Das Projekt umfasst die Entwicklung eines Softwaresystems für das Premed Forschungsprojekt an der Ludwig-Maximilians-Universität München.
Ziel des Forschungsprojekts ist die Entwicklung eines KI-Algorithmus zur frühzeitigen Erkennung von Zerebralparese (CP) bei Babys. Die Bewegungsmuster von Neugeborenen und kleinen Babys können Aufschluss über deren neurologische Entwicklung geben. Leider gibt es weltweit nur wenige Experten, die diese Bewegungsanalyse durchführen können, weshalb nur wenige Kinder frühzeitig diagnostiziert werden.
Um die Diagnosemöglichkeit allen Kindern zugänglich zu machen, soll eine KI trainiert werden. In einer Studie werden Videos mit Tiefenbildern von Babys in teilnehmenden Kliniken weltweit aufgenommen.
Das Ziel ist es, ein KI-Modell zu implementieren, das mit Computer-Vision-Technologien die Bewegungen des Kindes analysiert und Ärzte bei der Diagnose unterstützt.
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.
Die frühe Diagnose von Zerebralparese ist entscheidend für die zukünftige Entwicklung der Patienten. Ein menschlicher Experte kann die Zerebralparese präzise diagnostizieren, indem er die Bewegungen eines Kindes für einen kurzen Zeitraum beobachtet.
Das Ziel des PreMed-Projekts ist es, eine App unter Verwendung moderner KI-Techniken zu entwickeln, um die Zerebralparese automatisch auf Videoaufnahmen der Bewegungen der Patienten zu erkennen.
Wir haben ein umfassendes Werkzeug für Forscher entwickelt, um Patientenvideos aufzunehmen, Daten auf den Hauptserver zu exportieren und zu importieren sowie eine Webanwendung, die einfachen Zugang zu den Daten bietet. Darüber hinaus ermöglicht diese Anwendung den Experten, die Videos zu besprechen und zu labeln, die später verwendet werden, um ein Machine-Learning-Modell zur Diagnose von Zerebralparese zu trainieren.
Das Projekt entspricht modernen Industriestandards im Backend, Frontend und der Datenspeicherung, um größere Zugänglichkeit, Skalierbarkeit und Sicherheit zu gewährleisten.
Um die Qualitätskontrolle von Solarfeldern zu automatisieren, werden automatische Analysemethoden benötigt.
In diesem Projekt werden verschiedene Modelle und Ansätze aus der neuesten Forschung getestet und zu einem Produkt entwickelt, um Fehler bei Solaranlagen durch bildgebende Verfahren zu erkennen.
Nicht nur die Erkennung von Solarpanelen, Verschraubungen und Kabeln mittels Bounding Boxes, sondern auch die Analyse unbekannter Fehler waren im Fokus.
Das Projekt wurde mit Forschungsförderung des Bundes unterstützt.
Das Projekt umfasst die Entwicklung eines Softwaresystems für das Premed Forschungsprojekt an der Ludwig-Maximilians-Universität München.
Ziel des Forschungsprojekts ist die Entwicklung eines KI-Algorithmus zur frühzeitigen Erkennung von Zerebralparese (CP) bei Babys. Die Bewegungsmuster von Neugeborenen und kleinen Babys können Aufschluss über deren neurologische Entwicklung geben. Leider gibt es weltweit nur wenige Experten, die diese Bewegungsanalyse durchführen können, weshalb nur wenige Kinder frühzeitig diagnostiziert werden.
Um die Diagnosemöglichkeit allen Kindern zugänglich zu machen, soll eine KI trainiert werden. In einer Studie werden Videos mit Tiefenbildern von Babys in teilnehmenden Kliniken weltweit aufgenommen.
Das Ziel ist es, ein KI-Modell zu implementieren, das mit Computer-Vision-Technologien die Bewegungen des Kindes analysiert und Ärzte bei der Diagnose unterstützt.
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.
Die frühe Diagnose von Zerebralparese ist entscheidend für die zukünftige Entwicklung der Patienten. Ein menschlicher Experte kann die Zerebralparese präzise diagnostizieren, indem er die Bewegungen eines Kindes für einen kurzen Zeitraum beobachtet.
Das Ziel des PreMed-Projekts ist es, eine App unter Verwendung moderner KI-Techniken zu entwickeln, um die Zerebralparese automatisch auf Videoaufnahmen der Bewegungen der Patienten zu erkennen.
Wir haben ein umfassendes Werkzeug für Forscher entwickelt, um Patientenvideos aufzunehmen, Daten auf den Hauptserver zu exportieren und zu importieren sowie eine Webanwendung, die einfachen Zugang zu den Daten bietet. Darüber hinaus ermöglicht diese Anwendung den Experten, die Videos zu besprechen und zu labeln, die später verwendet werden, um ein Machine-Learning-Modell zur Diagnose von Zerebralparese zu trainieren.
Das Projekt entspricht modernen Industriestandards im Backend, Frontend und der Datenspeicherung, um größere Zugänglichkeit, Skalierbarkeit und Sicherheit zu gewährleisten.
Um die Qualitätskontrolle von Solarfeldern zu automatisieren, werden automatische Analysemethoden benötigt.
In diesem Projekt werden verschiedene Modelle und Ansätze aus der neuesten Forschung getestet und zu einem Produkt entwickelt, um Fehler bei Solaranlagen durch bildgebende Verfahren zu erkennen.
Nicht nur die Erkennung von Solarpanelen, Verschraubungen und Kabeln mittels Bounding Boxes, sondern auch die Analyse unbekannter Fehler waren im Fokus.
Das Projekt wurde mit Forschungsförderung des Bundes unterstützt.