Entwicklung, Training und Validierung eines Deep-Learning-Algorithmus zur frühzeitigen Erkennung von Zerebralparese bei Neugeborenen. Das Projekt umfasste die Auswahl des geeigneten Modell-Architektur-Designs, Hyperparameter-Optimierung sowie die Durchführung umfangreicher Validierungsstudien, um die klinische Präzision des Modells sicherzustellen. Das Ziel war die Implementierung eines hochakkuraten Klassifikators, der die zuvor extrahierten Bewegungs-Features nutzt, um subtile neurologische Auffälligkeiten zu identifizieren.
Value:
Die erfolgreiche Implementierung und Validierung des diagnostischen KI-Modells transformiert die Gesundheitsversorgung von Neugeborenen. Es demokratisiert den Zugang zur Früherkennung, indem es die Expertise seltener Fachpersonen digitalisiert und skaliert, wodurch weltweit mehr betroffene Kinder frühzeitig identifiziert und behandelt werden können. Dies hat einen direkten und signifikanten Einfluss auf die zukünftige Entwicklung der Patientinnen und Patienten.
Wir entwickeln ein innovatives KI-Modell zur Objekterkennung in Schall. Das Modell wird für Edge-Audioanalytics entwickelt, ein Produkt für die vorbeugende Instandhaltung und Zustandsüberwachung von Maschinen, das ausschließlich Schalldaten verwendet.
Alle Maschinen erzeugen Geräusche, die sich je nach Last, Betriebszustand und Gesundheitszustand ändern. Wenn der Schall richtig analysiert wird, kann er für die Zustandsüberwachung, vorbeugende Instandhaltung und Maschinensteuerung verwendet werden.
Zu diesem Zweck entwickeln wir ein robustes KI-Modell zur Erkennung und Klassifizierung von Ereignissen in Schall, das speziell für den Einsatz auf Edge-Computern optimiert ist.
Value:
Dieses Projekt liefert einen wegweisenden Beitrag zur KI-gestützten Audioanalyse. Durch die Integration modernster Detektor-Architekturen resultiert das Modell in einer leistungsstarken, hardwareeffizienten Lösung. Die überlegene Geschwindigkeit und Memmory-Effizienz im Edge Computing stellt sicher, dass Echtzeit-Anwendungen in IoT- und Mobilumgebungen nun mit Zuverlässigkeit und minimaler Latenz umgesetzt werden können.
Konzeption und Implementierung einer Datenverarbeitungspipeline, die Rohdaten (Video- und Tiefenbilder) aus der klinischen Erfassung in verarbeitbare Features umwandelt. Hierzu wurden State-of-the-Art Computer-Vision-Technologien eingesetzt, um die subtilen Bewegungen (General Movements) der Kleinkinder zu analysieren und zu quantifizieren. Der Fokus lag auf der Entwicklung robuster Algorithmen zur Pose-Estimation, Bewegungsverfolgung und Merkmalsextraktion aus den Farben- und Tiefenbildern, um eine hochpräzise Grundlage für das nachgelagerte diagnostische KI-Modell zu schaffen.
Value:
Die Etablierung dieser spezialisierten Computer-Vision-Pipeline automatisierte die komplexe und zeitaufwendige Vorverarbeitung der Videodaten. Dies ist essenziell, um aus den Rohdaten strukturierte Bewegungs-Features zu gewinnen und somit erst die Voraussetzung für ein effektives Training des Klassifikationsmodells zu schaffen.
In diesem Projekt wurde ein neues KI-Modell zur Echtzeit-Erkennung von Schallereignissen in Audiosignalen entwickelt. Die Arbeit basiert auf One-Stage Object Detectors zur Analyse von Spektrogrammen. Das Modell wurde für Edge Computing optimiert und übertrifft zuvor verwendete Algorithmen in Bezug auf Memmory-Nutzung und Geschwindigkeit um ein Vielfaches.
