
Fehlt vollständig: Datensammlung und Re-Training müssen manuell als separates Softwareprojekt aufgesetzt werden.
Etablierte Smart-Kameras · nicht verfügbar
Fehlt vollständig: Datenflüsse enden an der Kamera; kein automatisierter Rückkanal für KI-Optimierung.
Proprietäre Edge-Systeme · nicht verfügbar
Fehlt vollständig: Das einmal angelernte System verharrt starr auf dem Stand der Erstinbetriebnahme.
Marktlücken

Fünf Lücken, die wir konkret schließen

Jede dieser Lücken kostet Hersteller heute Zeit, Geld oder Datenqualität. Links steht der Status quo im Markt, rechts unsere technische Antwort.

01

Die Zeitlücke

Zero-Time-to-Production durch CAD-Modelle

Die Herausforderung

Oft stehen die Produktionslinie still oder es müssen mühsam Prototypen-Teile gebaut werden, um Hunderte Bilder für das KI-Training aufzunehmen.

Unsere Lösung

Da wir rein auf synthetischen CAD-Daten trainieren, ist unsere Software einsatzbereit, bevor das erste reale Bauteil aus der Maschine fällt. Der Kunde legt die Prüfpipeline virtuell an, während die Fabrik noch aufgebaut wird – simultanes Engineering statt Wartezeit.

0 Tage

Stillstand für Datensammlung

02

Die Komplexitätslücke

Echte 3D-Lageerkennung mit 2D-Kameras

Die Herausforderung

Wenn sich komplexe Bauteile im Raum neigen oder kippen, können klassische 2D-Messfenster versagen. In der Regel wird das über extrem teure 3D-Hardware (Laser, Streifenlicht) gelöst.

Unsere Lösung

Über die 6D Pose Estimation versteht unser System allein aus dem Bild der 2-Megapixel-Kamera, wie das Bauteil im Raum gekippt ist. Virtuell annotierte Kanten werden mathematisch exakt auf die reale 3D-Lage zurückprojiziert: 3D-Intelligenz zum Preis von 2D-Hardware.

2 MP

Kamera statt 3D-Laser

03

Die Skalierungslücke

OTA & Flottenmanagement statt USB-Stick

Die Herausforderung

Das Management von Bildverarbeitungssystemen in Fabriken fühlt sich an wie IT aus dem Jahr 2005: Updates werden lokal per USB-Stick oder über starre Netzwerklaufwerke aufgespielt.

Unsere Lösung

Unsere OTA-Architektur über das Web-UI bricht diese Silos auf. Ein einziger Qualitätsingenieur in der Zentrale erstellt eine optimierte Pipeline und rollt sie per Mausklick weltweit auf 50 Jetson-Systeme in den Fabriken aus.

1 Klick

für die gesamte Flotte

04

Die Hardware-Kostenfalle

Embedded AI mit Jetson statt Premium-Controller

Die Herausforderung

Hochentwickelte spezialisierte Controller kosten schnell 20.000 € und mehr. Oft werden Industrie-PCs mit teuren NVIDIA-Grafikkarten im Schaltschrank benötigt.

Unsere Lösung

Unsere Standard Hardware ist ein extrem kosteneffizientes Powerhouse mit einem Modulpreis unter 1000 €. Dass wir damit bis zu drei 2-MP-Global-Shutter-Streams parallel verarbeiten, drückt die Hardware-Kosten massiv – und macht das System auch für den Mittelstand attraktiv.

< 1000 €

Modulpreis statt 20.000 € Controller

05

Die Datenschatz-Lücke

Moderne NoSQL-Struktur statt Windows-Ordner

Die Herausforderung

Etablierte Systeme werfen Bilddaten oft weg oder legen sie unstrukturiert in Windows-Ordnern ab. Millionen Messungen nach Mustern zu durchsuchen – „zeige alle Bilder, bei denen Maß X um mehr als 0,2 mm abwich“ – ist damit unmöglich.

Unsere Lösung

Durch das native Speichern von Messprotokollen zusammen mit den exakten Bildausschnitten in einer NoSQL-Datenbank (MongoDB, CouchDB) befähigen wir unsere Kunden zu echtem Predictive Maintenance und lückenloser Traceability.

100 %

auswertbare Messhistorie

Kern-Verkaufsargumente

Fünf USPs, die den Unterschied machen

Warum Qualitätsverantwortliche, Instandhalter und Einkauf gleichermaßen zustimmen können.

  • 01

    Zero-Time-to-Production

    Vollständige Unabhängigkeit von realen Bilddaten

    Keine Produktionsstillstände, keine Prototypen-Fotografie zum Sammeln von Trainingsdaten. Das System ist zu 100 % CAD-basiert einsatzbereit, bevor das erste echte Teil vom Band läuft.

  • 02

    3D-Präzision zum 2D-Preis

    KI-basierte 6D-Pose statt teurer 3D-Sensorik

    Die 6D Pose Estimation berechnet Lageänderungen und Verkippungen im Raum dynamisch. Das eliminiert die Notwendigkeit für teure und empfindliche 3D-Profil-Lasersensoren oder Streifenlichtprojektoren.

  • 03

    Zero-Calibration & Plug-and-Play

    MTTR gegen null im Servicefall

    Durch die Kombination aus werkseitiger Intrinsik-Hinterlegung und Live-6D-Pose entfällt das starre Einmessen der Kamera auf die Fließband-Ebene. Im Servicefall wird die Kamera ohne lokalen Kalibrieraufwand getauscht.

  • 04

    Enterprise-Flottenmanagement

    Zentrale Steuerung statt Insel-Systeme

    Keine manuelle Betreuung einzelner Industrie-PCs per USB-Stick. Neue Prüfpipelines und optimierte Modelle werden über ein zentrales Web-UI per Mausklick weltweit via OTA-Update auf alle Linien ausgerollt.

  • 05

    Maximale Akzeptanz durch Hybrid-Ansatz

    KI lokalisiert, klassische Mathematik misst

    Die perfekte Arbeitsteilung: Die KI übernimmt Lokalisierung und Verständnis des komplexen Bauteils, während die klassische Subpixel-Mathematik (Edge Tracing) die Maße unbestechlich berechnet. Das schafft sofortiges Vertrauen bei Qualitätsmanagern.

Kontakt

Machbarkeit klären – ohne ein einziges Bauteil

Weil wir rein auf CAD-Daten trainieren, können wir Ihre Prüfaufgabe bewerten, bevor Prototypen existieren. Schildern Sie uns Ihren Anwendungsfall – wir antworten innerhalb eines Werktages.

  1. 01

    CAD-Modell & Prüfmerkmale

    Sie schicken uns ein STEP/IGES-Modell und die geforderten Maße samt Toleranzen.

  2. 02

    Synthetisches Training

    Wir rendern den Datensatz, trainieren das Netz und annotieren die Messmerkmale virtuell.

  3. 03

    Machbarkeits-Report

    Sie erhalten eine belastbare Aussage zu erreichbarer Genauigkeit, Taktzeit und Hardware-Bedarf.

5000 Zeichen frei