Crunch-IS Kundenreferenzen: Software- und KI-Anwendungsfälle

Herausforderung

Auf Recycling-Förderbändern werden regelmäßig gefährliche Fremdkörper in das eingehende Material gemischt – Batterien, Gaskanister, Metallteile – die Brände, Explosionen und Geräteschäden verursachen können, wenn sie die falsche Verarbeitungsstufe erreichen.

Die manuelle Erkennung war nicht zuverlässig genug. Die Bediener konnten diese Objekte nicht immer rechtzeitig erkennen: Das Förderband bewegt sich schnell, die Sichtverhältnisse variieren und die Fehlertoleranz ist gering.

Der Kunde benötigte ein System, das gefährliche Objekte früh genug erkennt, um entweder einen automatischen Linienstopp oder eine sofortige Warnung des Bedieners auszulösen – und ein System, das sich unter realen Betriebsbedingungen bewähren konnte, bevor es in der Produktion eingesetzt wurde.

Was wir zu validieren versuchen

Dieser Auftrag war als bewusster Pilot angelegt. Vor dem Aufbau eines Produktionssystems musste der Kunde eine konkrete Frage beantworten: Kann ein KI-gestütztes Computer-Vision-Modell mit Hilfe von Industriekameras gefährliche Objekte in Echtzeit erkennen, und zwar unter den Bedingungen, die tatsächlich auf einem funktionierenden Fließband herrschen?

Drei Validierungskriterien bestimmten den Umfang des Pilotprojekts:

1. Erkennung in Echtzeit bei Produktionslatenz. Das Modell musste die Live-Videostreams schnell genug verarbeiten, um handlungsfähig zu sein.
2. Widerstandsfähigkeit gegenüber Betriebsbedingungen. Die Lösung musste mit den Variationen umgehen, die eine manuelle Erkennung unzuverlässig machen: wechselnde Beleuchtung, teilweise verdeckte Objekte und uneinheitliche Bildqualität.
3. Ein klarer Weg zur Vor-Ort-Produktion. Der Pilot wurde zuerst in der Cloud entwickelt, aber von Anfang an so konzipiert, dass er die Migration auf eine lokale Infrastruktur unterstützt – eine erfolgreiche Validierung führt also direkt zu einem Plan für den Produktionseinsatz.

Gelieferte Lösung

Wir haben eine Echtzeit-Pipeline für die Objekterkennung entwickelt, die Live-Kamerabilder aufnimmt, GPU-gestützte Inferenzen mit YOLO durchführt und jedes Erkennungsereignis durch eine ereignisgesteuerte Architektur leitet, die den Bediener benachrichtigt und ein Dashboard für die Live-Überwachung bereitstellt. Der gesamte Umfang von Phase 1 – Kameraeinrichtung und Datenerfassung, Vorbereitung der Anmerkungen, anfängliches Modelltraining, Einsatzpipeline und Feldvalidierung – wurde innerhalb von drei Monaten auf der Google Cloud Platform bereitgestellt.

Wir haben RT-DETR auch als Herausforderungsmodell neben YOLO während des Pilotprojekts bewertet, um eine solide Grundlage für die Auswahl des Produktionsmodells zu schaffen.

Neben dem Live-Erkennungssystem haben wir die Dateninfrastruktur für eine nachhaltige Modellverbesserung aufgebaut: einen strukturierten Datenerfassungsprozess, um Aufnahmen von gefährlichen Objekten unter realen Betriebsbedingungen zu machen, und einen Annotations-Workflow, um 1.000 bis 10.000 Bilder für Training und Validierung zu kennzeichnen und vorzubereiten.

Architektur und Arbeitsablauf

Die Pipeline läuft durchgängig in der Google Cloud (GKE) und wurde so konzipiert, dass jede Komponente containerisiert und für den Produktionseinsatz in die lokale Infrastruktur migriert werden kann.

1. Industriekamera → Videostream

Am Förderband montierte Industriekameras liefern einen kontinuierlichen Live-Stream des Sortiervorgangs.

2. GKE-Ingestion-Auftrag

Eine spezielle Ingestion-Komponente, die auf GKE läuft, empfängt den Videostrom und bereitet die Bilder für die Inferenz vor. Sie übernimmt die Pufferung und die Vorverarbeitungsschicht zwischen der Kamera und dem Modell.

3. GPU-Inferenz mit YOLO.

Ein GPU-gestützter Inferenzdienst führt die YOLO-Erkennung auf Einzelbildern in Echtzeit aus und erzeugt Erkennungsergebnisse, die Objekttyp, Konfidenzwert, Zeitstempel und Kamerareferenz enthalten.

4. Pub/Sub - Erkennungsereignisse

Jedes Erkennungsereignis wird in Pub/Sub veröffentlicht, wodurch die Inferenz von nachgelagerten Diensten entkoppelt wird und die Pipeline bei wachsendem Erkennungsvolumen skalierbar bleibt.

5. Benachrichtigungsdienst

Der Alerts Service abonniert den Pub/Sub-Stream, wendet konfigurierbare Erkennungsschwellen und Unterdrückungsregeln an und generiert bedienungsfertige Alarme, die das Signal aus dem Rauschen herausfiltern, ohne echte Gefahren zu übersehen.

6. Streamlit Operator Dashboard

Eine Streamlit-basierte Benutzeroberfläche, die auf GKE läuft, bietet den Bedienern Echtzeit-Alarm-Feeds und Überwachungsansichten für Erkennungsereignisse. Der Zugriff erfolgt über einen Browser im internen Netzwerk.

7. Antwort des Betreibers

Die Bediener erhalten einen sofortigen Überblick über erkannte gefährliche Objekte und können handeln – einen manuellen Linienstopp auslösen oder den Prozess anpassen – bevor das Objekt die falsche Verarbeitungsstufe erreicht.

Was der Pilot festgestellt hat

Die Kernfrage ist beantwortet

Der Pilotversuch bestätigte, dass ein KI-gestütztes Computer-Vision-Modell gefährliche Fremdkörper auf einem industriellen Förderband zuverlässig erkennen kann – unter Verwendung echter Kameraübertragungen, bei variabler Beleuchtung und mit teilweise verdeckten Objekten – und das mit einer Latenzzeit, die eine Reaktion des Bedieners unterstützt.

Eine produktionsreife Architektur

Das System wurde als produktionsreife Pipeline entwickelt und eingesetzt, nicht als Laborübung. Jede Komponente – Ingestion, Inferenz, Alarmierung, Dashboards – ist in GKE-Containern untergebracht und bereit für die Migration auf eine lokale Infrastruktur. Der Kunde verlässt Phase 1 mit einem klaren, kalkulierten Weg zur vollständigen Produktionsbereitstellung.

Operatoren mit Echtzeit-Gefahrentransparenz

Wo die Bediener früher auf eine manuelle Überwachung der Linie angewiesen waren, haben sie jetzt eine Live-Warnmeldung und ein Dashboard, das erkannte Gefahrenereignisse sofort anzeigt. Das System wurde so konzipiert, dass es als Phase 2-Erweiterung die Funktion des automatischen Stoppens von Förderbändern unterstützt.

Infrastruktur für Trainingsdaten vorhanden

Die in Phase 1 aufgebaute Datenerfassungs- und Anmerkungspipeline – strukturiert, um 1.000 bis 10.000 beschriftete Frames unter realen Betriebsbedingungen zu erfassen – ermöglicht eine kontinuierliche Verbesserung der Modellleistung, anstatt sich auf die Pilotleistung zu fixieren.

Download PDF

KI-Objekterkennung in Echtzeit für die Sicherheit von Förderbändern

Über den Kunden