Computer Vision in der Produktion: Lehren aus ALPR

Eine Computer-Vision-Demo ist schnell gebaut: ein vortrainiertes Modell nehmen, auf ein paar Beispielbilder richten, und es findet, was Sie suchen. Dieselbe Idee in die Produktion zu bringen, wo sie Tag und Nacht mit echten Kameras läuft und Menschen sich auf ihre Alarme verlassen, ist eine andere Aufgabe.

Das haben wir beim Bau eines ALPR-Systems (automatische Kennzeichenerkennung) für das Parkmodul von Smart DigiBuild gelernt, der Smart-Building-Plattform, die wir für Four Corners Technology entwickeln. Dieser Artikel teilt die Lehren, die für fast jedes Computer-Vision-Projekt gelten, ob Kennzeichen lesen, Produkte am Band prüfen oder Personen zählen.

1. Das Modell ist der kleinste Teil

Im fertigen System ist das Modell, das Kennzeichen findet, eine Komponente unter vielen: Kameraanbindung, Bildvorverarbeitung, Zeichenerkennung, Nachbearbeitung, Geschäftsregeln, Alarme, Speicherung, eine API, Monitoring und eine Oberfläche. Der größte Teil des Entwicklungsaufwands steckt im Drumherum. Planen und budgetieren Sie entsprechend.

2. Ihre Daten sind nicht die Benchmark-Daten

Vortrainierte Modelle lernen aus öffentlichen Datensätzen. Ihre Kameras hängen in Ihren Winkeln, bei Ihrem Licht und Wetter und sehen Ihre lokalen Kennzeichenformate oder Ihre Produkte. Sammeln Sie früh echte Bilder von den tatsächlichen Kameras, auch die schwierigen: Nacht, Regen, Gegenlicht, Schmutz, Bewegungsunschärfe, teilweise Verdeckung. Diese Bilder entscheiden, ob das System funktioniert, und werden zu Ihrem Testdatensatz.

3. Die Kameraposition zählt so viel wie der Algorithmus

Viele Erkennungsprobleme sind eigentlich Kameraprobleme. Winkel, Abstand, Auflösung, Belichtungszeit und Infrarotbeleuchtung bei Nacht beeinflussen die Genauigkeit oft stärker als der Wechsel zu einem größeren Modell. Beziehen Sie die Menschen ein, die Kameras montieren, und testen Sie Positionen, bevor die Hardware fest installiert ist.

4. Zwei Stufen lassen sich leichter verbessern als eine

Für ALPR nutzen wir eine zweistufige Pipeline: Ein Modell (YOLOv8) findet das Kennzeichen, dann liest eine OCR die Zeichen aus dem zugeschnittenen Bild. Die Trennung macht Probleme sichtbar: Wird das Kennzeichen nicht gefunden, oder gefunden und falsch gelesen? Jede Stufe lässt sich einzeln messen und verbessern.

5. Nachbearbeitung macht aus Rohdaten verlässliche Ergebnisse

OCR-Ergebnisse sind verrauscht. Einfache Regeln bewirken viel: häufig verwechselte Zeichen normalisieren, das Ergebnis gegen gültige Kennzeichenformate prüfen und mehrere Bilder desselben Fahrzeugs kombinieren, statt einem einzelnen Bild zu vertrauen. In Regeln gegossenes Fachwissen ist oft günstiger und robuster als ein größeres Modell.

6. Entscheiden, wo das Modell läuft: Edge oder Cloud

• Edge (ein kleiner Rechner neben der Kamera): geringe Latenz, funktioniert auch bei Verbindungsausfall, und weniger Bilddaten verlassen den Standort, was dem Datenschutz hilft.
• Cloud: leichter zu aktualisieren und zu skalieren, mehr Rechenleistung, zentrales Monitoring.

Wir haben den Dienst als Docker-Container verpackt, sodass derselbe Code auf einer Edge-Box oder in AWS läuft. Viele Systeme werden am Ende hybrid: Erkennung an der Edge, Ereignisse und Speicherung in der Cloud.

7. Mit eigenem Testdatensatz messen

Genauigkeitswerte aus Veröffentlichungen oder von Herstellern sagen wenig über Ihren Standort. Bauen Sie einen beschrifteten Testdatensatz aus Ihren Kameras und messen Sie, was für das Geschäft zählt: wie viele Fahrzeuge erkannt werden, wie viele Kennzeichen richtig gelesen werden, wie viele Fehlalarme der Sicherheitsdienst pro Tag erhält. Wiederholen Sie den Test nach jeder Änderung an Modell, Regeln oder Kameras.

8. Den Menschen einbinden

Kein System ist perfekt. Planen Sie das ein: Speichern Sie jedes Ereignis mit Bild, lassen Sie Mitarbeitende unsichere Erkennungen bestätigen oder korrigieren, und nutzen Sie die Konfidenz des Modells, um zu entscheiden, wann automatisch alarmiert und wann ein Mensch gefragt wird. Korrekturen werden zugleich zu neuen Trainingsdaten.

9. Das System überwachen, nicht nur den Server

Eine verschobene Kamera, eine verstaubte Linse oder ein neuer Kennzeichentyp können die Qualität unbemerkt senken, während alle Servermetriken grün sind. Überwachen Sie deshalb auch fachliche Signale: Erkennungen pro Stunde und Kamera, durchschnittliche Konfidenz und den Anteil unlesbarer Kennzeichen. Eine plötzliche Änderung bedeutet meist, dass sich in der realen Welt etwas verändert hat.

10. Datenschutz gehört in den Entwurf

Kennzeichen, Gesichter und Personen auf Bildern sind personenbezogene Daten nach DSGVO. Bauen Sie Datenschutz von Anfang an ein: ein klarer Zweck, nur die nötigen Bilder, kurze Speicherfristen mit automatischer Löschung (bei uns über S3-Lifecycle-Regeln), rollenbasierter Zugriff auf Bilder und Dokumentation für den Datenschutzbeauftragten und gegebenenfalls den Betriebsrat. Nach dem EU AI Act sind manche Formen biometrischer Erkennung eingeschränkt; prüfen Sie Ihren Anwendungsfall daher früh.

Fazit

Erfolgreiche Computer Vision in der Produktion hängt weniger vom neuesten Modell ab als von guten Daten, durchdachten Kamerapositionen, robuster Nachbearbeitung, ehrlicher Evaluierung, Monitoring und Datenschutz von Anfang an. So gehen wir jedes Vision-Projekt an. Wenn Sie eines planen, beginnen Sie mit einem kurzen Machbarkeitstest auf Ihren eigenen Bildern. Mehr auf unserer Seite zur KI-Entwicklung oder in unserem Artikel, wie Kennzeichenerkennung funktioniert.

Computer-Vision-Idee besprechen