Value:
Die entwickelte Technologie ermöglicht eine schnellere und ressourcenschonendere Audioereigniserkennung direkt auf lokalen Geräten (Edge Computing). Dies ist entscheidend für Anwendungen wie z. B. industrielle Überwachung, bei denen eine niedrige Latenz und geringer Energieverbrauch gefordert sind. Die signifikante Steigerung der Effizienz eröffnet neue Möglichkeiten für den Einsatz von KI in echtzeitkritischen Umgebungen und bildet die Grundlage für weiterführende Produktentwicklungen im Bereich der akustischen Klassifikation.
Entwicklung einer interaktiven Webanwendung, die Forschenden und medizinischem Personal einen einfachen und sicheren Zugriff auf die gesammelten Patientenvideos ermöglichte. Das Kernstück der Anwendung war ein spezialisiertes Tool-Set, das es dem Fachpersonal erlaubte, die Videos kollaborativ zu sichten, zu diskutieren und präzise zu labeln (annotieren). Diese Plattform war entscheidend für die Generierung qualitativ hochwertiger Trainingsdaten, die als "Ground Truth" für das nachfolgende Training der Machine-Learning-Modelle dienten. Das Projekt entsprach modernen Industriestandards in Bezug auf Skalierbarkeit und Sicherheit.
Value:
Die Entwicklung dieser maßgeschneiderten Labeling-Plattform ermöglichte die effiziente Nutzung der limitierten Zeit seltener Fachpersonen, indem sie einen strukturierten, kollaborativen Annotationsprozess etablierte, der die Grundlage für das hochpräzise Machine-Learning-Modell darstellt.
Automatisierte Qualitätssicherung von Solarfeldern mittels Deep Learning und bildgebender Verfahren.
Dieses Projekt validierte und integrierte modernste Modelle zur Entwicklung eines Produkts für die automatische Fehlerdetektion in Solaranlagen.
Der Fokus lag auf robuster Objekterkennung (Solarpanele, Befestigungselemente, Verkabelung) und insbesondere auf der Analyse und Klassifizierung der Fehlerbilder unter Nutzung innovativer Ansätze aus der aktuellen Forschung. Das Projekt wurde durch Bundesfördermittel unterstützt
Value:
Das System ermöglicht eine signifikante Beschleunigung und Objektivierung der Qualitätskontrolle von Solarfeldern, was zu einer Reduktion von Wartungskosten führt. Die präzise und frühzeitige Fehlererkennung ? auch von Anomalien, die menschlicher Inspektion entgehen ? maximiert die Energieausbeute und die langfristige Zuverlässigkeit der Solaranlagen, wodurch die Rentabilität und die Nachhaltigkeit der Anlagen gesteigert werden.
In diesem Projekt wurde ein maßgeschneiderter Autoencoder mit benutzerdefinierten CNNs entwickelt, um defekte Solarmodule per Anomalieerkennung zu identifizieren. Das Modell vergleicht neue Panel-Bilder mit seinen Rekonstruktionen; hohe Abweichungen deuten auf Defekte hin. Dieses System ist ein wichtiger Baustein für ein größeres Projekt zur Wartung von Solarparks.
Value:
Konzeption und Implementierung eines umfassenden, skalierbaren Systems zur Erfassung und Verwaltung sensibler Patientenvideos für das PreMed-Forschungsprojekt. Entwicklung einer Applikation für teilnehmende Kliniken zur standardisierten Aufnahme von Videos (inkl. Tiefenbildern) sowie die Implementierung von sicheren Export- und Importroutinen zu einem zentralen Hauptserver. Das Projekt stellte unter Einhaltung moderner Industriestandards (Backend, Datenspeicherung) die systemische Grundlage für eine großangelegte, internationale KI-Studie sicher. Nur wenige Fachpersonen weltweit können die notwendige Bewegungsanalyse durchführen, weshalb die digitale Zugänglichkeit der Daten essenziell ist.
