27 Projekte — von der Forschung bis zur Fertigungslinie.27 projects — from research to the production line.
Jedes Projekt löst ein konkretes Problem in der industriellen Fertigung. Schwerpunkt: visuelle Anomalieerkennung mit Foundation Models.Each project solves a concrete problem in industrial manufacturing. Focus: visual anomaly detection with foundation models.
MAS ThesisBenchmarkingPyTorch
Anomalie-Benchmark SuiteAnomaly Benchmark Suite
Systematischer Vergleich von 6 Anomalie-Detektions-Methoden (PatchCore ResNet-50/101, PatchCore-DINOv3 ConvNeXt-S/B, AD-DINOv3 Supervised, Zero-Shot) mit einheitlichem Harness, Youden's-J-Optimierung und LLM-gestütztem Hyperparameter-Tuning via Ollama.Systematic comparison of 6 anomaly detection methods (PatchCore ResNet-50/101, PatchCore-DINOv3 ConvNeXt-S/B, AD-DINOv3 supervised, zero-shot) with a unified harness, Youden's J optimization, and LLM-guided hyperparameter tuning via Ollama.
1.000
AUROC (best)
6
Methodenmethods
2.3 s
training (zero-shot)
MAS ThesisGUIDINOv3 · CLIP
AD-DINOv3 Studio
Desktop-Anwendung mit 6-Tab-GUI für visuelle Anomalieerkennung: DINOv3 + CLIP mit PEFT/LoRA-Adaptern, Batch-Inferenz, Multi-View-Analyse, Oklusions-basierte Defektlokalisierung, TensorBoard-Integration und automatische PDF-Reports mit Heatmaps.Desktop application with 6-tab GUI for visual anomaly detection: DINOv3 + CLIP with PEFT/LoRA adapters, batch inference, multi-view analysis, occlusion-based defect localization, TensorBoard integration, and automated PDF reports with heatmaps.
0.928
image AUROC
138 ms
Inferenzinference
MAS ThesisZero-ShotDINOv3
Zero-Shot DetektorZero-Shot Detector
Anomalieerkennung komplett ohne Training: DINOv3-Features per k-NN klassifiziert. DoE über 3 Backbones (ViT-S/B/L) × 6 Samplezahlen zeigt: ViT-L/16 erreicht 93.7% AUROC mit einem einzigen Referenzbild, 100% ab 32 Samples.Anomaly detection without any training: DINOv3 features classified via k-NN. DoE across 3 backbones (ViT-S/B/L) × 6 sample counts shows: ViT-L/16 reaches 93.7% AUROC with a single reference image, 100% from 32 samples.
0.946
AUROC (k=5)
85 ms
pro Bildper image
0
training required
MAS ThesisBaselineFAISS
PatchCore Baseline
Akademische Reproduktion des PatchCore-Papers (Roth et al. 2021): WideResNet-50/101-Backbones, FAISS-Similarity-Search, 10% Coreset-Subsampling und Ensemble-Support. Evaluiert auf MVTec AD mit 15 Kategorien.Academic reproduction of the PatchCore paper (Roth et al. 2021): WideResNet-50/101 backbones, FAISS similarity search, 10% coreset subsampling, and ensemble support. Evaluated on MVTec AD across 15 categories.
99.2%
image AUROC
98.1%
seg. AUROC
15
Kategoriencategories
MAS ThesisDoEDINOv3
Layer-Optimierung (DoE)Layer Optimization (DoE)
Faktorielle Versuchsplanung zur optimalen Layer-Kombination in DINOv3: Welche Schichten (früh vs. spät) performen besser bei wenigen vs. vielen Trainingsbildern? Testet ViT-S/B/L mit 12-40 Schichten, Fusion-Methoden (concat_pca, Mahalanobis) und Export nach Excel.Factorial design of experiments for optimal DINOv3 layer combinations: which layers (early vs. late) perform better with few vs. many training images? Tests ViT-S/B/L with 12-40 layers, fusion methods (concat_pca, Mahalanobis), and Excel export.
3
backbones
6
sample sizes
MAS ThesisProductionPatchCore
PatchCore ProduktionssystemPatchCore Production System
Produktionssystem mit separater Trainings- und Inferenz-GUI, OneDrive-Checkpoint-Synchronisation zwischen PCs, interaktivem Zoom/Pan, Score-Verteilungsanalyse und automatisiertem Ground-Truth-Labeling. PyTorch Lightning Training.Production system with separate training and inference GUIs, OneDrive checkpoint sync between PCs, interactive zoom/pan, score distribution analysis, and automated ground truth labeling. PyTorch Lightning training.
2
GUIs (Train/Infer)
sync
OneDrive checkpoints
MAS ThesisPipelineSAM3 · YOLO11
SAM3 Inspektions-PipelineSAM3 Inspection Pipeline
Dreistufige Pipeline: SAM3 segmentiert per Text-Prompt, PatchCore detektiert Anomalien, YOLO11-cls erkennt den Artikeltyp automatisch. PyQt6 mit synchronem Multi-View-Zoom und artikelspezifischen Schwellwerten für 99 verschiedene Typen.Three-stage pipeline: SAM3 segments via text prompt, PatchCore detects anomalies, YOLO11-cls auto-identifies the article type. PyQt6 with synchronized multi-view zoom and article-specific thresholds for 99 different types.
