Defect Creator Studio

Problem, das es löst: Sie benötigen Trainingsdaten für seltene Defekte, aber das natürliche Auftreten dieser Defekte abzuwarten, dauert Wochen oder Monate.

Funktion: Erzeugt fotorealistische synthetische Defektbilder aus einem einzigen Gutbild und einer Beschreibung in einfachem Englisch. Laden Sie ein Gutteil hoch, markieren Sie, wo der Defekt erscheinen soll, beschreiben Sie ihn („haarfeiner Riss entlang der Schweißnaht") und erhalten Sie in Sekunden Dutzende realistischer Trainingsbilder.

Erste Schritte

1. Laden Sie ein sauberes, gut ausgeleuchtetes Bild Ihres Teils hoch. Per Drag-and-Drop in die Arbeitsfläche ziehen oder auf Browse Files klicken. Das Tool unterstützt Auflösungen bis 8K, und alle Bilder werden lokal in Ihrem Browser gespeichert.
2. Wählen Sie Ihr Kameraziel. Wechseln Sie zwischen OV10i/OV20i (1408 x 1080, Seitenverhältnis 4:3) und OV80i (3840 x 2160, 16:9). Diese entsprechen der tatsächlichen Sensorausgabe der OV-Kameras. Wenn Ihr Bild größer ist, skaliert das Tool automatisch herunter. Stimmt das Seitenverhältnis nicht überein, ermöglicht ein Zuschneide-Overlay die Auswahl des beizubehaltenden Bereichs.
3. Wählen Sie einen Defekttyp aus. Nach dem Hochladen analysiert die AI das Material, die Form und die Oberflächenbeschaffenheit Ihres Teils und schlägt anschließend passende Defekttypen vor. 16 integrierte Defekttypen sind verfügbar: Scratch, Dent, Chip, Stain, Crack, Corrosion, Porosity, Weld Defect, Discoloration, Burr, Delamination, Warping, Contamination, Missing Material, Inclusion und Oxidation. Sie können auch Custom Defects mit eigenen Beschreibungen hinzufügen.
4. Markieren Sie den Defektbereich. Verwenden Sie die Annotationswerkzeuge, um präzise zu zeichnen, wo der Defekt im Bild erscheinen soll.
5. Generieren. Klicken Sie auf die violette Schaltfläche Generate. Die AI erzeugt einen fotorealistischen Defekt innerhalb des markierten Bereichs.

Annotationswerkzeuge

Die linke Symbolleiste bietet sieben Werkzeuge für die präzise Defektplatzierung:

Tastenkürzel	Werkzeug	Am besten geeignet für
C	Circle Marker	Runde oder punktförmige Defekte wie Pittings, Blasen, lokale Verfärbungen
M	Rectangle Select	Bandförmige Muster wie Kratzer entlang einer Kante oder Verformungen auf Plattenebene
L	Lasso	Unregelmäßige oder organische Formen wie Risse, Verschmutzungen, komplexe Bruchmuster
G	Move/Resize	Verschieben und Größenänderung von Annotationen nach dem Zeichnen
E	Eraser	Entfernen von Annotationen
H	Pan	Navigation im Bild (auch temporär verfügbar durch Halten der Leertaste)
Z	Zoom	Vergrößerung bis 800 % für pixelgenaue Präzision

Weitere Tastenkürzel: Strg+Z zum Rückgängigmachen, Strg+Umschalt+Z zum Wiederherstellen, Entf zum Löschen der letzten Annotation.

Annotationswerkzeugleiste

Defekttyp-Panel mit Kameraauswahl und Generate-Schaltfläche

Enge Regionen liefern bessere Ergebnisse

Betrachten Sie jede Annotation als präzises Anweisungsfenster. Die AI erzeugt Defekte ausschließlich innerhalb Ihrer Auswahl. Liegt Ihre Region eng um die vorgesehene Defektzone, kann sich das Modell präzise fokussieren. Lose Regionen, die nicht zugehörigen Hintergrund einschließen, können dazu führen, dass das Modell den Defekteinfluss über zusätzliche Bereiche verteilt.

Verfassen wirkungsvoller Fehlerbeschreibungen

Die KI interpretiert den Fehlernamen als Anweisung in natürlicher Sprache. Spezifität ist entscheidend.

