Zum Hauptinhalt springen
    Computer Vision für Drohneninspektionen
    Energie & industrielle Infrastruktur

    Computer Vision für Drohneninspektionen

    ML-Pipeline macht aus Drohnenaufnahmen von Energie- und Industrieanlagen georeferenzierte, von Inspektoren bestätigte Mängelbefunde und Berichtsentwürfe.

    Zuletzt aktualisiert: 2026-11-19

    Kundendetails sind per NDA vertraulich. Die Zahlen sind ungefähre, gerundete Werte.

    Kunde
    Unternehmen für Infrastrukturinspektionen
    Branche
    Energie & industrielle Infrastruktur

    Projektüberblick

    Ein Unternehmen für Infrastrukturinspektionen befliegt Energie- und Industrieanlagen mit Drohnen und liefert den Anlagenbetreibern Zustandsberichte. Seine Inspektoren sichteten pro Standort stundenlanges Bildmaterial von Hand, um eine kleine Zahl von Mängeln zu finden. TekPiq hat eine Computer-Vision-Pipeline gebaut, die die Aufnahmen und die Flugtelemetrie einliest, wahrscheinliche Mängel erkennt und segmentiert, sie den Inspektoren zur Bestätigung vorlegt und bestätigte Befunde auf einer Karte und im Anlagenregister verortet.

    Zentrale Herausforderungen

    Große Mengen an Videos und hochauflösenden Einzelbildern pro Standort – vieles davon überlappend oder ganz ohne Mangel

    Mängel, die klein und selten sind und harmlosen Merkmalen wie Flecken, Schatten und Reflexionen ähneln

    Anfangs wenige gelabelte Trainingsdaten – und Inspektoren mit wenig Zeit, weitere zu labeln

    Befunde sind nur nützlich, wenn sie einer bestimmten Anlage und einem Ort zugeordnet sind, nicht nur einer Framenummer

    Die Vorgabe, dass bei jedem gemeldeten Mangel die Inspektoren – nicht das Modell – die letzte Entscheidung treffen

    Die Frage, welche Workloads auf Cloud-GPUs gehören und welche näher an der Drohne laufen könnten

    Unser Ansatz

    Am Anfang stand ein festes Evaluierungsset: eine zurückgehaltene Sammlung gelabelter Frames, von den Inspektoren des Kunden geprüft, an der jede Modellversion nach Precision und Recall pro Mängelklasse gemessen wird. Die Ingestion führt Videos, Einzelbilder und Flugtelemetrie (GPS-Position, Flughöhe, Kurs) zu einem Batch pro Inspektion zusammen. Frames werden abhängig von Fluggeschwindigkeit und Flughöhe gesampelt, anschließend werden Beinahe-Duplikate entfernt, sodass die Modelle unterschiedliche Ansichten jeder Anlage sehen. Detektoren der YOLO-Familie und Segmentierungsnetze, in PyTorch trainiert und nach ONNX exportiert, markieren und umranden mögliche Mängel. Die Detektionen landen in einer Prüfoberfläche, in der Inspektoren sie bestätigen, verwerfen oder korrigieren; diese Entscheidungen speisen eine Active-Learning-Schleife, die für die nächste Labeling-Runde die aussagekräftigsten Frames priorisiert. Bestätigte Befunde werden anhand der Telemetrie georeferenziert, den Anlagen im Register zugeordnet und zu einem Berichtsentwurf zusammengestellt. Die produktive Inferenz läuft nach jedem Flug als GPU-Batch-Job in der Cloud; der ONNX-Export hält den Weg zu einem Edge-Deployment offen, falls Ergebnisse vor Ort gebraucht werden.

    Eingesetzte Technologien

    Python & PyTorch
    Detektions- & Segmentierungsnetze der YOLO-Familie
    Modellexport nach ONNX
    GPU-Batch-Inferenz in der Cloud
    Flugtelemetrie & Geodatenverarbeitung (GPS, Flughöhe)
    Labeling-Workflow mit Active Learning
    Webbasierte Prüfoberfläche

    Zugehörige Leistungen

    Zentrale Funktionen

    Batch-Ingestion von Drohnenvideos, Einzelbildern und Flugtelemetrie pro Inspektion

    Frame-Sampling und Entfernung von Beinahe-Duplikaten vor der Inferenz

    Modelle zur Mängeldetektion und -segmentierung mit Konfidenzschwellen pro Klasse

    Prüfoberfläche, in der Inspektoren jede Detektion bestätigen, verwerfen oder korrigieren

    Active-Learning-Schleife, die Prüfentscheidungen in neue Trainingslabels umwandelt

    Georeferenzierung bestätigter Befunde auf einer Karte und im Anlagenregister des Kunden

    Erstellung von Entwürfen für Inspektionsberichte aus bestätigten Befunden

    Evaluierungsset mit Precision und Recall pro Mängelklasse für jedes Modell-Release

    GPU-Batch-Verarbeitung in der Cloud, mit ONNX-Export als Weg zur Edge-Inferenz

    Geschäftsergebnisse

    Inspektoren prüfen markierte Frames, statt komplette Aufnahmen anzusehen

    Jeder gemeldete Mangel wird von einem Inspektor bestätigt, bevor er in einen Kundenbericht gelangt

    Befunde kommen georeferenziert und einer bestimmten Anlage zugeordnet an – nicht nur als Zeitstempel in einem Video

    Jedes Modell-Release wird vor dem Deployment auf demselben Evaluierungsset pro Mängelklasse mit dem vorherigen verglichen

    Prüfentscheidungen werden zu Trainingsdaten, sodass der gelabelte Datensatz im normalen Inspektionsbetrieb wächst

    Berichtsentwürfe entstehen aus strukturierten Befunden statt aus Screenshots und Notizen

    Transformative Wirkung

    Die Pipeline verschiebt, wofür Inspektoren ihre Zeit aufwenden: weg von der Suche nach Mängeln im Bildmaterial, hin zur Bewertung der Kandidaten, die die Modelle vorschlagen. Weil jedes Modell-Release auf einem festen Evaluierungsset bewertet und jeder gemeldete Befund von einem Menschen bestätigt wird, kann der Kunde den Anlagenbetreibern erklären, wie ein Mangel gefunden wurde und wer ihn freigegeben hat.

    Bereit, Ihr Unternehmen voranzubringen?

    Lassen Sie uns besprechen, wie wir eine maßgeschneiderte Lösung entwickeln, die messbare Ergebnisse für Ihr Unternehmen liefert.