DENKblatt

Kunden können Inferenzzeiten überprüfen: Wie schnell werden meine Bilder auf meiner Hardware verarbeitet?

Es werden die Variablen Bildauflösungen und Komplexität der Netzwerke einbezogen und mit unterschiedlichen Parametern getestet.

Ist Ihre Hardware schnell genug? Finden Sie es mit dem DENKtester heraus! ⏱️

Sie nutzen oder planen den Einsatz unserer DENKnets? Dann ist es entscheidend zu wissen, ob Ihre Hardware die gewünschte Auswertungsgeschwindigkeit erreicht – oder ob ein Upgrade nötig ist. Genau dafür haben wir den DENKtester entwickelt!

Mit dem DENKtester finden Sie heraus:

✅ Wie schnell Ihre Hardware unsere verschiedenen Netze auswertet

✅ Welche Bildauflösungen & Netzwerke Ihre Systemleistung beeinflussen

✅ Ob Ihre aktuellen Komponenten ausreichen – oder ob z. B. eine neue Grafikkarte sinnvoll wäre

Am Ende erhalten Sie übersichtliche Vergleichsgrafiken aller getesteten Modelle, Bildauflösungen und Laufzeiten – für eine fundierte Entscheidung. 📊

🔍 Testen Sie jetzt, ob Ihre Hardware den Anforderungen entspricht.
Anfragen gern an support@denkweit.de.

2. Entwicklungsstufe der “rotierten Bounding Boxen”. Anwender erhalten nun auch eine Aussage über die Orientierung/Ausrichtung ihrer Objekte mit Winkel.

Für wen relevant?

Vor allem für Pick and Place Applikationen, bei der genaue Rotationsinformationen zum Greifen wichtig sind.

Gemessen wird von 0° - 180°.

• 0°: Das Objekt ist exakt nach oben (12Uhr) ausgerichtet.
• Positiver Winkel: Das Objekt ist im Uhrzeigersinn gedreht.
• Negativer Winkel: Das Objekt ist gegen den Uhrzeigersinn gedreht.

Alles, was nach rechts vom Vollkreis ausgerichtet ist, hat ein positives Vorzeichen. Alle Objekte, bei denen die Spitze links vom Vollkreis sind, haben ein negatives Vorzeichen.

Orientierte Bounding Boxen nutzen:

Setzen Sie im DENK VISION AI Hub bei der Erstellung einer Objekterkennung zwei Häkchen:

Additional Object Detection Options:

✅ Rotatable Bounding Boxes
✅ Orientation Matters

Bei Fragen können Sie unseren Kundensupport unter support@denkweit.de erreichen.

Prozessoptimierung bei Schüller Küchen mit KI-gestützter Porenerkennung

Schüller, ein traditionsreiches Unternehmen mit über 60 Jahren Erfahrung, produziert täglich 700 bis 800 Küchen für den weltweiten Markt. Um die Qualität und Effizienz weiter zu steigern, wurde die Identifikation von Bauteilen mit einer KI-gestützten Porenerkennung optimiert.

Automatisierte Bauteilzuordnung mit DENKnet

Bisher wurden Bauteile durch manuelle Vermessung identifiziert – ein zeitaufwändiger Prozess. Die neue KI-basierte Lösung ermöglicht eine präzise, automatisierte Erkennung anhand farbunabhängiger Kriterien wie Maserung und Porenstruktur. Frühere Versuche mit klassischen Algorithmen erreichten Fehlerquoten von bis zu 7%, während DENKnet eine Genauigkeit von 99,9% erzielte.

Herausforderung: Erkennung tiefschwarzer Oberflächen

Um alle Farben und Fronten zuverlässig zu unterscheiden, wurde die KI mit nur 720 Bildern trainiert und bereits erfolgreich in die Produktion integriert. Durch den Einsatz der „Classification“-Technologie konnte Schüller die Fehlerquote auf unter 0,1% reduzieren.

Nahtlose Integration in bestehende Systeme

Die Implementierung der DENK Vision AI erfolgte ohne bauliche Änderungen. Lediglich eine zusätzliche Grafikkarte wurde installiert, um die KI in Echtzeit auswerten zu lassen.

Ergebnisse: Maximale Effizienz und minimale Fehlerquote

Vorher: Externe KI mit 1% Fehlerquote – 150 Fehlzuordnungen bei 12.000 Bauteilen in 3 Tagen. Mit DENKnet: Fehlerquote von nur 0,1% – lediglich 13 Fehlzuordnungen in 3 Tagen.

Dank selbstständigem Nachtraining durch Schüller konnte die Fehlerquote noch weiter reduziert werden! Ein klarer Gewinn für Effizienz und Qualität.