End-to-End ONNX-Exporter für DINOv3-S/B/L: Kombinierter Inferenzgraph (uint8→Score+Heatmap), Bridge-IPC über Memory Mapped Files mit Named Pipes/Events, C#-Plugin für industrielle Inspektionssoftware. Zero-Copy-Protokoll.End-to-end ONNX exporter for DINOv3-S/B/L: combined inference graph (uint8→score+heatmap), bridge IPC via Memory Mapped Files with Named Pipes/Events, C# plugin for industrial inspection software. Zero-copy protocol.
Automatisierte Inspektions-Pipeline für medizinische Bauteile: PatchCore-Anomalieerkennung + YOLO11-Artikelklassifikation. Unterstützt 99 Artikel mit unabhängigen Schwellwerten, automatischer Artikelerkennung, YOLO11-Retraining-Modul und synchronisiertem 3-Bild-Zoom.Automated inspection pipeline for medical components: PatchCore anomaly detection + YOLO11 article classification. Supports 99 articles with independent thresholds, automatic article detection, YOLO11 retraining module, and synchronized 3-image zoom.
99
Artikelarticles
auto
Erkennungdetection
ProductionPythonOpenCV
Inline-RohrinspektionInline Tube Inspector
Optisches Echtzeit-Inspektionssystem für die Rohrfertigung: Kamera-Konfigurationsmanager, Detektions-Engine, automatisches Speichern und strukturiertes Logging. Eigenständiges Produktionssystem mit konfigurierbaren Schwellwerten.Real-time optical inspection system for tube manufacturing: camera configuration manager, detection engine, automated image saving, and structured logging. Standalone production system with configurable thresholds.
real-time
Inspektioninspection
EdgeJetsonDINOv3 · FAISS
Edge Vision (Jetson)
Jetson-optimierte Variante des Echtzeit-Defektinspektors: PySide6-GUI mit DINOv3 + FAISS, angepasst an die Hardware-Einschränkungen von Jetson Orin/Nano. Kamera-Handler, Modelltrainer und Produktionskonfigurationen für Edge-AI.Jetson-optimized variant of the real-time defect inspector: PySide6 GUI with DINOv3 + FAISS, adapted to Jetson Orin/Nano hardware constraints. Camera handler, model trainer, and production configs for edge AI.
CVPR 2026: Minimalistischer Ansatz — Training-frei, keine Memory Banks, keine Hilfsdatensätze. DINOv2 Patch-Features + PCA-Subspace-Projektion. Zwischritt-Pipeline liefert 98.0% AUROC im 1-Shot auf MVTec-AD. Live-Demo auf Hugging Face Spaces.CVPR 2026: Minimalist approach — training-free, no memory banks, no auxiliary datasets. DINOv2 patch features + PCA subspace projection. Two-stage pipeline delivers 98.0% AUROC in 1-shot on MVTec-AD. Live demo on Hugging Face Spaces.
Thermische ProzessanalyseThermal Process Analytics
Ökosystem aus 5+ Shiny-Apps für thermische Kavitätenanalyse: Echtzeit-Dashboards für 64-Kavitäten-Werkzeuge mit Dual-Kamera-Systemen, DBSCAN-Cluster-Analyse, retrospektive Limitsetzung, ML-basiertes Training und Hochgeschwindigkeits-Bildgebung.Ecosystem of 5+ Shiny apps for thermal cavity analysis: real-time dashboards for 64-cavity molds with dual camera systems, DBSCAN cluster analysis, retrospective limit setting, ML-based training, and high-speed imaging.
64
Kavitätencavities
5+
Shiny apps
R · QuartoDOEML
DOE-AnalyseplattformDOE Analysis Platform
Umfassende Quarto-Reports für Design-of-Experiments: EDA, Ausreisser-Analyse, Kühlkurven, Datentransformation und ML-Modellvergleich (Random Forest, XGBoost, Decision Trees). Materialvergleichsstudien mit Verifikationsläufen und interaktiven HTML-Reports.Comprehensive Quarto reports for design of experiments: EDA, outlier analysis, cooling curves, data transformation, and ML model comparison (Random Forest, XGBoost, decision trees). Material comparison studies with verification runs and interactive HTML reports.
3
ML models
Quarto
interactive reports
R · ShinyGAMDOCX
SchwindungsprognoseShrinkage Predictor
Interaktive Shiny-App für Schwindungsprognosen im Spritzguss: GAM-basierte Modellierung über Kavitätspositionen und Prozessparameter, automatische Word-Dokumentgenerierung mit Diagrammen und Statistiken, Vereinfachungs-Tools für Datenaufbereitung.Interactive Shiny app for shrinkage prediction in injection molding: GAM-based modeling across cavity positions and process parameters, automated Word document generation with charts and statistics, simplification tools for data preparation.
