Zum Hauptinhalt springen
    Computer Vision & Drohneninspektion

    Software für Drohneninspektion & Computer Vision – Mängelerkennung in Luftaufnahmen

    Drohnen haben Inspektionsaufnahmen günstig gemacht. Die Sichtung ist nicht günstiger geworden – ein Inspektor sieht sich immer noch stundenlang Videos an, um eine Handvoll Mängel zu finden. Wir bauen Computer-Vision-Pipelines, die die Kandidaten herausfiltern, die Entscheidung Ihren Inspektoren überlassen und jeden bestätigten Befund der richtigen Anlage zuordnen.

    Fallstudien ansehen
    Vom Flug zum bestätigten Befund
    1. 1
      Ingestion
      Video, Einzelbilder und GPS-/Höhentelemetrie pro Flug
    2. 2
      Sampling & Deduplizierung
      Nur unterschiedliche Ansichten – Überlappungen entfernt
    3. 3
      Detektion
      Detektion & Segmentierung pro Mängelklasse
    4. 4
      Prüfung durch Inspektoren
      Jede Detektion bestätigen, verwerfen oder korrigieren
    5. 5
      Georeferenzierung & Bericht
      Befunde auf der Karte, an der Anlage und im Bericht

    Prüfentscheidungen fließen ins Training zurück – das Modell verbessert sich im normalen Inspektionsbetrieb.

    Was Sie bekommen

    Ingestion für Drohnenvideos, hochauflösende Einzelbilder und Flugtelemetrie (GPS, Flughöhe, Kurs) – gebündelt pro Inspektion, nicht pro Datei
    Frame-Sampling und Entfernung von Beinahe-Duplikaten, abgestimmt auf Fluggeschwindigkeit und Flughöhe, damit Modelle und Menschen nur unterschiedliche Ansichten sehen
    Modelle zur Mängeldetektion und -segmentierung (Detektoren der YOLO-Familie, Segmentierungsnetze), in PyTorch auf Ihrem Bildmaterial trainiert und nach ONNX exportiert
    Labeling-Workflow mit Active Learning – die Frames, aus denen das Modell am meisten lernt, werden zuerst gelabelt, damit die Zeit Ihrer Inspektoren weiter reicht
    Human-in-the-Loop-Prüfoberfläche, in der Inspektoren jede Detektion bestätigen, verwerfen oder korrigieren, bevor sie gemeldet wird
    Georeferenzierung bestätigter Befunde auf einer Karte und in Ihrem Anlagenregister, dazu Berichtsentwürfe aus strukturierten Befunden
    Evaluierungsset mit Precision und Recall pro Mängelklasse als Freigabekriterium für jedes Modell-Release
    Deployment-Plan für GPU-Batch-Inferenz in der Cloud nach jedem Flug sowie Edge-Optionen (auf der Drohne oder in der Bodenstation), wo Ergebnisse vor Ort gebraucht werden

    Wann es passt

    • Sie erfassen bereits Drohnenbilder in großem Umfang, und die Prüfzeit Ihrer Inspektoren ist der Engpass
    • Sie können die relevanten Mängelklassen benennen (Korrosion, Risse, fehlende Bauteile, Vegetationsbewuchs, Hotspots) und beschreiben, wie jede davon aussieht
    • Ihre Inspektoren können in den ersten Monaten einige Stunden pro Woche für Labeling und Prüfung aufbringen – das Modell lernt von ihnen
    • Befunde müssen in einem bestehenden Anlagenregister, GIS oder Reporting-Workflow landen, nicht in einem separaten Dashboard

    Wann nicht

    • Sie brauchen einen Drohnenbetreiber – wir bauen die Software; Ihre Piloten oder Ihr Flugdienstleister fliegen die Einsätze nach Part 107, EASA- oder lokalen Regeln
    • Vollautomatisches Reporting ohne menschliche Freigabe ist Pflicht – wir konzipieren für die Bestätigung jedes gemeldeten Mangels durch einen Inspektor
    • Das Bildmaterial existiert noch nicht, und das Aufnahmeprotokoll (Flughöhe, Winkel, Überlappung, Sensor) steht noch nicht fest – klären Sie zuerst die Aufnahme, sonst werden die Modelle auf inkonsistenten Daten trainiert
    • Eine Standard-Inspektionsplattform deckt Ihre Anlagenklasse und Mängeltypen bereits ab – lizenzieren und integrieren Sie stattdessen diese

    Ablauf

    Wochen 1–3: Discovery und Daten-Audit – Beispielflüge, Mängeltaxonomie, Review des Aufnahmeprotokolls und ein gelabeltes Evaluierungsset, abgestimmt mit Ihren Inspektoren. Wochen 4–8: Ingestion, Frame-Sampling, ein Basismodell für die ersten ein bis drei Mängelklassen und die Prüfoberfläche, damit Inspektoren früh echte Detektionen bestätigen. Wochen 9–14: Active-Learning-Runden, Georeferenzierung und Anbindung an das Anlagenregister, Berichtserstellung und produktive Batch-Inferenz. Edge-Deployment und weitere Mängelklassen folgen als separate Phasen, jeweils mit dem Evaluierungsset als Freigabekriterium.

