Ein Computer-Vision-Projekt von Soamee für einen Industriekunden, heute in Produktion an Montagelinien mit realen Maschinen. Eine Vertraulichkeitsvereinbarung verbietet uns, den Kunden zu nennen.
In Produktion und öffentliche Demo
Was diese Seite zeigt, ist ein Nachbau: Wir haben ihn mit einem öffentlichen Datensatz trainiert und ausgewertet. Die Bildschirme, Bilder und Kennzahlen unten stammen daher. Das System des Kunden läuft in Produktion an Montagelinien; wegen der Vertraulichkeitsvereinbarung können wir davon nichts zeigen.
Das Projekt erreicht 92 % Präzision bei den Erkennungen, und auch in den Tests des Projekts liegen die Erkennungen bei etwa 90 %. Diese Zahlen beziehen sich auf das Projekt, nicht auf den öffentlichen Benchmark der Demo; sie gibt nicht den Anteil gefundener Dellen (Recall) an.
Eine mögliche Konfiguration ist eine Karosserieprüfstation mit Förderband, Industriekameras und kontrollierter LED-Beleuchtung. Dies ist ein Beispiel für kompatible Maschinen, keine Angabe zu den Geräten des Kunden.
Die Bilder stammen aus dem Minor Dent Detection Dataset, veröffentlicht von M. D. Z. Baig und M. Kamal unter CC BY 4.0: 2.241 Fotos von Dellen, aufgenommen von den Autoren in Werkstätten, auf Parkplätzen und Straßen, überwiegend Hagelschäden.
Die Herausforderung
Die Karosserie eines Autos zu prüfen, passiert tausende Male am Tag: der Gutachter einer Versicherung, die Rückgabe eines Mietwagens, die Bewertung eines Gebrauchtwagens. Fast immer schaut ein Mensch auf das Auto oder auf ein paar Fotos, und kleine Dellen rutschen am ehesten durch, weil sie die Spiegelung im Blech kaum verändern.
Ziel des Systems ist, jede Delle auf einem Foto zu finden und mit einem Rahmen zu markieren, damit der Prüfer direkt zu den Schäden geht und keinen übersieht.
Unser Lösungsansatz
Objektdetektor
Wir sind von einem Faster R-CNN mit MobileNetV3 ausgegangen, ursprünglich auf dem COCO-Datensatz trainiert, und haben ihn mit 1.564 Dellenfotos nachtrainiert. Weitere 449 dienen dazu, die beste Version und die Konfidenzschwelle auszuwählen. Die 224 Testfotos der Autoren werden erst in der Schlussbewertung verwendet.
Mehrere Durchläufe pro Foto
Eine kleine Delle kann in einem Durchlauf übersehen werden und in einem anderen auftauchen. Deshalb wird jedes Foto zweimal analysiert, im Original und gespiegelt, und die Rahmen beider Durchläufe werden zusammengeführt. Allein dieser Schritt hebt ohne Nachtraining den AP50 im Test von 0,60 auf 0,64 und den F1 von 0,64 auf 0,69.
Abgleich mit der Realität
Im Inspektor trägt jedes Foto zwei Markierungen: gestrichelt die Delle, die die Autoren des Datensatzes markiert haben; durchgezogen die, die das Modell erkannt hat, mit seiner Konfidenz. So sieht man auf einen Blick, wann es trifft, wann ihm etwas entgeht und wann es einen Schaden sieht, den es nicht gibt. Das Dashboard ist eine vollständige Gutachter-App über die 224 Testfotos: eine Übersicht mit dem, was zuerst zu prüfen ist, die Liste der Prüfungen mit Filtern und Suche, die Detailansicht jedes Fotos, die Leistungskurve des Modells und eine Empfindlichkeitseinstellung, die alle Ansichten neu berechnet. Bei Empfindlichkeit 0,20 findet es 69,7 % der Dellen bei 58,6 % Präzision; bei 0,90 34,7 % bei 85,7 %.
Architektur
Ergebnisse des öffentlichen Benchmarks
Bewertet mit den 224 Testfotos der Autoren und 346 Dellen. Ein Treffer zählt, wenn er sich zu mindestens 50 % mit der markierten Delle überschneidet:
| Kennzahl | Test |
|---|---|
| Gefundene Dellen (Recall) | 64,2 % (222 von 346) |
| Treffer unter den Markierungen (Präzision) | 74,5 % (76 Fehlalarme) |
| AP50 | 0,64 |
| Zeit pro Foto | 86 ms auf einem Laptop |
Die Größe macht den Unterschied:
| Größe der Delle | Gefunden |
|---|---|
| Groß (über 200 px) | 66 von 79 (83,5 %) |
| Mittel (100 bis 200 px) | 92 von 135 (68,1 %) |
| Klein (unter 100 px) | 64 von 132 (48,5 %) |
Große und mittlere Dellen findet es zuverlässig. Kleine, vor allem Hageldellen in Bereichen mit Spiegelungen, sind die Schwachstelle: Jede zweite entgeht ihm. Das ist ein bekanntes Problem in der Detektion mit zwei klaren Lösungen: Fotos mit höherer Auflösung oder näher am Blech, und ein größeres, auf GPU trainiertes Modell. Das Demo-Modell wurde auf einem Laptop trainiert.
Bevor es in eine andere Umgebung geht
- Fotos aus dem echten Anwendungsfall: Handyfotos eines Gutachters sehen anders aus als Bilder aus einer Prüfkabine mit kontrolliertem Licht. Das Modell wird auf die Fotos abgestimmt, die es sehen wird.
- Weitere Schadensarten: Kratzer, kaputte Leuchten und Scheiben, abgeplatzter Lack. Jede braucht eigene gelabelte Beispiele.
- Integration: mit der Gutachter-App, dem Flottenmanagement oder dem Werkzeug, das den Reparaturkostenvoranschlag berechnet.
Tech-Stack
| Baustein | Technologie |
|---|---|
| Detektion | PyTorch, nachtrainierter Faster R-CNN MobileNetV3-FPN |
| Mehrere Durchläufe | Originalfoto und gespiegeltes Foto, gewichtete Rahmenfusion |
| Bewertung | Testfotos der Autoren, nicht im Training verwendet |
| Dashboard | Statisches HTML, Chart.js |
Fotos: Minor Dent Detection Dataset, M. D. Z. Baig und M. Kamal (2025), doi:10.5281/zenodo.16934368, CC BY 4.0.
Wie wir arbeiten
Jedes Projekt folgt unserem handwerklichen Prozess, angepasst an die spezifischen Bedürfnisse jedes Kunden.
Discovery & Anforderungen
Tiefgehende Analyse von Geschäft, Nutzern und Zielen. Ideation-Workshops, Marktforschung und MVP-Umfangsdefinition.
Design & Architektur
Wireframes, interaktive Prototypen und technische Architektur. Kundenvalidierung vor dem Schreiben von Code.
Entwicklung & Testing
2-Wochen-Sprints mit Demos. CI/CD, Code-Review und kontinuierliches Testing. Feedback in jeder Iteration.
Auslieferung & Weiterentwicklung
Produktionsbereitstellung, Monitoring und Support. Post-Launch-Metriken und Roadmap für kontinuierliche Verbesserung.