GAM
Prognosemodellprediction model
auto
DOCX reports
R · ShinySPCQuarto
SPC-Dashboard
Cpk/Ppk-Auswertungs-App mit automatischer Berichterstellung via Quarto: Importiert Messdaten, berechnet Fähigkeitsindizes, erstellt detaillierte PDF-Reports mit Regelkarten, Histogrammen und Normalverteilungstests.Cpk/Ppk evaluation app with automated reporting via Quarto: imports measurement data, calculates capability indices, generates detailed PDF reports with control charts, histograms, and normality tests.
Cpk/Ppk
Fähigkeitsindizescapability indices
PDF
auto reports
PythonKafkaStreaming
Prädiktive QualitätPredictive Quality
Echtzeit-Qualitätsprädiktion mit Kafka-Streaming: Trainierte Modelle sagen Qualitätsmerkmale während der Produktion voraus. Producer/Consumer-Architektur mit Streaming-Dashboard, Model-Trainer (Jupyter) und kontinuierlichem Monitoring.Real-time quality prediction with Kafka streaming: trained models predict quality characteristics during production. Producer/consumer architecture with streaming dashboard, model trainer (Jupyter), and continuous monitoring.
Kafka
streaming
real-time
Prädiktionprediction
ResearchMulti-ModalBLIP · FAISS
BLIP Anomalie-DetektorBLIP Anomaly Detector
Multi-modale Anomalieerkennung durch Kombination von Vision- und Sprachmodellen: BLIP-Features werden per FAISS-Vektordatenbank indiziert und ermöglichen Anomalieerkennung über textuelle Beschreibungen. PySide6-GUI mit Trainings- und Inferenz-Modus.Multi-modal anomaly detection combining vision and language models: BLIP features are indexed via FAISS vector database, enabling anomaly detection through textual descriptions. PySide6 GUI with training and inference modes.
7.6K
LOC
multi
modalmodal
VisionPySide6PyTorch
Anomalie-SegmentiererAnomaly Segmenter
Instanzbasierte Anomalie-Segmentierung: Geht über reine Detektion hinaus und segmentiert Defektregionen pixelgenau. PySide6-GUI mit Overlay-Visualisierung, konfigurierbaren Schwellwerten und Batch-Export der Segmentierungsmasken.Instance-level anomaly segmentation: goes beyond pure detection to segment defect regions at pixel level. PySide6 GUI with overlay visualization, configurable thresholds, and batch export of segmentation masks.
7.4K
LOC
pixel
Segmentierungsegmentation
DeploymentFastAPIONNX Runtime
Flex ONNX Studio
Web-basierter ONNX-Modell-Management-Server: REST-API für Modellverwaltung, Training, Inferenz und Evaluierung. FastAPI-Backend mit automatischem Modellwechsel, Versionierung und Multi-Backbone-Support (DINOv3 S/B/L). Das grösste Einzelprojekt mit 41K LOC.Web-based ONNX model management server: REST API for model management, training, inference, and evaluation. FastAPI backend with automatic model switching, versioning, and multi-backbone support (DINOv3 S/B/L). The largest single project at 41K LOC.
41K
LOC
REST
API
DeploymentGUIONNX · Installer
Flex ONNX Studio 2.0
Weiterentwicklung mit nativer Desktop-GUI: Modernisierte Oberfläche mit Echtzeit-Inferenz-Vorschau, integriertem Modelltraining und professionellem Installer (Inno Setup + Nuitka). Komplettes Deployment-Paket für produktionsnahe Umgebungen.Evolution with native desktop GUI: modernized interface with real-time inference preview, integrated model training, and professional installer (Inno Setup + Nuitka). Complete deployment package for production-adjacent environments.
15K
LOC
Nuitka
compiled
LLMStreamlitCrewAI · Ollama
LLM-Agenten-OrchestrierungLLM Agent Orchestration
Multi-Agenten-System mit CrewAI und lokalen Ollama-Modellen: Spezialisierte Agenten für Recherche, Analyse und Reporting arbeiten autonom zusammen. Streamlit-Dashboard zur Konfiguration von Crews, Tasks und Agent-Rollen.Multi-agent system with CrewAI and local Ollama models: specialized agents for research, analysis, and reporting work autonomously together. Streamlit dashboard for configuring crews, tasks, and agent roles.
5.2K
LOC
local
LLM (Ollama)
RAGStreamlitChromaDB
Research RAG SystemResearch RAG System
RAG-basiertes Recherche-Tool: Wissenschaftliche Papers und technische Dokumentation werden in ChromaDB vektorisiert und per semantischer Suche durchsuchbar gemacht. Streamlit-UI mit kontextbezogenen Antworten und Quellenangaben.RAG-based research tool: scientific papers and technical documentation are vectorized in ChromaDB and made searchable via semantic search. Streamlit UI with contextual answers and source citations.