Qualität	Beispiel	Begründung
Gut	"Leichte horizontale transparente Kratzer auf glänzendem Kunststoff"	Enthält Morphologie, Richtung, Oberflächentyp und visuelles Verhalten
Gut	"Feiner radialer Riss nahe geformter Ecke"	Konkret bezüglich Form, Position und Materialkontext
Schlecht	"Kratzer"	Zu vage, damit das Modell brauchbare Ergebnisse liefert
Schlecht	"Beschädigung"	Keine Morphologie, kein Oberflächenkontext

Beginnen Sie zunächst mit den von der KI vorgeschlagenen Fehlertypen. Diese erscheinen in der UI kurz, sind intern jedoch jeweils mit einer reichhaltigeren semantischen Beschreibung verknüpft, die dem Modell hilft, präzise Ergebnisse zu erzeugen. Fügen Sie nur dann einen benutzerdefinierten Fehler hinzu, wenn Ihr Ziel nicht durch die Vorschläge abgedeckt ist.

Capture from Image (Referenzfehler)

Eines der leistungsstärksten Features. Verwenden Sie Browse & Capture, um ein hochgeladenes Bild auszuwählen, einen realen Fehlerbereich zu markieren und ihn als wiederverwendbare Referenzvorlage zu speichern. Dadurch können Sie einen realen Fehler von einem Bild auf andere Bilder übertragen.

• Die Benennung ist entscheidend. Der Bildausschnitt enthält sowohl den Fehler als auch den umgebenden Hintergrund. Die KI verwendet Ihren Namen, um zu verstehen, welcher Teil der eigentliche Fehler ist. "Verbogener Pin am Steckverbinder" bietet dem Modell einen semantischen Anker, während "Fehler" zu Rätselraten führt.
• Übertragungsszenarien: Dasselbe Teil in einer anderen Position, ähnliche Teile auf derselben Linie oder sogar unterschiedliche Fertigungslinien, sofern das Fehlerkonzept weiterhin sinnvoll ist (z. B. lässt sich ein Kratzer auf einem Kunststoffgehäuse gut auf ein anderes Kunststoffgehäuse übertragen).
• Schieberegler für Severity, Rotation und Size (nur bei Referenzfehlern): Ohne Variation wäre jeder übertragene Fehler eine exakte Kopie. Rotation ändert Winkel und Ausrichtung. Size steuert die räumliche Ausdehnung. Severity steuert, wie visuell auffällig der Fehler erscheint.

Severity-Steuerung

Der Severity-Schieberegler steuert, wie visuell auffällig der Fehler erscheint. Der Standardwert ist bewusst dezent, da die meisten realen Fertigungsfehler subtil sind. Selbst bei 50 % bleiben die Fehler recht schwach erkennbar. Bei 1 % sind Fehler für Menschen nahezu unsichtbar, aber OV-Vision-Kameras können sie dennoch erkennen. Dies ist einer der zentralen Vorteile der Machine Vision: Die Kamera ermüdet nie und kann Muster unterhalb der Schwelle der menschlichen Wahrnehmung erfassen.

Style Variations Mode

Befindet sich neben der Schaltfläche Change Image. Nach dem Hochladen eines Bildes analysiert die KI den Teiletyp und schlägt in der Fertigung übliche Stilmodifikationen vor, wie z. B. die Änderung eines Metallfinishs von gebürstet auf poliert, einen Wechsel der Kunststofffarbe oder eine andere Beschichtungsart. Sie können auch eigene benutzerdefinierte Stilvarianten hinzufügen.

Zwei gültige Abläufe:

• Zuerst restylen, dann Fehler hinzufügen. Nützlich zur Generierung von Trainingsdaten für eine neue Produktlinie oder Farbvariante, bevor diese physisch existiert.
• Zuerst Fehler hinzufügen, dann restylen. Sehen Sie, wie derselbe Fehler über Material-, Finish- und Farbvarianten hinweg aussieht.

Teilegeometrie, Ausrichtung, Layout und Komposition bleiben identisch. Nur das gezielt adressierte Stilattribut ändert sich. Dies ist besonders wertvoll, da der Fehlerkontext (Position, Form, Severity) über die Varianten hinweg stabil bleibt, sodass Ihr Modell lernt, den Fehler selbst zu erkennen und nicht eine spezifische Kombination aus Fehler und Oberflächenerscheinung.