Entwicklung, Training und Validierung eines Deep-Learning-Algorithmus zur frühzeitigen Erkennung von Zerebralparese bei Neugeborenen. Das Projekt umfasste die Auswahl des geeigneten Modell-Architektur-Designs, Hyperparameter-Optimierung sowie die Durchführung umfangreicher Validierungsstudien, um die klinische Präzision des Modells sicherzustellen. Das Ziel war die Implementierung eines hochakkuraten Klassifikators, der die zuvor extrahierten Bewegungs-Features nutzt, um subtile neurologische Auffälligkeiten zu identifizieren.
Value:
Die erfolgreiche Implementierung und Validierung des diagnostischen KI-Modells transformiert die Gesundheitsversorgung von Neugeborenen. Es demokratisiert den Zugang zur Früherkennung, indem es die Expertise seltener Fachpersonen digitalisiert und skaliert, wodurch weltweit mehr betroffene Kinder frühzeitig identifiziert und behandelt werden können. Dies hat einen direkten und signifikanten Einfluss auf die zukünftige Entwicklung der Patientinnen und Patienten.
Wir entwickeln ein innovatives KI-Modell zur Objekterkennung in Schall. Das Modell wird für Edge-Audioanalytics entwickelt, ein Produkt für die vorbeugende Instandhaltung und Zustandsüberwachung von Maschinen, das ausschließlich Schalldaten verwendet.
Alle Maschinen erzeugen Geräusche, die sich je nach Last, Betriebszustand und Gesundheitszustand ändern. Wenn der Schall richtig analysiert wird, kann er für die Zustandsüberwachung, vorbeugende Instandhaltung und Maschinensteuerung verwendet werden.
Zu diesem Zweck entwickeln wir ein robustes KI-Modell zur Erkennung und Klassifizierung von Ereignissen in Schall, das speziell für den Einsatz auf Edge-Computern optimiert ist.
Value:
Dieses Projekt liefert einen wegweisenden Beitrag zur KI-gestützten Audioanalyse. Durch die Integration modernster Detektor-Architekturen resultiert das Modell in einer leistungsstarken, hardwareeffizienten Lösung. Die überlegene Geschwindigkeit und Memmory-Effizienz im Edge Computing stellt sicher, dass Echtzeit-Anwendungen in IoT- und Mobilumgebungen nun mit Zuverlässigkeit und minimaler Latenz umgesetzt werden können.
Konzeption und Implementierung einer Datenverarbeitungspipeline, die Rohdaten (Video- und Tiefenbilder) aus der klinischen Erfassung in verarbeitbare Features umwandelt. Hierzu wurden State-of-the-Art Computer-Vision-Technologien eingesetzt, um die subtilen Bewegungen (General Movements) der Kleinkinder zu analysieren und zu quantifizieren. Der Fokus lag auf der Entwicklung robuster Algorithmen zur Pose-Estimation, Bewegungsverfolgung und Merkmalsextraktion aus den Farben- und Tiefenbildern, um eine hochpräzise Grundlage für das nachgelagerte diagnostische KI-Modell zu schaffen.
Value:
Die Etablierung dieser spezialisierten Computer-Vision-Pipeline automatisierte die komplexe und zeitaufwendige Vorverarbeitung der Videodaten. Dies ist essenziell, um aus den Rohdaten strukturierte Bewegungs-Features zu gewinnen und somit erst die Voraussetzung für ein effektives Training des Klassifikationsmodells zu schaffen.
In diesem Projekt wurde ein neues KI-Modell zur Echtzeit-Erkennung von Schallereignissen in Audiosignalen entwickelt. Die Arbeit basiert auf One-Stage Object Detectors zur Analyse von Spektrogrammen. Das Modell wurde für Edge Computing optimiert und übertrifft zuvor verwendete Algorithmen in Bezug auf Memmory-Nutzung und Geschwindigkeit um ein Vielfaches.
