Die Analyse verschiedener Prozesse in einer Stranggussanlage kann dazu beitragen, Kosten und Fehler bei der Produktion von Stahlbrammen zu reduzieren. Da die Qualität der Brammen erst am Ende des Erstarrungsprozesses bestimmt werden kann, konzentriert sich diese Arbeit auf die Analyse der Oberflächenbewegungen auf der Kokille mit verschiedenen Methoden. Das primäre Ziel dieser Studie ist die Entwicklung einer grafischen Benutzeroberfläche und die Implementierung von Deep-Learning-Methoden für die automatisierte Inspektion in einer Stahlstranggussanlage. Die entwickelte Benutzeroberfläche dient der Visualisierung der aufgezeichneten Bilddaten der Kokille und der Durchführung statistischer Analysen mit Techniken wie Histogramm und optischem Fluss. Die Ergebnisse der Analyse werden direkt in der Software angezeigt, und Tests haben ihre Wirksamkeit bei der Erkennung asynchroner Bewegungen zwischen der rechten und der linken Seite der Kokille bewiesen. Darüber hinaus wird in der Studie ein tiefes neuronales Netzwerk auf einen öffentlich zugänglichen markierten Stahldatensatz mit Defekten angewendet. Das angewandte Modell, Mask R-CNN, kann Stahldefekte analysieren und einen Einblick in die Qualität der Stahlendprodukte geben. Diese Forschungsarbeit zeigt das Potenzial der Kombination von grafischer Benutzeroberfläche und Deep-Learning-Techniken zur Verbesserung des Inspektionsprozesses in Stahlstranggussanlagen.