Forschung und Entwicklung in der Industrie-Software ist ein zentraler Bestandteil der Innovationsstrategie von SCIIL AG und UAB Sciil Baltic. Im Rahmen nationaler und europäischer Förderprogramme für Innovation & Forschung sowie eigenfinanzierter Projekte entwickeln wir digitale Lösungen für Produktion, Qualitätssicherung und KI-gestützte Datenanalyse kontinuierlich weiter. Auf dieser Seite stellen wir unsere laufenden und abgeschlossenen Forschungs- und Entwicklungsprojekte transparent und gemäß den Anforderungen der jeweiligen Förderinstitutionen dar.
SCIIL BALTIC UAB setzt das Projekt „REPORTIO II“ um
Im Rahmen des Projekts wird das intelligente Farmüberwachungssystem Reportio, dessen Funktionsweise auf IoT-Sensorik, selbstlernenden Systemen sowie Analysealgorithmen basiert, um neue, für Anwender relevante Lösungen erweitert.
Nach erfolgreichem Abschluss des Projekts wird das bestehende Produkt Reportio um zusätzliche intelligente Funktionen und praxisorientierte Lösungen ergänzt.
- Projekttitel: „REPORTIO II“
- Projektträger: UAB „Sciil Baltic“
- Projektziel: Erweiterung des Produkts REPORTIO um neue, anwenderrelevante intelligente Lösungen.
Gesamtprojektvolumen: 1.638.052,06 EUR
Förderung aus dem Europäischen Fonds für regionale Entwicklung: 737.123,44 EUR
VISION – KI-gestützte visuelle Qualitätsinspektion in der industriellen Fertigung
- Projektträger: SCIIL AG, Deutschland
- Förderprogramm: Steuerliche Forschungszulage gemäß Forschungszulagengesetz (FZulG), Bundesrepublik Deutschland
Projektziel
Entwicklung einer KI-basierten, OEM-agnostischen Plattform zur automatisierten visuellen Qualitätsprüfung in industriellen Produktionsumgebungen. Das System soll dynamische und statische Defekte in Echtzeit erkennen und die Qualitätsprozesse direkt am Shopfloor digital unterstützen.
Projektbeschreibung
Im Rahmen Innovation & Forschung entwickelt SCIIL eine modulare AI-Visual-Inspection-Lösung, die industrielle Kamerasysteme, Edge-Processing, Server-Architektur sowie eine zentrale Daten- und Anwendungsplattform integriert.
Kern der Forschungsaktivitäten ist die Entwicklung neuartiger Deep-Learning-Modelle zur Erkennung komplexer, variabler Defektbilder – beispielsweise Falten, Materialverformungen, Verschmutzungen oder Montageabweichungen. Dabei werden sowohl dynamische Fehlerbilder (z. B. positionsabhängige Defekte) als auch statische Merkmale analysiert.
Die technologische Herausforderung liegt insbesondere in:
- der Entwicklung robuster Trainingsmethoden für stark variierende Produktionsbedingungen,
- der Echtzeit-Verarbeitung großer Bilddatenmengen,
- der Skalierbarkeit auf unterschiedliche Kameratypen und OEM-Umgebungen,
- sowie der Integration in bestehende Produktions-, MES- und Qualitätsmanagementsysteme.
Im Projekt werden Prototypen entwickelt, Pilotinstallationen umgesetzt und Algorithmen kontinuierlich optimiert. Ziel ist eine marktreife, industriell einsetzbare Lösung, die sowohl On-Premise als auch in hybriden Architekturen betrieben werden kann.