Defect Creator Studio

Problem, das es löst: Sie benötigen Trainingsdaten für seltene Defekte, aber darauf zu warten, dass diese natürlich auftreten, dauert Wochen oder Monate.

Was es macht: Generiert fotorealistische synthetische Defektbilder aus einem einzigen guten Bild und einer Beschreibung in einfachem Englisch. Laden Sie ein gutes Teil 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 beleuchtetes Bild Ihres Teils hoch. Per Drag-and-Drop in die Canvas ziehen oder auf Browse Files klicken. Das Tool unterstützt bis zu 8K-Auflösung, 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 Crop-Overlay die Auswahl des zu erhaltenden Bildbereichs.
3. Wählen Sie einen Defekttyp. Nach dem Hochladen analysiert die AI das Material, die Form und die Oberflächenbeschaffenheit Ihres Teils und schlägt anschließend relevante 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 lila Schaltfläche Generate. Die AI erstellt einen fotorealistischen Defekt innerhalb Ihres markierten Bereichs.

Annotationswerkzeuge

Die linke Symbolleiste bietet sieben Werkzeuge zur präzisen Defektplatzierung:

Shortcut	Werkzeug	Am besten geeignet für
C	Circle Marker	Runde oder punktförmige Defekte wie Pits, Blasen, lokal begrenzte Verfärbungen
M	Rectangle Select	Bandartige Muster wie Kratzer entlang einer Kante oder Verzug auf Paneelebene
L	Lasso	Unregelmäßige oder organische Formen wie Risse, Verschmutzungen, komplexe Bruchmuster
G	Move/Resize	Neupositionieren und Größenanpassung von Annotationen nach dem Zeichnen
E	Eraser	Entfernen von Annotationen
H	Pan	Navigieren im Bild (auch temporär verfügbar durch Halten von Space)
Z	Zoom	Vergrößern bis zu 800 % für pixelgenaue Präzision

Zusätzliche Tastaturkürzel: Ctrl+Z zum Rückgängigmachen, Ctrl+Shift+Z zum Wiederherstellen, Del zum Löschen der letzten Annotation.

Annotationssymbolleiste

Defekttyp-Panel mit Kameraauswahl und Generate-Schaltfläche

Eng gefasste Bereiche liefern bessere Ergebnisse

Behandeln Sie jede Annotation als präzises Anweisungsfenster. Die AI generiert Defekte ausschließlich innerhalb Ihrer Auswahl. Wenn Ihr Bereich eng um die vorgesehene Defektzone gefasst ist, kann sich das Modell präzise fokussieren. Lose Bereiche, die nicht relevanten Hintergrund einschließen, können dazu führen, dass das Modell den Defekteinfluss über zusätzliche Flächen verteilt.

Wirkungsvolle Fehlerbeschreibungen verfassen

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 in der Nähe der gegossenen Ecke"	Spezifisch hinsichtlich Form, Position und Materialkontext
Schlecht	"Kratzer"	Zu vage, damit das Modell etwas Brauchbares erzeugen kann
Schlecht	"Beschädigung"	Keine Morphologie, kein Oberflächenkontext

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

Capture from Image (Referenzfehler)

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

• Die Benennung ist entscheidend. Der Ausschnitt enthält sowohl den Fehler als auch den umgebenden Hintergrund. Die KI nutzt Ihren Namen, um zu verstehen, welcher Teil der eigentliche Fehler ist. "Verbogener Pin am Steckverbinder" gibt dem Modell einen semantischen Anker, während "Fehler" Raum für Spekulationen lässt.
• Übertragungsszenarien: Dasselbe Teil in einer anderen Position, ähnliche Teile auf derselben Linie oder sogar unterschiedliche Fertigungslinien, wenn 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 Referenzfehler): Ohne Variation wäre jeder übertragene Fehler eine exakte Kopie. Rotation ändert Winkel und Ausrichtung. Size steuert die räumliche Abdeckung. Severity steuert, wie visuell auffällig der Fehler erscheint.

