Der Vortrag stellt ein Praxisprojekt zur KI-gestützten Qualitätsprüfung von Brillengestellen beim gemeinnützigen Verein EinDollarBrille e. V. vor. Unter realistischen Bedingungen wie kleinen Datensätzen, heterogenen Fotos und manueller Annotation wurde untersucht, ob visuelle Qualitätskriterien zuverlässig per Computer Vision erkannt werden können. Statt großer Modelle kamen spezialisierte Klassifikatoren zum Einsatz. Mit klassischen CNNs wurde eine produktionsnahe Leistung (F1-Score 0,94) erreicht.

Zielpublikum: Anyone with interest in QA, Data Science, ML, or Software for NGOs
Voraussetzungen: None
Level: Basic

Extended Abstract:
Qualitätssicherung in der Fertigung ist oft noch Handarbeit – besonders dort, wo Automatisierung aus Kostengründen kaum möglich ist. In diesem Vortrag berichten wir über ein Praxisprojekt zur KI-gestützten Qualitätsprüfung von Brillengestellen des gemeinnützigen Vereins EinDollarBrille e. V.. Der Verein produziert Sehhilfen in Projektländern zu minimalen Kosten, was Prüfprozesse vor besondere Herausforderungen stellt, schließlich beruht hier das meiste auf ehrenamtlicher Arbeit. 

Ziel des Projekts war es zu prüfen, ob sich definierte visuelle Qualitätskriterien mithilfe von Computer Vision und Machine Learning zuverlässig aus Fotoaufnahmen erkennen lassen. Die Rahmenbedingungen waren bewusst realistisch: Kleine und ungleich verteilte Datensätze, heterogene Aufnahmegeräte, manuelle Annotationen und nur begrenzte Möglichkeiten für aufwendige Nachtests oder Re-Labeling.

Statt eines großen All-in-One-Modells wurden pro Qualitätskriterium spezialisierte binäre Klassifikatoren entwickelt. Ein Schwerpunkt lag weniger auf Modellkomplexität als auf Datenaufbereitung, Perspektiv-Normierung und domänenspezifischen Augmentierungen. Der Vortrag zeigt, warum große multimodale Modelle in dieser Aufgabe überraschend schlecht abschnitten, während klassische CNN-Pipelines robuste Ergebnisse lieferten.

An einem exemplarischen Qualitätskriterium konnte eine produktionsnahe Erkennungsleistung (F1-Score 0,94) erreicht werden. Abschließend teilen wir Learnings und konkrete Empfehlungen zu Datenerhebung, Annotation und Tooling – insbesondere für ML-Projekte unter knappen Ressourcen und mit gesellschaftlichem Mehrwert.