3.7K
LOC
ChromaDB
Vektordatenbankvector DB
MAS Thesis · Benchmarking · PyTorch
Anomalie-Benchmark SuiteAnomaly Benchmark Suite
Kern meiner MAS-Diplomarbeit: ein einheitliches Benchmark-Framework, das 6 verschiedene Anomalie-Detektions-Methoden unter identischen Bedingungen vergleicht. Zentrales Ergebnis: Die Zero-Shot-Methode (D) erreicht 100% AUROC mit nur 4 Referenzbildern — bei 2.3s Trainingszeit statt 290s für supervised Ansätze.Core of my MAS thesis: a unified benchmark framework comparing 6 anomaly detection methods under identical conditions. Key finding: the zero-shot method (D) achieves 100% AUROC with just 4 reference images — at 2.3s training time vs. 290s for supervised approaches.
1.000
AUROC (best)
6
Methodenmethods
2.3 s
training (D)
DoE summaryAUROC heatmapSpeed vs. accuracy
PyTorchPatchCoreDINOv3FAISSOllamaStreamlit
MAS Thesis · Desktop GUI · DINOv3 + CLIP
AD-DINOv3 Studio
Desktop-Anwendung mit 6-Tab-GUI: DINOv3 + CLIP mit PEFT/LoRA, Batch-Inferenz, Multi-View-Analyse, Oklusions-basierte Defektlokalisierung, TensorBoard und automatische PDF-Reports.Desktop application with 6-tab GUI: DINOv3 + CLIP with PEFT/LoRA, batch inference, multi-view analysis, occlusion-based defect localization, TensorBoard, and automated PDF reports.
0.928
AUROC
138 ms
Inferenzinference
DINOv3CLIPPEFT/LoRATensorBoardPDF
MAS Thesis · Zero-Shot · DoE
Zero-Shot DetektorZero-Shot Detector
Anomalieerkennung ohne Training: DINOv3-Features per k-NN. DoE über 3 Backbones × 6 Samplezahlen — ViT-L/16 erreicht 93.7% AUROC mit einem einzigen Referenzbild.Anomaly detection without training: DINOv3 features via k-NN. DoE across 3 backbones × 6 sample counts — ViT-L/16 reaches 93.7% AUROC with a single reference image.
169 Commits, 30K LOC: Produktions-GUI für 20 FPS Anomalieerkennung mit DINOv3 + FAISS-GPU, IDS GigE-Kameras, Modbus-TCP-SPS, Human-in-the-Loop Feedback, Schichtstatistiken und Audit-Trails.169 commits, 30K LOC: production GUI for 20 FPS anomaly detection with DINOv3 + FAISS-GPU, IDS GigE cameras, Modbus TCP PLC, human-in-the-loop feedback, shift statistics, and audit trails.
15 ms
Inferenzinference
20 fps
sustained
30K
LOC
PySide6DINOv3FAISS-GPUIDS PeakModbus TCP
Deployment · ONNX · C# + Python
Edge Model Bridge
End-to-End ONNX-Exporter mit DINOv3-S/B/L und Zero-Copy IPC via Memory Mapped Files. Brücke zwischen ML und industrieller Inspektionssoftware.End-to-end ONNX exporter with DINOv3-S/B/L and zero-copy IPC via Memory Mapped Files. Bridge between ML and industrial inspection software.
ROC curveF1 scoreThreshold optimization
ONNXDINOv3C# .NETMMFNamed Pipes
MAS Thesis · SAM3 + PatchCore + YOLO11
SAM3 Inspektions-PipelineSAM3 Inspection Pipeline
Dreistufige Pipeline: SAM3 segmentiert per Text-Prompt, PatchCore detektiert Anomalien, YOLO11-cls erkennt automatisch den Artikeltyp. Neue Artikel in Minuten in Betrieb — ohne manuelles Labeling.Three-stage pipeline: SAM3 segments via text prompt, PatchCore detects anomalies, YOLO11-cls auto-identifies article type. New articles commissioned in minutes — no manual labeling.
99
Artikeltypenarticle types
3
foundation models
SAM3PatchCoreYOLO11PyQt6
MAS Thesis · Baseline · FAISS
PatchCore Baseline
Akademische Reproduktion des PatchCore-Papers (Roth et al. 2021) als Baseline für alle weiteren Anomalie-Detektions-Methoden. Wide ResNet-50-2 und Wide ResNet-101-2 Backbones mit FAISS-basierter Nearest-Neighbor-Suche und 10% Coreset-Subsampling. Evaluiert auf dem MVTec Anomaly Detection Datensatz mit 15 Kategorien (5 Texturen, 10 Objekte). Erreicht 99.2% image-level AUROC und 98.1% pixel-level AUROC — reproduziert die Originalergebnisse nahezu exakt.Academic reproduction of the PatchCore paper (Roth et al. 2021) as baseline for all subsequent anomaly detection methods. Wide ResNet-50-2 and Wide ResNet-101-2 backbones with FAISS nearest-neighbor search and 10% coreset subsampling. Evaluated on MVTec AD across 15 categories (5 textures, 10 objects). Achieves 99.2% image-level AUROC and 98.1% pixel-level AUROC — reproducing original results almost exactly.