Severity-Steuerung

Der Severity-Schieberegler steuert, wie visuell auffällig der Fehler erscheint. Der Standardwert ist bewusst subtil gewählt, da die meisten realen Fertigungsfehler subtil sind. Selbst bei 50 % bleiben Fehler recht schwach sichtbar. Bei 1 % sind Fehler für Menschen nahezu unsichtbar, OV Vision-Kameras können sie jedoch weiterhin erkennen. Dies ist einer der entscheidenden Vorteile der Bildverarbeitung: Die Kamera ermüdet nie und kann Muster unterhalb der menschlichen Wahrnehmungsschwelle 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 Stiländerungen vor, wie etwa den Wechsel eines Metallfinishs von gebürstet zu poliert, den Wechsel der Kunststofffarbe oder die Änderung des Beschichtungstyps. Sie können auch eigene benutzerdefinierte Stilvarianten hinzufügen.

Zwei gültige Abläufe:

• Zuerst restylen, dann Fehler hinzufügen. Nützlich, um Trainingsdaten für eine neue Produktlinie oder Farbvariante zu erzeugen, bevor sie physisch existiert.
• Zuerst Fehler hinzufügen, dann restylen. Sehen Sie, wie derselbe Fehler über verschiedene Material-, Finish- und Farbvarianten hinweg aussieht.

Teilegeometrie, Ausrichtung, Layout und Komposition bleiben identisch. Nur das gezielte 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 bestimmte Kombination aus Fehler und Oberflächenerscheinung.

Regionsgrenzen

• Bis zu 9 normale Defektregionen (integriert oder benutzerdefiniert textbasiert)
• Bis zu 4 Referenzbild-Transferdefekte
• Weniger Regionen liefern in der Regel sauberere Ergebnisse. Beginnen Sie mit einer präzisen Region, prüfen Sie die Qualität und fügen Sie dann 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 frei werden. Nutzen Sie 3er-Bursts für schnelle A/B/C-Vergleiche: Senden Sie dieselbe Konfiguration dreimal ab, vergleichen Sie die Ergebnisse nebeneinander und wählen Sie das beste Resultat. Für größere Mengen können Sie 10 oder mehr Aufträge in die Warteschlange stellen und parallel an anderen Aufgaben weiterarbeiten.

Compare, Library und Downloads

• Compare: Wechseln Sie zwischen Baseline- und generiertem Bild. Bei subtilen Defekten funktioniert ein schnelles Umschalten/Flackern am besten. Das menschliche visuelle System erkennt Veränderungen durch Bewegung weitaus besser als durch statischen Nebeneinander-Vergleich.
• Image Library: Das untere Fach bietet einen scrollbaren Filmstreifen für schnelles visuelles Sichten. Die erweiterte Ansicht ergänzt vollständiges Dataset-Management: Suche, Sortierung, Mehrfachauswahl (Strg/Umschalt-Klick), Herunterladen einzelner Bilder, Erstellen von ZIP-Archiven für Training-Pipelines und Löschen.
• Persistenz der Annotationen: Beim Wechsel zwischen Bildern werden alle Annotationen automatisch gespeichert und wiederhergestellt. Navigieren Sie zu einem anderen Bild, kehren Sie zurück und finden Sie alle Regionen genau dort, wo Sie sie verlassen haben.

Empfohlener Workflow

1. Laden Sie ein sauberes Baseline-Bild hoch und stellen Sie sicher, dass es zum OV80i-Bildformat (3840 x 2160) passt. Gute Beleuchtung, korrekter Fokus und minimale Hintergrundstörungen helfen alle.
2. Beginnen Sie mit den KI-vorgeschlagenen Defekten. Diese sind auf Ihren Teiltyp kalibriert. Fügen Sie benutzerdefinierte Benennungen nur hinzu, wenn Ihr Zieldefekt fehlt.
3. Platzieren Sie zunächst eine präzise, eng gefasste Region und generieren Sie. Läufe mit einer Region bilden die zuverlässigste Baseline.
4. Nutzen Sie Compare nach jeder Generierung intensiv. Bei subtilen Defekten lässt schnelles Umschalten selbst kleinste Unterschiede visuell hervortreten.
5. Passen Sie Schweregrad, Regionsgenauigkeit und Formulierungen an, basierend auf dem, was Sie sehen. Wiederholen Sie dies, bis die Qualität stabil ist, und skalieren Sie dann auf mehrere Regionen und größere Warteschlangen.

Mit echten Daten starten, mit synthetischen beschleunigen

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

Synthetische Daten ergänzen reale Daten, sie ersetzen sie nicht

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

In Aktion sehen

Einordnung im Workflow: Sie verwenden Defect Studio während Schritt 4: Trainieren Sie Ihr KI-Modell, um Trainingsdaten schneller zu erstellen.