Value:
Die entwickelte Technologie ermöglicht eine schnellere und ressourcenschonendere Audioereigniserkennung direkt auf lokalen Geräten (Edge Computing). Dies ist entscheidend für Anwendungen wie z. B. industrielle Überwachung, bei denen eine niedrige Latenz und geringer Energieverbrauch gefordert sind. Die signifikante Steigerung der Effizienz eröffnet neue Möglichkeiten für den Einsatz von KI in echtzeitkritischen Umgebungen und bildet die Grundlage für weiterführende Produktentwicklungen im Bereich der akustischen Klassifikation.
Entwicklung einer interaktiven Webanwendung, die Forschenden und medizinischem Personal einen einfachen und sicheren Zugriff auf die gesammelten Patientenvideos ermöglichte. Das Kernstück der Anwendung war ein spezialisiertes Tool-Set, das es dem Fachpersonal erlaubte, die Videos kollaborativ zu sichten, zu diskutieren und präzise zu labeln (annotieren). Diese Plattform war entscheidend für die Generierung qualitativ hochwertiger Trainingsdaten, die als "Ground Truth" für das nachfolgende Training der Machine-Learning-Modelle dienten. Das Projekt entsprach modernen Industriestandards in Bezug auf Skalierbarkeit und Sicherheit.
Value:
Die Entwicklung dieser maßgeschneiderten Labeling-Plattform ermöglichte die effiziente Nutzung der limitierten Zeit seltener Fachpersonen, indem sie einen strukturierten, kollaborativen Annotationsprozess etablierte, der die Grundlage für das hochpräzise Machine-Learning-Modell darstellt.
Automatisierte Qualitätssicherung von Solarfeldern mittels Deep Learning und bildgebender Verfahren.
Dieses Projekt validierte und integrierte modernste Modelle zur Entwicklung eines Produkts für die automatische Fehlerdetektion in Solaranlagen.
Der Fokus lag auf robuster Objekterkennung (Solarpanele, Befestigungselemente, Verkabelung) und insbesondere auf der Analyse und Klassifizierung der Fehlerbilder unter Nutzung innovativer Ansätze aus der aktuellen Forschung. Das Projekt wurde durch Bundesfördermittel unterstützt
Value:
Das System ermöglicht eine signifikante Beschleunigung und Objektivierung der Qualitätskontrolle von Solarfeldern, was zu einer Reduktion von Wartungskosten führt. Die präzise und frühzeitige Fehlererkennung ? auch von Anomalien, die menschlicher Inspektion entgehen ? maximiert die Energieausbeute und die langfristige Zuverlässigkeit der Solaranlagen, wodurch die Rentabilität und die Nachhaltigkeit der Anlagen gesteigert werden.
In diesem Projekt wurde ein maßgeschneiderter Autoencoder mit benutzerdefinierten CNNs entwickelt, um defekte Solarmodule per Anomalieerkennung zu identifizieren. Das Modell vergleicht neue Panel-Bilder mit seinen Rekonstruktionen; hohe Abweichungen deuten auf Defekte hin. Dieses System ist ein wichtiger Baustein für ein größeres Projekt zur Wartung von Solarparks.
Value:
Konzeption und Implementierung eines umfassenden, skalierbaren Systems zur Erfassung und Verwaltung sensibler Patientenvideos für das PreMed-Forschungsprojekt. Entwicklung einer Applikation für teilnehmende Kliniken zur standardisierten Aufnahme von Videos (inkl. Tiefenbildern) sowie die Implementierung von sicheren Export- und Importroutinen zu einem zentralen Hauptserver. Das Projekt stellte unter Einhaltung moderner Industriestandards (Backend, Datenspeicherung) die systemische Grundlage für eine großangelegte, internationale KI-Studie sicher. Nur wenige Fachpersonen weltweit können die notwendige Bewegungsanalyse durchführen, weshalb die digitale Zugänglichkeit der Daten essenziell ist.