99.2%
image AUROC
98.1%
seg. AUROC
15
Kategoriencategories
PyTorchWideResNetFAISSMVTec ADCoreset
MAS Thesis · DoE · DINOv3
Layer-Optimierung (DoE)Layer Optimization (DoE)
Faktorielle Versuchsplanung zur Bestimmung der optimalen Layer-Kombination in DINOv3: Systematische Untersuchung, welche Schichten (frühe vs. späte) bei wenigen vs. vielen Trainingsbildern besser performen. Testet ViT-S/B/L mit 12-40 Schichten, verschiedene Fusion-Methoden (concat_pca, Mahalanobis-Distanz) und exportiert alle Ergebnisse strukturiert nach Excel. Die Erkenntnisse fliessen direkt in die Konfiguration der Produktionssysteme ein.Factorial design of experiments to determine optimal layer combinations in DINOv3: systematic investigation of which layers (early vs. late) perform better with few vs. many training images. Tests ViT-S/B/L with 12-40 layers, various fusion methods (concat_pca, Mahalanobis distance), and exports all results to Excel. Findings flow directly into production system configuration.
3
backbones
6
sample sizes
40
max layers
DINOv3 ViT-S/B/LDoEPCAMahalanobisExcel
MAS Thesis · Production · PatchCore
PatchCore ProduktionssystemPatchCore Production System
Produktionssystem mit separater Trainings- und Inferenz-GUI: Die Trainings-GUI erstellt PatchCore-Modelle mit PyTorch Lightning, die Inferenz-GUI führt Echtzeit-Bewertungen durch. OneDrive-basierte Checkpoint-Synchronisation ermöglicht nahtlosen Transfer zwischen Entwicklungs- und Produktions-PCs. Features: Interaktiver Zoom/Pan, Score-Verteilungsanalyse, automatisiertes Ground-Truth-Labeling und konfigurierbare Schwellwerte pro Artikeltyp.Production system with separate training and inference GUIs: the training GUI creates PatchCore models with PyTorch Lightning, the inference GUI performs real-time evaluations. OneDrive-based checkpoint synchronization enables seamless transfer between development and production PCs. Features: interactive zoom/pan, score distribution analysis, automated ground truth labeling, and configurable thresholds per article type.
SAM3 + DINO-basiertes Tool zur automatischen Ground-Truth-Maskenerstellung: Vision-Tracking verfolgt Objekte über Bildsequenzen, LLM-Reasoning-Agents unterstützen bei komplexen Segmentierungsentscheidungen. Umfassende Evaluationsmetriken (COCO, CGF1, HOTA, TETA) bewerten die Maskenqualität automatisch. Batch-Processing und Kalibrations-UI ermöglichen effiziente Datensatz-Vorbereitung im industriellen Massstab. Mit 51K LOC das zweitgrösste Projekt im Portfolio.SAM3 + DINO-based tool for automated ground truth mask generation: vision tracking follows objects across image sequences, LLM reasoning agents support complex segmentation decisions. Comprehensive evaluation metrics (COCO, CGF1, HOTA, TETA) automatically assess mask quality. Batch processing and calibration UI enable efficient dataset preparation at industrial scale. At 51K LOC, the second-largest project in the portfolio.
Automatisierte Inspektions-Pipeline für medizinische Bauteile: PatchCore-Anomalieerkennung erkennt Oberflächendefekte, YOLO11-Klassifikation identifiziert automatisch den Artikeltyp aus 99 verschiedenen Varianten. Jeder Artikel hat unabhängige Schwellwerte, die über die GUI kalibriert werden können. Ein YOLO11-Retraining-Modul erlaubt das Hinzufügen neuer Artikeltypen direkt aus der Anwendung. Synchronisierter 3-Bild-Zoom (Original, Heatmap, Score-Map) für präzise Defektanalyse.Automated inspection pipeline for medical components: PatchCore anomaly detection identifies surface defects, YOLO11 classification automatically identifies the article type from 99 variants. Each article has independent thresholds calibrated via the GUI. A YOLO11 retraining module allows adding new article types directly from the application. Synchronized 3-image zoom (original, heatmap, score map) for precise defect analysis.
99
Artikelarticles
auto
Erkennungdetection
PatchCoreYOLO11-clsPyQt6Multi-View Zoom
Production · Python · OpenCV
Inline-RohrinspektionInline Tube Inspector
Optisches Echtzeit-Inspektionssystem für die Rohrfertigung: Kamera-Konfigurationsmanager steuert Belichtung, Fokus und ROI. Die Detektions-Engine analysiert Rohrgeometrie und Oberflächenqualität in Echtzeit. Automatisches Speichern von Defektbildern mit Zeitstempel und strukturiertem Logging für lückenlose Rückverfolgbarkeit. Eigenständiges Produktionssystem mit konfigurierbaren Schwellwerten pro Rohrdimension.Real-time optical inspection system for tube manufacturing: camera configuration manager controls exposure, focus, and ROI. The detection engine analyzes tube geometry and surface quality in real time. Automatic saving of defect images with timestamps and structured logging for complete traceability. Standalone production system with configurable thresholds per tube dimension.
real-time
Inspektioninspection
OpenCVPythonStructured Logging
Edge · Jetson · DINOv3 + FAISS
Edge Vision (Jetson)
Jetson-optimierte Variante des Echtzeit-Defektinspektors: Angepasst an die Speicher- und Recheneinschränkungen von Jetson Orin und Jetson Nano. DINOv3 + FAISS mit optimierten Batch-Grössen und reduziertem VRAM-Footprint. PySide6-GUI mit Kamera-Handler, Modelltrainer und produktionsspezifischen Konfigurationen. Demonstriert, dass industrielle AI-Inspektion auf Edge-Hardware mit <50W Leistungsaufnahme möglich ist.Jetson-optimized variant of the real-time defect inspector: adapted to memory and compute constraints of Jetson Orin and Jetson Nano. DINOv3 + FAISS with optimized batch sizes and reduced VRAM footprint. PySide6 GUI with camera handler, model trainer, and production-specific configs. Demonstrates that industrial AI inspection is feasible on edge hardware at <50W power consumption.
