Rückblick BVF80

80. Heidelberger Bildverarbeitungsforum

© RWTH Aachen
08. März 2022, Online

Innovationen des Deep Learning für Qualitätskontrolle und Automatisierung

Methoden des maschinellen Lernens entwicklen sich rasant weiter, so dass es schwer ist, damit Schritt zu halten.

Das 80. Forum gab einen Überblick der aktuellen Entwicklungen dieser Methoden im Kontext der Qualitätskontrolle und Automatisierung, die inzwischen viele Bereiche außerhalb des klassischen Anwendungsbereiches in der Produktion umfasst, darunter auch vielfältige Anwendungen in Biologie und Medizin, autonome Fahrzeuge aller Art und Landwirtschaft.

Vorträge

    Moderation: B. Jähne
11:00   Willkommen und Vorstellung der Bildverarbeitungsgruppen an der RWTH Aachen und deren Umfeld
D. Merhof, Lehrstuhl für Bildverarbeitung, RWTH Aachen
11:20  

Anomalie-Erkennung für die automatisierte, visuelle Qualitätskontrolle
O. Rippel, Lehrstuhl für Bildverarbeitung, RWTH Aachen
  Abstract

11:55   High Speed Mikroskopie & Deep Learning - Enabler für die objektive Qualitätskontrolle in der automatisierten Zellproduktion
B. Nießing, Fraunhofer IPT, Aachen
  Abstract
12:30   Mittagspause - und Kurzbeiträge
  • K. Vietzke, Zertrox, Aachen:
    Warum muss bei Deep Learning immer kontrolliert werden, was gelernt wurde?
      Abstract
  • P. Lambin, University Maastricht:
    Deep learning and Handcrafted radiomics: friends or enemies?
      Abstract
  • U. Schurr, Forschungszentrum Jülich:
    Von Mikroskopie zum Satelliten: Pflanzenphänotypisierung als Schlüssel zu nachhaltiger Landwirtschaft und Klimaanpassung
     Abstract
13:30   Generative Deep Learning Methoden für die Bild-basierte Qualitätssicherung
D. Wolfschläger, WZL, RWTH Aachen
  Abstract
14:05   Generative Adversarial Networks in Medical Imaging
V. Schulz, ExMI, RWTH Aachen
  Abstract
14:40   Kaffeepause - mit Kurz- und Ausstellungsbeiträgen
  • K. Wachswender, Lattice Semiconductor GmbH
    Poster: SensAI ein AI Solution stack for FPGA´s | Exponat: SensAI - Lattice AI solution stack
  • D. Grauer, elunic AG
    Die drei größten Fehler beim Einsatz von KI in der Qualitätssicherung
    Abstract
  • M. Luxen, ISRA VISON PARSYTEC GmbH
    PEARL – Perceptional Artificial Learning for Flat Steel Surface Inspection
    Abstract
15:40   Digitalization and AI for Nature Conservation and Agriculture
M. Ryo, Hochschule Brandenburg, Cottbus-Senftenberg
  Abstract
16:15   Bestimmung von Ertrags- und Qualitätsparametern durch spektrale Sensoren und Deep Learning für die Digitalisierung der Landwirtschaft
J. Krause, Fraunhofer IOSB, Karlsruhe
  Abstract
16:50   Schlussbemerkungen und Ankündigung des nächsten Forums