Mithilfe von Methoden des maschinellen Lernens werden im Projekt Maßnahmen für eine effektive und ökonomische Emissionsreduktion erforscht. Anhand des digitalen Zwillings eines Produktionsprozesses werden Wege zu einer klimaneutralen Produktion aufgezeigt.

In dem vorliegenden Projekt wird eine Smartphone-App entwickelt, mit der es erstmals ermöglicht wird, dass Menschen sich unabhängig von ihren körperlichen Merkmalen selbst zuhause dreidimensional scannen können, woraus eine Algorithmen-basierte Größenempfehlung für Kleidung und Schuhe erzeugt wird. Als Basis dient hierbei ein neuartiges KI-basiertes Structure-from-Motion-Verfahren, mit dem beliebige Körper vermessen werden. Weiterhin werden neuartige KI-basierte Methoden erforscht, mit denen eine beliebige unvollständige 3D-Punktwolke erkannt und vervollständigt wird.

Die Pandemiesituation 2020-2021 hat gezeigt, dass schützende Maßnahmen zwar unumgänglich sind aber unser
alltägliches Leben und Wirtschaften extrem einschränken. Meist fehlte es an Kenntnissen, um ein optimales Maß der
Einschränkungen festzulegen. Manche Läden mussten schließen und andere blieben, unter Beibehaltung der
Raumgestaltung, geöffnet. Es stellt sich die Frage, ob Schließungen reduziert oder verhindert werden könnten, wenn
man durch optimale Raumgestaltung die Ausbreitungswahrscheinlichkeit einer Infektionskrankheit verringert werden
kann.

Um den Forschungsstandort Deutschland zu sichern und die vielfältigen Anwendungsmöglichkeiten von Künstlicher Intelligenz (KI) in allen Bereichen der Gesellschaft im Sinne eines spürbaren Fortschritts zu fördern, leistet die KI-Strategie einen Beitrag zur Umsetzung der aktuellen Hightech-Strategie 2025. Zusammen mit diversen Digitalisierungsinitiativen wird sie zunehmend zu einem verbreiteten Einsatz von KI-Methoden, oft in Form von Deep Learning (DL), führen. Obwohl DL bahnbrechende Erfolge u.a. in der Vorhersage von Ereignissen verzeichnen kann, wird eine transparente Modellierung von Unsicherheiten bisher kaum berücksichtigt. Weiterhin sind Entscheidungen solcher Methoden schwer nachvollziehbar, wenn sie auf komplexen Eingangsdaten, wie Bildern, angewendet werden.

In der Schifffahrt besteht derzeit ein intensives Bestreben, die Sicherheit durch Automatisierung deutlich zu erhöhen. Unfallstatistiken der Wasserschutzpolizei am Bodensee belegen, dass gerade auf Binnenseen und im Küstenbereich die Zahl der durch Unachtsamkeit verursachten Unfälle bisher unverändert hoch ist. In der Komplexität sind die Verkehrssze­narien auf Binnenseen denen im Straßenverkehr durchaus vergleichbar, zeichnen sich aber durch eine Vielzahl von Besonderheiten aus. So gibt es eine eindeutige Spurführung nur vereinzelt in Ufernähe, Manöver anderer Verkehrsteilnehmer sind häufig schwer abschätzbar bzw. vorhersagbar. Um ganz oder teilweise autonom operierende Wasserfahrzeuge realisieren zu kön­nen, ist insbesondere die zuverlässige, detaillierte und über weite Distanzen reichende Auf­nahme der aktu­ellen Szene sowie die robuste Zustandsschätzung und Klassifikation von Ob­jekten von erheblicher Bedeutung. Die Problematik der Objektdetektion sowie des Objekttrackings wird innerhalb des Projekts durch die Entwicklung eines optischen Multisensorsystems angegangen.

Objekterkennung, autonome Lokalisierung, mobile Robotik in unterschiedlichen Einsatzbereichen, neuronale Netze und virtuelle Realität sind nur einige Bereiche, die die Informatik beim Thementag KI an der HTWG präsentiert hat.

Der Thementag künstliche Intelligenz an der HTWG bot den Besucher/innen zahlreiche Vorträge, Vorführungen, Mitmachaktionen und Ausstellungen. Die Fakultät Informatik war allen voran daran beteiligt.