Implementierung eines CVPR 2025 Papers: Training-freie Few-Shot-Anomalieerkennung mit gefrorenen DINOv3-Features und PCA-Subspace-Modellierung. Drei Kernkomponenten arbeiten zusammen: Contextual Component Clustering (C³) segmentiert semantische Regionen, Component-Aware Patch Matching (CAPM) vergleicht Features kontextbewusst, und Graph-Enhanced Modeling (GECM) nutzt räumliche Beziehungen. Erreicht 98.0% AUROC auf MVTec AD im 1-Shot-Setting und 93.3% auf dem anspruchsvolleren VisA-Datensatz.Implementation of a CVPR 2025 paper: training-free few-shot anomaly detection using frozen DINOv3 features and PCA subspace modeling. Three core components work together: Contextual Component Clustering (C³) segments semantic regions, Component-Aware Patch Matching (CAPM) compares features context-aware, and Graph-Enhanced Modeling (GECM) leverages spatial relationships. Achieves 98.0% AUROC on MVTec AD in the 1-shot setting and 93.3% on the more challenging VisA dataset.
Implementierung eines CVPR 2026 Papers mit einem bewusst minimalistischen Ansatz: Komplett training-frei, keine Memory Banks, keine Hilfsdatensätze. DINOv2 Patch-Features werden in einen PCA-Subspace projiziert — Anomalien manifestieren sich als Abweichungen vom gelernten Normalraum. Eine zweistufige Pipeline liefert 98.0% AUROC im 1-Shot und 98.4% im 4-Shot auf MVTec-AD. Live-Demo auf Hugging Face Spaces verfügbar.Implementation of a CVPR 2026 paper with a deliberately minimalist approach: completely training-free, no memory banks, no auxiliary datasets. DINOv2 patch features are projected into a PCA subspace — anomalies manifest as deviations from the learned normal space. A two-stage pipeline achieves 98.0% AUROC in 1-shot and 98.4% in 4-shot on MVTec-AD. Live demo available on Hugging Face Spaces.
Dreistufige Zero-Shot-Architektur für Defekterkennung ohne jegliche Trainingsbilder: VAD3-Base nutzt einen gefrorenen DINOv3-Backbone mit Two-Token-Head, VAD3-AACM kalibriert CLS-Token-Scores, VAD3-Distill destilliert CLIP-Wissen in den Detektor. Multi-Layer-Fusion kombiniert Features aus verschiedenen Transformer-Schichten, Spatial Cross-Attention lokalisiert Defekte präzise. Der gesamte Inferenzgraph ist ONNX-exportierbar für den Produktionseinsatz.Three-stage zero-shot architecture for defect detection without any training images: VAD3-Base uses a frozen DINOv3 backbone with two-token head, VAD3-AACM calibrates CLS token scores, VAD3-Distill distills CLIP knowledge into the detector. Multi-layer fusion combines features from different transformer layers, Spatial Cross-Attention localizes defects precisely. The entire inference graph is ONNX-exportable for production use.
3
Stufenstages
ONNX
exportierbarexportable
DINOv3CLIPCross-AttentionONNXMulti-Layer Fusion
R · Shiny · DBSCAN
Thermische ProzessanalyseThermal Process Analytics
Ein Ökosystem aus über 5 Shiny-Apps für die thermische Kavitätenanalyse im Spritzguss: Echtzeit-Dashboards überwachen 64-Kavitäten-Werkzeuge mit Dual-Kamera-Systemen (Thermografie + Visuell). DBSCAN-Cluster-Analyse gruppiert Kavitäten nach thermischem Verhalten, retrospektive Limitsetzung ermöglicht nachträgliche Prozessfähigkeitsanalyse. ML-basiertes Training korreliert Temperaturen mit Qualitätsmerkmalen, Hochgeschwindigkeits-Bildgebung dokumentiert den Entformungsprozess.An ecosystem of 5+ Shiny apps for thermal cavity analysis in injection molding: real-time dashboards monitor 64-cavity molds with dual camera systems (thermal + visual). DBSCAN cluster analysis groups cavities by thermal behavior, retrospective limit setting enables post-hoc process capability analysis. ML-based training correlates temperatures with quality features, high-speed imaging documents the demolding process.
