Computer Vision & Applied AI
Vision- und ML-Systeme, die in Produkten laufen statt in Notebooks: Bildverarbeitungspipelines, 3D-Rekonstruktion, Modellauswahl und -training sowie Inferenz auf Edge-Hardware. Ich verantworte den Weg von der Machbarkeit über die Evaluation bis zum Deployment in Ihrer Produktsoftware.
Was ich mache
Klassische und ML-gestützte Bildverarbeitung für Inspektion, Klassifikation und Anomalie-Detektion, von der Kameraanbindung über die Vorverarbeitung bis zum Messergebnis.
Structured Light, Time-of-Flight und photometrische Verfahren: Kamerakalibrierung, Tiefenschätzung und Vermessung von Objekten in Industrie- und Laborumgebungen.
Modellauswahl, Training und Feintuning für Vision-Aufgaben, von CNNs bis zu Vision-Language-Modellen für die Bauteil-Klassifikation. Mit sauberer Evaluation gegen definierte Metriken statt Demo-Ergebnissen.
Deployment auf ressourcenbeschränkter Hardware: Quantisierung bis INT8, ONNX-Export, CUDA-Beschleunigung und Laufzeitoptimierung, bis Durchsatz und Latenz zum Produkt passen.
Vision-Ergebnisse werden erst im Produkt wertvoll: Integration in C++/Qt-Anwendungen, Schnittstellen zu Automatisierung und Datenbanken, robustes Fehlerverhalten im Dauerbetrieb.
Optimierung bestehender Vision-Codebasen mit CUDA, SIMD und Halide: messbar schnellere Pipelines auf denselben Zielplattformen, vom Desktop bis zum eingebetteten System.
Wann Teams mich hinzuziehen
Die meisten Vision-Engagements beginnen in einer dieser Situationen. Wenn Ihre ähnlich aussieht, lohnt sich ein Gespräch.
Eine Vision-Idee soll Produkt werden: Ich baue den Proof of Concept, bewerte ehrlich, was erreichbar ist, und entwickle den erfolgreichen Ansatz zur produktreifen Lösung weiter.
Regelbasierte Verfahren erreichen die geforderte Erkennungsrate nicht mehr. Ich evaluiere ML-Ansätze dagegen, von CNNs bis zu Vision-Language-Modellen, mit belastbaren Metriken und einem Deployment-Pfad statt eines Experiments.
Takterhöhung, neue Hardware oder gewachsener Code: Ich profile die bestehende Pipeline und optimiere sie gezielt, von Algorithmen über Parallelisierung bis GPU-Offloading.
Bildverarbeitung in Medizin- oder Laborgeräten braucht Verifikation und nachvollziehbare Entwicklung. Ich bringe beides zusammen: Vision-Know-how und regulierte Engineering-Prozesse.
Edge-Inferenz endet nicht beim Modellexport: Kameraanbindung, Treiber und Performance auf dem Zielsystem sind Embedded-Themen. Beides kommt bei mir aus einer Hand.
Der Stack, in dem ich arbeite
Prototyping in Python, Produktion in C++: Ich wähle Verfahren nach dem Problem aus, nicht nach dem Framework, und bringe Modelle dorthin, wo das Produkt sie braucht — bis auf Edge-Hardware.
Vision-Projekt besprechen
Inspektion, 3D-Rekonstruktion, ML-Evaluation oder eine zu langsame Pipeline: Erzählen Sie mir, was Ihr Produkt sehen soll.