Manufacturing Intelligence

Daten in Entscheidungen verwandeln — direkt an der Linie. Turning data into decisions — right on the line.

Defekte finden, bevor sie den Kunden erreichen. Finding defects before they reach the customer.

Wo ein Modell um 3 Uhr nachts die richtige Entscheidung treffen muss. Where a model has to make the right call at 3 a.m.

Zero-Shot-Erkennung: 100% AUROC ohne ein einziges Trainingsbild. Zero-shot detection: 100% AUROC without a single training image.

Von der Forschung bis zur Fertigungslinie — in einer Hand. From research to the production line — in one pair of hands.

Anomaly Detection, Prozessoptimierung und Edge-AI für die industrielle Fertigung — von der Forschung bis zur produktionsreifen Inspektion. Anomaly detection, process optimization and edge AI for industrial manufacturing — from research to production-ready inspection.

Projekte ansehen See projects Über mich About me

Skills & Interessen Skills & Interests

Anomaly Detection
Foundation Models
Computer Vision
Edge AI
ONNX · OpenVINO
PyTorch · Python
R · Shiny
DINOv3 · SAM3 · CLIP
DOE · SPC · Cpk
Six Sigma Black Belt
Spritzguss Injection Molding
Medizintechnik · GMP Medical Devices · GMP
Prozessoptimierung Process Optimization
LLM · RAG
MAS Data Science · ZHAW

inspection · sample_00472.png LIVE

Ausgewählte Projekte Featured Projects

Von der Forschung bis zur Fertigungslinie. From research to the production line.

Schwerpunkt auf visueller Anomalieerkennung — mit echten Metriken aus laufenden Experimenten und Deployments. Focused on visual anomaly detection — with real metrics from running experiments and deployments.

MAS Thesis Benchmarking PyTorch

Anomalie-Benchmark Suite Anomaly Benchmark Suite

Systematischer Vergleich von 6 Anomalie-Detektions-Methoden — PatchCore (ResNet-50/101), PatchCore-DINOv3 (ConvNeXt-S/B), AD-DINOv3 Supervised und Zero-Shot — mit einheitlichem Benchmark-Harness, Youden's-J-Schwellwertoptimierung und LLM-gestütztem Hyperparameter-Tuning. Systematic comparison of 6 anomaly detection methods — PatchCore (ResNet-50/101), PatchCore-DINOv3 (ConvNeXt-S/B), AD-DINOv3 supervised, and zero-shot — with a unified benchmark harness, Youden's J threshold optimization, and LLM-guided hyperparameter tuning.

Ergebnis Outcome Zero-Shot-Methode (DINOv3 ViT-L/16) erreicht 100% AUROC mit nur 4 Samples — bei 2.3s Trainingszeit statt 290s für supervised Ansätze. Zero-shot method (DINOv3 ViT-L/16) achieves 100% AUROC with just 4 samples — at 2.3s training time vs. 290s for supervised approaches.

1.000

AUROC (best)

Methoden methods

2.3 s

Training (Zero-Shot) training (zero-shot)

MAS Thesis GUI DINOv3 · CLIP

AD-DINOv3 Studio

Produktionsreife Desktop-Anwendung für visuelle Anomalieerkennung mit DINOv3 + CLIP: Training mit PEFT/LoRA-Adaptern, Einzelbild- und Batch-Inferenz, Multi-View-Analyse mit Oklusions-basierter Defektlokalisierung und automatische PDF-Reports. Production-ready desktop application for visual anomaly detection with DINOv3 + CLIP: training with PEFT/LoRA adapters, single-image and batch inference, multi-view analysis with occlusion-based defect localization, and automated PDF reports.

0.928

image AUROC

138 ms

Inferenz inference

Production PySide6 IDS · Modbus

Echtzeit-Defektinspektor Real-Time Defect Inspector

Produktions-GUI für Anomalieerkennung bei 20 FPS: DINOv3 Zero-Shot mit FAISS-GPU k-NN, IDS GigE-Kameras, Modbus-TCP-SPS, physische Taster, Signallampen und Präsenzschranken. Human-in-the-Loop Feedback, Schichtstatistiken und lückenlose Audit-Trails. Production GUI for anomaly detection at 20 FPS: DINOv3 zero-shot with FAISS-GPU k-NN, IDS GigE cameras, Modbus TCP PLC, physical buttons, signal lamps, and presence gates. Human-in-the-loop feedback, shift statistics, and complete audit trails.

15 ms

Inferenz inference

20 fps

sustained

MAS Thesis Zero-Shot DINOv3

Zero-Shot Detektor Zero-Shot Detector

Anomalieerkennung ohne Training: DINOv3-Features werden direkt per k-NN klassifiziert. Design-of-Experiments über 3 Backbones (ViT-S/B/L) und variierende Samplezahlen zeigt, dass ViT-L/16 bereits mit einem einzigen Referenzbild 93.7% AUROC erreicht. Anomaly detection without training: DINOv3 features are classified directly via k-NN. A design of experiments across 3 backbones (ViT-S/B/L) and varying sample counts shows that ViT-L/16 achieves 93.7% AUROC with just a single reference image.

0.946

AUROC (k=5)

85 ms

pro Bild per image

Deployment ONNX C# · Python

Edge Model Bridge

End-to-End ONNX-Exporter mit DINOv3-S/B/L-Backbones und kombiniertem Inferenzgraph (uint8→Score+Heatmap). Bridge-IPC über Windows Memory Mapped Files mit Named Pipes und Events — Zero-Copy-Protokoll für produktionstaugliche Latenz. End-to-end ONNX exporter with DINOv3-S/B/L backbones and a combined inference graph (uint8→score+heatmap). Bridge IPC via Windows Memory Mapped Files with Named Pipes and Events — zero-copy protocol for production-grade latency.

< 1 ms

IPC latency

backbones (S/B/L)

MAS Thesis Pipeline SAM3 · YOLO11

SAM3 Inspektions-Pipeline SAM3 Inspection Pipeline

Dreistufige Pipeline: SAM3 segmentiert per Text-Prompt das Prüfobjekt, PatchCore detektiert Anomalien auf der Maske, YOLO11-cls erkennt automatisch den Artikeltyp und lädt artikelspezifische Einstellungen. Modulare PyQt6-Architektur mit synchronem Multi-View-Zoom. Three-stage pipeline: SAM3 segments the inspection object via text prompt, PatchCore detects anomalies on the mask, YOLO11-cls auto-identifies the article type and loads article-specific settings. Modular PyQt6 architecture with synchronized multi-view zoom.

Artikeltypen article types

Stufen stages