64
Kavitätencavities
5+
Shiny apps
dual
Kamerascameras
RShinyDBSCANThermografieML
R · Quarto · DOE · ML
DOE-AnalyseplattformDOE Analysis Platform
Umfassende Quarto-Reports für Design-of-Experiments im Spritzguss: EDA mit automatischer Ausreissererkennung, Kühlkurvenanalyse, Datentransformation und ML-Modellvergleich. Random Forest, XGBoost und Decision Trees werden trainiert und verglichen, um die einflussreichsten Prozessparameter zu identifizieren. Materialvergleichsstudien mit Verifikationsläufen validieren die Ergebnisse, interaktive HTML-Reports machen die Analyse für alle Stakeholder zugänglich.Comprehensive Quarto reports for design of experiments in injection molding: EDA with automatic outlier detection, cooling curve analysis, data transformation, and ML model comparison. Random Forest, XGBoost, and Decision Trees are trained and compared to identify the most influential process parameters. Material comparison studies with verification runs validate results, interactive HTML reports make analysis accessible to all stakeholders.
3
ML models
Quarto
interactive
RQuartoRandom ForestXGBoostDOE
R · Shiny · GAM
SchwindungsprognoseShrinkage Predictor
Interaktive Shiny-App für Schwindungsprognosen im Spritzguss: GAM-basierte Modellierung (Generalized Additive Models) über Kavitätspositionen und Prozessparameter ermöglicht präzise Vorhersagen der Materialschwindung. Automatische Word-Dokumentgenerierung erstellt professionelle Reports mit Diagrammen und Statistiken. Vereinfachungs-Tools transformieren Rohdaten in analysefähige Formate — von der Messmaschine bis zum fertigen Bericht in einem Workflow.Interactive Shiny app for shrinkage prediction in injection molding: GAM-based modeling (Generalized Additive Models) across cavity positions and process parameters enables precise material shrinkage predictions. Automatic Word document generation creates professional reports with charts and statistics. Simplification tools transform raw data into analysis-ready formats — from the measurement machine to the final report in one workflow.
GAM
Prognosemodellprediction model
auto
DOCX reports
RShinyGAMofficer (DOCX)
R · Shiny · SPC · Quarto
SPC-Dashboard
Cpk/Ppk-Auswertungs-App mit automatischer Berichterstellung: Importiert Messdaten aus verschiedenen Quellen, berechnet Fähigkeitsindizes nach ISO-Normen, erstellt detaillierte PDF-Reports mit Regelkarten (X̄-R, X̄-S), Histogrammen, Normalverteilungstests (Shapiro-Wilk, Anderson-Darling) und Prozessfähigkeitsanalysen. Quarto-basierte Report-Engine erlaubt flexible Anpassung der Berichtsvorlagen.Cpk/Ppk evaluation app with automated reporting: imports measurement data from various sources, calculates capability indices per ISO standards, generates detailed PDF reports with control charts (X̄-R, X̄-S), histograms, normality tests (Shapiro-Wilk, Anderson-Darling), and process capability analyses. Quarto-based report engine allows flexible customization of report templates.
Cpk/Ppk
Fähigkeitsindizescapability indices
PDF
auto reports
RShinyQuartoSPCISO
Python · Kafka · Streaming
Prädiktive QualitätPredictive Quality
Echtzeit-Qualitätsprädiktion mit Apache Kafka-Streaming: Trainierte ML-Modelle sagen Qualitätsmerkmale bereits während der Produktion voraus — bevor das Teil die Maschine verlässt. Producer/Consumer-Architektur mit Streaming-Dashboard für Live-Monitoring, Model-Trainer (Jupyter Notebooks) für iterative Modellverbesserung und kontinuierliches Monitoring der Modellperformance über Schichten hinweg.Real-time quality prediction with Apache Kafka streaming: trained ML models predict quality characteristics during production — before the part leaves the machine. Producer/consumer architecture with streaming dashboard for live monitoring, model trainer (Jupyter Notebooks) for iterative model improvement, and continuous monitoring of model performance across shifts.
Kafka
streaming
real-time
Prädiktionprediction
Apache KafkaPythonJupyterStreaming
Research · Multi-Modal · BLIP + FAISS
BLIP Anomalie-DetektorBLIP Anomaly Detector
Experimenteller multi-modaler Ansatz zur Anomalieerkennung: BLIP (Bootstrapping Language-Image Pre-training) kombiniert Vision- und Sprachverständnis. Bilder werden als BLIP-Features extrahiert und per FAISS-Vektordatenbank indiziert. Der Clou: Anomalien können über natürlichsprachliche Beschreibungen ("Kratzer auf der Oberfläche") gesucht werden — ein Brückenschlag zwischen menschlicher Intuition und maschineller Erkennung. PySide6-GUI mit separatem Trainings- und Inferenz-Modus.Experimental multi-modal approach to anomaly detection: BLIP (Bootstrapping Language-Image Pre-training) combines vision and language understanding. Images are extracted as BLIP features and indexed via FAISS vector database. The key innovation: anomalies can be searched via natural language descriptions ("scratch on the surface") — bridging human intuition and machine detection. PySide6 GUI with separate training and inference modes.
