Refine
Document Type
- Conference Proceeding (2)
- Bachelor Thesis (1)
- Master's Thesis (1)
Year of publication
- 2021 (4) (remove)
Keywords
- Künstliche Intelligenz (4) (remove)
Institute
Für Prozessstabilität und Optimierung industrieller automatisierter Produktionsabläufe hat die Hiersemann Prozessautomation das System CEMODAS® - Central Modular Data System - entwickelt und industriell in mehreren Anwendungen im Einsatz. Dieses System umfasst in der Grundversion Module zur Betriebs- (BDE) und Qualitätsdatenerfassung (QDE) inkl. Auswertung dieser Daten. Durch die Integration von Schnittstellen zu verschiedenen Automationssystemen ermöglicht das System Datenauswertungen, wie NEE und OEE, von gesamten Produktionslinien und Werken. Weiterhin ist der Instandhaltungsassistent als sog. Helpdesk entwickelt worden, der Warn- und Fehlerinformationen für Instandhaltungszwecke erfasst. Die Informationen werden aktiv an Devices, wie PC, Laptop, Mobile Phone oder Watches, übertragen und beinhalten zudem ein Ticket-System.
Aktuell wird an der Integration von Methoden der künstlichen Intelligenz KI in das System gearbeitet.
Marker-based systems can digitally record human movements in detail. Using the digital biomechanical human model Dynamicus, which was developed by the Institut für Mechatronik, it is possible to model joint angles and their velocities such accurately that it can be used to improve motion analysis in competitive sports or for ergonomic evaluation of motion sequences. In this paper, we use interpretable machine learning techniques to analyze the gait. Here, the focus is on the classification between foot touchdown and drop-off during normal walking. The motion data for training the model is labeled using force plates. We analyze how we could apply our machine learning models directly on new motion data recorded in a different scenario compared to the initial training, more precise on a treadmill. We use the properties of the interpretable model
to detect drift and to transfer our model if necessary.
Das Ziel dieser Masterarbeit ist die Evaluierung des Realtime Multi-Person 2D Pose Estimation Frameworks OpenPose. Dazu wird die Forschungsfrage gestellt, bis zu welcher Pixelgröße ein Mensch allgemein von dem System mit einer Sicherheit von über 50% richtig detektiert und dargestellt wird. Um die Forschungsfrage zu beantworten ist eine Studie mit sieben Probanden durchgeführt wurden. Aus der Datenerhebung geht hervor, dass der gesuchte Confidence Value zwischen 110px und 150px Körpergröße in von Menschen digitalen Bildern erreicht wird.
Die vorliegende Bachelorarbeit beschäftigt sich mit Objekterkennung im Kontext des maschinellen Lernens. Analysiert werden zwei Kategorie Algorithmen R-CNN und YOLO von Objekterkennung. Mit Matlab werden der offizielle Code durchführen, um darin einiges Objekt zu erkennen. Verschiedene Algorithmen haben unterschiedlichen Prinzipien und Prozesse. Nach Läufen können sie bei viele Bereiche verglichen und bewertet worden. Die Ergebnisse zeigten die Genauigkeit usw. Im Rahmen dieser Bachelorarbeit werden 3 verschiedenen Algorithmus getestet, um der Objekterkennungsfähigkeit der drei Algorithmen für denselben Datensatz unter derselben Betriebsumgebung zu vergleichen.