    Der vollständige Ablauf

    FAQ

    Wie viele gelabelte Daten brauchen wir für den Start?
    Weniger, als die meisten Teams erwarten – aber mehr als null. Für eine visuell eindeutige Mängelklasse reichen meist einige hundert gut gelabelte Beispiele für ein brauchbares erstes Modell; subtile oder seltene Mängel brauchen mehr. Wir starten mit vortrainierten Detektions-Backbones, labeln per Active Learning zuerst die aussagekräftigsten Frames und nutzen die Prüfentscheidungen der Inspektoren als neue Labels – so wächst der Datensatz im laufenden Betrieb statt in einem separaten Labeling-Projekt. Das Daten-Audit in der Discovery zeigt Ihnen, wie viel Sie bereits haben.
    Können die Modelle auf der Drohne oder am Edge laufen?
    Oft ja, mit Abwägungen. Die Detektion weniger Mängelklassen kann auf Hardware der Jetson-Klasse auf der Drohne oder in einer Bodenstation laufen – nützlich, wenn ein Team Ergebnisse braucht, bevor es den Standort verlässt. Eine Analyse in voller Auflösung über viele Klassen läuft meist besser als GPU-Batch-Inferenz in der Cloud nach dem Flug. Die Modelle werden nach ONNX exportiert, sodass sich dasselbe Modell auf beiden Zielen einsetzen lässt; wir messen Genauigkeit und Latenz auf Ihrer tatsächlichen Hardware, bevor wir eine Variante empfehlen.
    Wie genau wird das System sein?
    Eine Zahl nennen wir erst, wenn wir Ihr Bildmaterial gesehen haben. Die Genauigkeit hängt von der Mängelklasse, der Bildauflösung, der Konsistenz der Aufnahmen und der Qualität der Labels ab. Wozu wir uns verpflichten, ist die Messung: ein zurückgehaltenes Evaluierungsset, abgestimmt mit Ihren Inspektoren, Precision und Recall pro Mängelklasse und Konfidenzschwellen, die wir gemeinsam mit Ihnen festlegen – bei sicherheitsrelevanten Mängeln nimmt man in der Regel mehr Fehlalarme für weniger übersehene Mängel in Kauf. Jeder gemeldete Befund wird weiterhin von einem Inspektor bestätigt.
    Wem gehören die trainierten Modelle und die Daten?
    Ihnen. Bildmaterial, Labels, trainierte Gewichte, Trainingscode und Evaluierungssets gehen im Rahmen eines üblichen Vertrags mit vollständiger Rechteübertragung (Work for Hire) an Sie über. Außerdem prüfen wir vorab die Lizenzen aller vortrainierten Modelle und Bibliotheken – einige verbreitete Detektions-Frameworks unterliegen Copyleft- oder kommerziellen Lizenzbedingungen, die relevant werden, wenn das Modell in Ihrem Produkt ausgeliefert wird.
    Wie passt das in unseren bestehenden Inspektionsablauf?
    Es fügt sich zwischen Aufnahme und Reporting ein. Ihre Piloten fliegen dieselben Einsätze; das Bildmaterial wird wie bisher hochgeladen; Inspektoren arbeiten in der Prüfoberfläche, statt Videos durchzuspulen; bestätigte Befunde werden über die API oder einen Export, den Ihr Team bereits nutzt, an Ihr Anlagenregister, GIS oder Instandhaltungssystem übergeben. Wir erfassen den aktuellen Ablauf in der Discovery und verändern so wenig wie möglich daran.
    TekPiq-Entwickler in einer Architektur-Session am Whiteboard; einer von ihnen skizziert das Datenmodell
    Architektur-Session in unserem Büro – Kundendetails auf dem Board sind unkenntlich gemacht.

    Wer es baut

    Unser eigenes Team arbeitet aus unserem Büro in East Sarajevo, Bosnien und Herzegowina. Die Engineers in Ihrem Erstgespräch sind dieselben, die es später auch bauen.

    Das Team kennenlernen

    Bereit für ein Gespräch über Computer Vision & Drohneninspektion?

    30-minütiges Erstgespräch. Unverbindlich und ohne Verkaufsdruck.