Regionsgrenzen

• Bis zu 9 normale Defektregionen (integriert oder benutzerdefiniert textbasiert)
• Bis zu 4 Defekte über Referenzbild-Übertragung
• Weniger Regionen liefern in der Regel sauberere Ergebnisse. Beginnen Sie mit einer präzisen Region, prüfen Sie die Qualität und fügen Sie schrittweise weitere hinzu.

Warteschlange und Durchsatz

Das Studio führt bis zu 3 Generierungen parallel aus. Weitere Anfragen werden automatisch in die Warteschlange gestellt und ausgeführt, sobald Slots verfügbar werden. Nutzen Sie 3er-Bursts für schnelle A/B/C-Vergleiche: Reichen Sie dieselbe Konfiguration dreimal ein, vergleichen Sie die Ergebnisse nebeneinander und wählen Sie das beste Ergebnis. Für hohe Volumina stellen Sie 10 oder mehr Jobs in die Warteschlange und arbeiten in der Zwischenzeit an anderen Aufgaben.

Compare, Library und Downloads

• Compare: Wechseln Sie zwischen dem Basisbild und dem generierten Bild. Bei subtilen Defekten funktioniert schnelles Umschalten/Flicker-Style am besten. Das menschliche visuelle System erkennt Veränderungen durch Bewegung weitaus besser als durch statischen Nebeneinandervergleich.
• Image Library: Das untere Tray bietet einen scrollbaren Filmstreifen für schnelle visuelle Sichtung. Die erweiterte Ansicht bietet zusätzlich vollständiges Dataset-Management: Suchen, Sortieren, Mehrfachauswahl (Strg/Umschalt-Klick), Herunterladen einzelner Bilder, Erstellen von ZIP-Archiven für Training-Pipelines und Löschen.
• Annotation-Persistenz: Beim Wechsel zwischen Bildern werden alle Annotationen automatisch gespeichert und wiederhergestellt. Navigieren Sie zu einem anderen Bild und kehren Sie zurück – alle Regionen befinden sich exakt dort, wo Sie sie verlassen haben.

Empfohlener Workflow

1. Laden Sie ein sauberes Basisbild hoch und stellen Sie sicher, dass es zur OV10i-Bildgröße (1408 x 1080) passt. Gute Beleuchtung, korrekter Fokus und minimaler Hintergrund-Clutter helfen alle.
2. Beginnen Sie mit den KI-vorgeschlagenen Defekten. Diese sind auf Ihren Bauteiltyp kalibriert. Fügen Sie nur dann benutzerdefinierte Bezeichnungen hinzu, wenn Ihr Zieldefekt fehlt.
3. Platzieren Sie eine präzise, eng gefasste Region und generieren Sie zuerst. Ein-Regionen-Durchläufe sind die zuverlässigste Basis.
4. Nutzen Sie Compare konsequent nach jeder Generierung. Bei subtilen Defekten lässt schnelles Umschalten selbst kleinste Unterschiede visuell hervortreten.
5. Passen Sie Schweregrad, Regionsgenauigkeit und Formulierung anhand des Gesehenen an. Wiederholen Sie den Vorgang, bis sich die Qualität stabilisiert, und skalieren Sie dann auf mehrere Regionen und Warteschlangen-Volumen.

Mit echten Daten beginnen, mit synthetischen beschleunigen

Der beste Ansatz: Trainieren Sie zuerst mit Ihren ersten 3-5 echten Bildern, identifizieren Sie, wo die KI Schwierigkeiten hat, und nutzen Sie dann Defect Studio, um gezielt synthetische Beispiele für diese spezifischen Fehlermodi zu erzeugen. Echte Daten lehren die Basis; synthetische Daten füllen die Lücken.

Synthetische Daten ergänzen echte Daten, sie ersetzen sie nicht

Defect Studio-Bilder sind wirkungsvoll, um Lücken in Ihrem Trainingsdatensatz zu schließen, sollten jedoch niemals Ihre einzige Quelle für Trainingsdaten sein. Validieren Sie die Modellleistung stets anhand realer Produktionsbilder.

In Aktion sehen

Wo es in den Workflow passt: Sie verwenden Defect Studio während Schritt 4: Trainieren Sie Ihr KI-Modell, um Trainingsdaten schneller zu erstellen.