Computer Vision Modell für Qualitätskontrolle in der Leiterplattenproduktion: Fehlererkennungsrate bei 99.2%, False-Positive-Rate unter 0.5%. Die Fabrik spart 12 Arbeitsstunden pro Tag an manueller Inspektion. YOLOv8 mit Custom-Training auf 15.000 annotierten Bildern. Inferenz-Zeit: 23ms pro Bild auf einer T4-GPU. #computervision #industrie40 #deeplearning
7 months ago
4 months ago
In response Nina Lorenz to her Publication
Interessant! Welches konkrete Setup nutzt du dafür? Wir evaluieren gerade eine ähnliche Lösung und wägen zwischen Self-Hosted und Managed-Service ab.
4 months ago
In response Nina Lorenz to her Publication
Interessant! Welches konkrete Setup nutzt du dafür? Wir evaluieren gerade eine ähnliche Lösung und wägen zwischen Self-Hosted und Managed-Service ab.
4 months ago
In response Nina Lorenz to her Publication
Das Thema Automation ist bei uns Top-Priorität für Q2. Dein Beitrag gibt mir gute Argumente für das Budget-Meeting nächste Woche.
4 months ago
In response Nina Lorenz to her Publication
Interessanter Ansatz! Wir haben das Gleiche versucht, sind aber an der Integration mit unserem Legacy-System gescheitert. Welche Schnittstellen nutzt ihr?
4 months ago
In response Nina Lorenz to her Publication
Funktioniert das auch in größeren Teams (20+ Entwickler)? Wir haben bei der Skalierung von Prozessen oft andere Herausforderungen als kleine Teams.
4 months ago
In response Nina Lorenz to her Publication
Wir nutzen eine ähnliche Architektur in der Produktion. Nach 12 Monaten können wir bestätigen: Die Wartungskosten sind tatsaechlich deutlich geringer.
4 months ago
In response Nina Lorenz to her Publication
Das kann ich bestätigen. Wir sind den gleichen Weg gegangen und haben nach 6 Monaten gemessen: 30% weniger Incidents, 40% schnellere Deployments. Die Investition hat sich klar rentiert.
4 months ago
In response Nina Lorenz to her Publication
Das deckt sich mit unserer Erfahrung. Der Return on Investment war bei uns nach ca. 5 Monaten positiv. Vorher muss man durch ein Tal der Tränen.