Mehr zum Thementag Ki (Externer Link)

Die materialmikroskopische Charakterisierung ist weit verbreitet, um quantitative Zusammenhänge zwischen Mikrostruktur (Phasenanteile, Kornstrukturen, Texturen, Gefügefehler) und Eigenschaften für Entwicklungs- und Qualitätssicherungsaufgaben zu ermitteln. Viele Fragestellungen z.B. Fehler in Gefügen und geometrische Abweichungen in Strukturen sind ohne Automatisierung nicht mehr umsetzbar. Vorhandene schwellwert- und objektbasierte Algorithmen für die Ermittlung von Strukturmerkmalen stoßen aufgrund Rechenaufwands, zunehmender Komplexität der Bilder und Datenaufkommen an ihre Grenzen. Neuentwicklungen bei Licht-, Rasterelektronen- und 3D-Röntgenmikroskopie/-tomographie stellen diese Strukturen zwar immer besser dar, treiben aber gleichzeitig die Datenmenge und Detailtiefe in den Bildern in die Höhe - vorhandene Algorithmen zur Auswertung halten mit dieser Entwicklung nicht Schritt. In anderen Bereichen sind Mustererkennung und lernende Algorithmen zur Detektion von Auffälligkeiten in Bildern bereits weiterentwickelt. Diese Ansätze müssen auf die Materialmikroskopie übertragen, d.h. industriell tauglich, robust und präzise implementiert werden.

Zielstellung von KLEVER ist deshalb im Kontext einer automatisierten und intelligenten Materialmikroskopie durch Kopplung der Bereiche A robuste automatisierte Bildakquisition bei 2D und 3D-Materialmikroskopie, B intelligente Bildverarbeitung mit Ansätzen aus Bereichen des Machine Learning einschließlich Deep Learning und C Anwendung von Large Data Processing, eine solidere technologische Basis zur Objekt-, Struktur- und Fehlererkennung (z.B. Schichtdickenschwankungen, geometrische Abweichungen, Poren, Risse, Fremdeinschlüsse) bereitzustellen. Vorhandene Konzepte und Algorithmen der objekt- und musterbasierten Verfahren werden bezüglich Präzision und Robustheit zum Suchen und Finden von Strukturen und Abweichungen bewertet und ggf. optimiert. Zusätzlich werden Algorithmen mit neuen Ansätzen des Deep Learnings evaluiert.

Individualisierte, auf personifizierte Kundenbedürfnisse ausgerichtete Produkte sind in den kommenden Jahren eine DER technologischen Herausforderungen für die deutsche Industrie. Neben der Automobilbranche zählt hier der in­dustrielle Möbel- und Einrichtungsbau in Deutschland zu den Vorreitern. Bei der Individualisierung klassischer, vor­wiegend von Halbzeugen ausgehender Produktion stößt man aber an Grenzen. Individualität wird oft ‚erkauft‘ durch große Materiallagerflächen (oder ‚Lager auf der Straße‘), umfangreiche Werkzeugvarianten, erhebliche Bevorratung und letztlich immense Kapitalbindung und aufwendigste Logistik (OEM und Zulieferer). Hier können Verfahren zur schnellen und kostengünstigen Fertigung (Additive Manufacturing) dazu beitragen, dass das Individualisierungsni­veau von Produkten weiter gesteigert wird und gleichzeitig ökonomische und ökologische Vorteile erreicht werden. 

Studenten und Mitarbeiter des IOS sowie des Industriepartners FARO Europe, Korntal-Münchingen, haben im Badischen Landesmuseum im Karlsruher Schloss die Überreste des Petershausener Portals digitalisiert. Um einen möglichen Wiederaufbau des Portals an seiner urspünglichen Stelle in Petershausen zu unterstützen, haben die Mitarbeiter des IOS im Oktober 2016 3d-Scans von den originalen Sandsteinfiguren des Portals erstellt.

Im Sommer 2016 hatte eine Team von drei Mitarbeitern und Studenten des IOS die Möglichkeit an der University of Queensland, Brisbane, Rifffische des Great Barrier Reef sowie weitere biologische Präparate zu scannen.