7.6K
LOC
multi
modal
BLIPFAISSPySide6TransformersPyTorch
Vision · PySide6 · PyTorch
Anomalie-SegmentiererAnomaly Segmenter
Geht über reine Anomalie-Detektion hinaus: Dieses Tool segmentiert Defektregionen pixelgenau und liefert präzise Masken für jede erkannte Anomalie. PySide6-GUI mit Overlay-Visualisierung zeigt Original, Segmentierungsmaske und Konfidenz-Heatmap übereinandergelegt. Konfigurierbare Schwellwerte pro Defekttyp und Batch-Export der Segmentierungsmasken für Weiterverarbeitung oder Ground-Truth-Erstellung.Goes beyond pure anomaly detection: this tool segments defect regions at pixel level, delivering precise masks for each detected anomaly. PySide6 GUI with overlay visualization shows original, segmentation mask, and confidence heatmap superimposed. Configurable thresholds per defect type and batch export of segmentation masks for further processing or ground truth creation.
7.4K
LOC
pixel
Segmentierungsegmentation
PyTorchPySide6OpenCVTransformers
Deployment · FastAPI · ONNX Runtime
Flex ONNX Studio
Das grösste Einzelprojekt im Portfolio (41K LOC): Ein web-basierter ONNX-Modell-Management-Server mit FastAPI-Backend. REST-API für komplette Modellverwaltung — von der Konfiguration über Training und Evaluierung bis zur Inferenz. Automatischer Modellwechsel zwischen DINOv3-Backbones (S/B/L), Versionierung aller Modellstände und Multi-User-Zugriff. Konzipiert als zentrale ML-Infrastruktur für industrielle Inspektionsanwendungen.The largest single project in the portfolio (41K LOC): a web-based ONNX model management server with FastAPI backend. REST API for complete model management — from configuration through training and evaluation to inference. Automatic model switching between DINOv3 backbones (S/B/L), versioning of all model states, and multi-user access. Designed as central ML infrastructure for industrial inspection applications.
41K
LOC
REST
API
3
backbones
FastAPIONNX RuntimeDINOv3scikit-learnOpenCV
Deployment · GUI · ONNX + Installer
Flex ONNX Studio 2.0
Weiterentwicklung des Flex ONNX Studio mit nativer Desktop-GUI: Modernisierte Oberfläche mit Echtzeit-Inferenz-Vorschau, integriertem Modelltraining und direktem Zugriff auf alle ONNX-Modell-Operationen. Professionelles Deployment-Paket mit Nuitka-Kompilierung für schnelle Startzeiten und Inno-Setup-Installer für einfache Verteilung. Komplettes End-to-End-Paket für produktionsnahe Umgebungen — vom Installer bis zur laufenden Inferenz.Evolution of Flex ONNX Studio with native desktop GUI: modernized interface with real-time inference preview, integrated model training, and direct access to all ONNX model operations. Professional deployment package with Nuitka compilation for fast startup times and Inno Setup installer for easy distribution. Complete end-to-end package for production-adjacent environments — from installer to running inference.
15K
LOC
Nuitka
compiled
ONNX RuntimeNuitkaInno SetupPyTorchTransformers
LLM · Streamlit · CrewAI + Ollama
LLM-Agenten-OrchestrierungLLM Agent Orchestration
Multi-Agenten-System mit CrewAI-Framework und lokalen Ollama-Modellen: Spezialisierte Agenten für Recherche, Analyse und Reporting arbeiten autonom und kooperativ zusammen. Das Streamlit-Dashboard ermöglicht die Konfiguration von Crews (Agentengruppen), Tasks (Aufgaben) und individuellen Agent-Rollen mit spezifischen Werkzeugen. Alle LLM-Aufrufe laufen lokal über Ollama — keine Cloud-Abhängigkeit, volle Datenkontrolle. Eingesetzt für LLM-gestütztes Hyperparameter-Tuning in der Anomalieerkennung.Multi-agent system with CrewAI framework and local Ollama models: specialized agents for research, analysis, and reporting work autonomously and cooperatively. The Streamlit dashboard enables configuration of crews (agent groups), tasks, and individual agent roles with specific tools. All LLM calls run locally via Ollama — no cloud dependency, full data control. Used for LLM-guided hyperparameter tuning in anomaly detection.
5.2K
LOC
local
LLM
CrewAIOllamaStreamlitPython
RAG · Streamlit · ChromaDB
Research RAG SystemResearch RAG System
RAG-basiertes Recherche-Tool für wissenschaftliche Literatur: Papers und technische Dokumentation werden als Embeddings in einer ChromaDB-Vektordatenbank gespeichert und per semantischer Suche durchsuchbar gemacht. Die Streamlit-UI ermöglicht natürlichsprachliche Fragen ("Welches Backbone performt am besten bei wenigen Trainingsbildern?") und liefert kontextbezogene Antworten mit präzisen Quellenangaben. Eingesetzt für die Literaturrecherche der MAS-Diplomarbeit.RAG-based research tool for scientific literature: papers and technical documentation are stored as embeddings in a ChromaDB vector database and made searchable via semantic search. The Streamlit UI enables natural language questions ("Which backbone performs best with few training images?") and delivers contextual answers with precise source citations. Used for the literature review of the MAS thesis.
