Was Bauteile über den Verschleiß genutzter Stanzwerkzeuge verraten

Die Wirtschaftlichkeit industrieller Stanzprozesse hängt stark von produzierten Bauteilqualitäten und Stillstandzeiten ab. Negativ werden diese von Verschleißerscheinungen an genutzten Stanzstempeln beeinflusst, weswegen datengetriebene Überwachungssysteme sowohl in industrieller Praxis als auch akademischer Forschung entwickelt werden. Insbesondere KI-Modelle haben das Potenzial, multiple Verschleißzustände zu klassifizieren oder quantitativ zu regressieren, werden bislang jedoch ausschließlich auf Sensorsignale angewandt. In der vorliegenden Publikation wird dagegen der Ansatz gewählt, Bilder produzierter Bauteile als Eingangsgrößen für faltende, neuronale Netze zu nutzen, um die Kantenverrundung am Stanzstempel zu prädizieren. Entwickelte Modelle weisen hohe Prädiktionsgüten auf und eröffnen Möglichkeiten zur weiterführenden Beforschung bildgestützter Überwachungsansätze.

Neuronale Netze: Mit künstlicher Intelligenz der Leukämie auf der Spur

Forscher am Nationalen Centrum für Tumorerkrankungen Dresden haben ein Computersystem entwickelt, das mithilfe künstlicher Intelligenz eine akute myeloische Leukämie (AML) präzise erkennen kann. Ärzte und Informatiker des Uniklinikums und der TU Dresden entwickelten künstliche neuronale Netze, die sie mit digitalen Bilddaten von Knochenmarkausstrichen trainierten.

Deep Learning zur Unterstützung der Arbeitsplanung

Bei der Ermittlung von Vorgangsfolgen innerhalb der Arbeitsplanung wird auf Erfahrungswissen von Fachkräften und weitere Hilfsmittel wie Unterlagen, Richtlinien und Arbeitspläne ähnlicher Produkte zurückgegriffen. Demzufolge enthalten erstellte Arbeitspläne implizites Wissen, dessen Extraktion und Nutzung das Potenzial zur Beschleunigung der Vorgangsfolgeermittlung bietet. Für derartige Aufgaben können künstliche neuronale Netze des Deep Learning eingesetzt werden, die durch Training das implizite Wissen erfassen und über Vorhersagen nutzbar machen. Daher wird in diesem Beitrag ein Konzept für die Ermittlung von Vorgangsfolgen durch künstliche neuronale Netze vorgestellt.

Detektion von Weizenähren mithilfe neuronaler Netze und synthetisch erzeugter Trainingsdaten

Zusammenfassung Diese Arbeit untersucht die Eignung und Übertragbarkeit von synthetisch erzeugten Trainingsdaten zur Detektion von Weizenähren mithilfe neuronaler Netze aus dem Bereich der semantischen Bildsegmentierung. Zur Erstellung dieser Daten werden detaillierte Szenen von Weizenfeldern bestehend aus wenigen manuell erstellten 3D Modellen mit hochaufgelösten Texturen und definierten Materialeigenschaften geschaffen. Dabei bilden die generierten Szenen verschiedene Reifegrade der Weizenpflanzen ab. Anschließend werden photorealistische Farbbilder der Szene synthetisiert und zusätzlich binäre Bildmasken, die die Positionen der modellierten Ähren enthalten. Die so erhaltenen Bildpaare werden anschließend als Trainingsgrundlage für zwei neuronale Netze (U-Net und DeepLabv3+) genutzt, ohne dass manuelle Annotationen notwendig sind. Zur Untersuchung, ob diese Daten eine Domänenadaption ermöglichen, werden die trainierten Netze anhand von realen Weizenfeldaufnahmen evaluiert. Der IoU-Wert von ca. 0.66 zeigt, dass eine Informationsübertragung aus den synthetischen Bildern auf reale Bilder möglich ist. Abschließend werden die Ergebnisse auf Luftbilder, die mithilfe eines UAVs aufgenommen wurden, übertragen. Es zeigt sich, dass die verminderte Auflösung dieser Bilder die Erkennungsrate deutlich vermindert.

Neuronale Netze und Zeitreihenansätze zur Vorhersage des auslösenden Faktors in der privaten Krankenversicherung

ZusammenfassungDie Möglichkeit einer Prämienanpassung in der deutschen PKV ist vom Wert des sogenannten auslösenden Faktors abhängig, der mittels einer linearen Extrapolation der Schadenquotienten der vergangenen drei Jahre berechnet wird. Seine frühzeitige, verlässliche Vorhersage ist aus Sicht des Risikomanagements von großer Bedeutung. Wir untersuchen deshalb vielfältige Vorhersageansätze, die von klassischen Zeitreihenansätzen und Regression über neuronale Netze bis hin zu hybriden Modellen reichen. Während bei den klassischen Methoden Regression mit ARIMA-Fehlern am besten abschneidet, zeigt ein neuronales Netz, das mit Zeitreihenvorhersage kombiniert oder auf desaisonalisierten und trendbereinigten Daten trainiert wurde, das insgesamt beste Verhalten.