Anwendungsspezifische KI für ihre Datenanwendungen

TOPAS Vision

TOPAS entwickelt und integriert maßgeschneiderte KI-Lösungen für Unternehmen, die Daten und insbesondere Bilddaten zuverlässig auswerten. Wir verbinden methodische Stärke mit langjähriger Praxiserfahrung aus Robotik, Autonomie, Perception und Mapping. Unser Fokus liegt auf Lösungen, die im Alltag stabil laufen und sich sauber in bestehende Prozesse einfügen.

Was wir anbieten

End-to-End in 3 Phasen

Prozessanalyse & Machiene Learning Konzept

Wir prüfen Ziele, KPIs, Daten, Machbarkeit und Integration.

Proof of Concept auf Realdaten

Umsetzung, Training, Evaluierung und transparente Ergebnisse zeigen den Nutzen.

Integration & Deployment

Integration von Schnittstellen, Betrieb und Monitoring bereiten die Übergabe in den Regelbetrieb vor.

Zwischen diesen Schritten sorgen wir für Klarheit und Planbarkeit: Als Startpunkt definieren wir gemeinsam mit Ihnen messbare Erfolgskriterien. Danach arbeiten wir auf Basis Ihrer realen Daten und behalten von Anfang an die spätere Integration im Blick. So entsteht keine „KI-Demo“, sondern eine Lösung, die technisch und organisatorisch in Ihren Betrieb passt – mit transparentem Vorgehen und belastbaren Ergebnissen.

Warum TOPAS?

Bildbasierte Machiene Learning-Kernkompetenz: Klassifizierung, Segmentierung, Objekterkennung und komplexe Spezialfälle inklusive Nachbearbeitung.

Datenschutz & Kontrolle: Entwicklung und Training auf unserer eigenen Hardware

Produktionstaugliche Lösungen: Wir liefern nicht nur ein Modell sondern eine komplette Lösung, die direkt einsatzbereit ist, inklusive aller nötigen Schritte zur Integration.

Edge- und Echtzeit‑Erfahrung: Rechenleistung direkt dort, wo die Daten entstehen. Lösungen, die auch in ressourcenbegrenzten Umgebungen funktionieren

C++‑Inferenz‑Stack: Hochperformante Ausführung für anspruchsvolle Anwendungen.

Robustheit aus der Praxis: Know‑how aus realen Systemen wie autonomen Maschinen und Robotik.

Anwendungsbeispiele aus der Praxis

Kleinstobjekterkennung & -Tracking – Ampeln in Echtzeit

Dieses Beispiel zeigt, wie wir arbeiten, wenn Standardmodelle nicht reichen: Wir passen nicht nur Gewichte sondern auch die Architektur an – wichtig bei speziellen Optiken, ungewöhnlichen Perspektiven, Kleinstobjekten, engen Latenzbudgets oder Edge‑Hardware.

Beispiel Ampeldetektion:Wir lösen eine typische Kleinstobjekt‑Aufgabe: Ampeln mit nur 2–3 Pixeln werden sicher erkannt, der Status bestimmt und per Tracking stabil über mehrere Frames verfolgt.

Die Architektur ist auf hohe Auflösung bei effizienter Inferenz ausgelegt: Weniger Layer, feinere Feature‑Skalen – optimal für winzige Objekte und auf andere Spezialfälle übertragbar.

Auch das Tracking ist angepasst (ByteTrack mit Multi‑Label): Status und Pfeilrichtungen werden konsistent kombiniert.

Ergebnis: Eine robuste, echtzeitfähige Lösung auf Jetson Orin Nano und x86‑GPU – nicht nur ein Labor‑Experiment, sondern produktionsnah umgesetzt.

Geometriegestützte Beobachtungsfusion planarer Strukturen – semantische Karten trotz Okklusionen

Unser Verfahren verbindet Segmentierungen aus mehreren Kamerabildern zu stabilen, geometrisch korrekten Karten – auch bei Verkehr, beweglichen Objekten und starken Okklusionen. So können ganze Fahrzeugflotten zuverlässig kartieren.

Das Beispiel zeigt unsere Fahrbahnrekonstruktion im öffentlichen Straßenverkehr. Die Methode funktioniert ebenso für andere plane Strukturen wie PCBs (Printed Circuit Boards) oder allgemeine Inspektionsaufgaben mit verdeckten Bereichen.

Ein Teil des Ansatzes ist patentangemeldet. Für Kunden heißt das: eine praxiserprobte, anpassbare Systemlösung, die weit über ein einzelnes ML‑Modell hinausgeht und unter realen Bedingungen robust bleibt.