Realisierte und laufende Anwendungsfälle entlang unserer Kernkompetenzen — von industrieller Computer Vision über metallurgische Datenanalytik und Predictive Maintenance bis hin zu intelligenter Robotik und bioakustischem Monitoring. Jedes Projekt verbindet wissenschaftliche Tiefe mit industrieller Umsetzbarkeit und entsteht in enger Zusammenarbeit mit Industriepartnern und Forschungseinrichtungen.
Die manuelle Kontrolle und Zählung heterogener Verpackungseinheiten innerhalb von Fertigungs- und Warenausgangsprozessen führt häufig zu erhöhtem Aufwand, eingeschränkter Prozessübersicht sowie potenziellen Fehlerquellen. Ziel des Projekts war die Entwicklung einer automatisierten und KI-gestützten Monitoring-Lösung zur Verbesserung von Genauigkeit, Nachvollziehbarkeit und Prozesssicherheit innerhalb industrieller Verpackungs- und Bestückungsprozesse.
Hierfür wurde ein visionbasiertes KI-Framework zur Echtzeitüberwachung industrieller Verpackungsprozesse konzipiert, entwickelt und evaluiert. Die Lösung kombiniert moderne Verfahren der Objekterkennung, Klassifikation und Körperhaltungserfassung mit automatisierten Zählmechanismen sowie einer tabletbasierten Visualisierung. Das System wurde speziell auf heterogene Verpackungseinheiten und bestehende Produktionsabläufe abgestimmt und nahtlos in die vorhandene Infrastruktur integriert.
Das entwickelte KI-System ermöglichte eine zuverlässige automatisierte Zählung und Prozessüberwachung bei gleichzeitiger Reduzierung manueller Aufwände und Fehlerquoten. Darüber hinaus wurden Transparenz, Konsistenz und Nachvollziehbarkeit innerhalb der operativen Abläufe signifikant verbessert und die Grundlage für effizientere sowie skalierbare Warenausgangsprozesse geschaffen. Ein besonderer Fokus lag zudem auf der konzeptionellen Übertragbarkeit der Lösung auf weitere industrielle Verpackungs- und Produktionsprozesse.
Fragmentierte Datenlandschaften innerhalb metallurgischer Prozesse erschweren die effiziente Nutzung von Produktionsdaten für Qualitätsbewertung und Prozessoptimierung. Ziel ist der Aufbau einer zentralisierten digitalen Infrastruktur als Grundlage für moderne Datenanalysen sowie KI-gestützte Prozessüberwachung.
Im Bereich metallurgischer Prozesse wird eine skalierbare Dateninfrastruktur realisiert, um heterogene Datenquellen zu integrieren, aufzubereiten und zusammenzuführen. Ergänzend wurde ein strukturiertes Framework für Datenerfassung, Benutzerverwaltung und Berechtigungskonzepte entwickelt. Aufbauend auf dieser Grundlage entstehen Data-Analytics- und KI-Modelle zur Festigkeitsanalyse, Härtegradabschätzung sowie zur Datenvisualisierung und -aufbereitung.
Das Projekt führt zu einer zentralisierten und strukturierten Datenumgebung, die konsistenten Datenzugriff und effiziente Analysen ermöglicht. KI-gestützte Erkenntnisse verbesserten die Materialbewertung und Prozessanalyse, während moderne Visualisierungskonzepte Transparenz und datengetriebene Entscheidungsprozesse nachhaltig stärken.
Die frühzeitige Erkennung mechanischer Defekte, beispielsweise von Lagerschäden, ist entscheidend für Systemzuverlässigkeit und Produktqualität. Idealerweise sollten Anomalien bereits bei der Wareneingangskontrolle erkannt, während der Produktion überwacht und zusätzlich im späteren Feldeinsatz frühzeitig identifiziert werden. Klassische Prüfverfahren sind dabei häufig reaktiv und nur eingeschränkt skalierbar.
Es wird ein akustikbasiertes Anomalieerkennungssystem entwickelt, das moderne Signalverarbeitung mit Deep-Learning-Methoden kombiniert. Die Modelle analysieren akustische Daten aus Produktions-, Prüf- und Betriebsumgebungen und erkennen Abweichungen vom Normalverhalten unabhängig vom zugrunde liegenden Fehlertyp. Die Lösung soll Daten aus Produktionsprüfständen ebenso wie aus dem operativen Feldeinsatz integrieren.
Die entwickelte Lösung soll die zuverlässige Erkennung akustischer Auffälligkeiten entlang des gesamten Produktlebenszyklus ermöglichen. Dadurch werden Qualitätskontrolle, Prozessüberwachung und die frühzeitige Erkennung mechanischer Probleme nachhaltig verbessert. Das System trägt zu höherer Produktqualität, gesteigerter Systemzuverlässigkeit und einer deutlichen Reduzierung reaktiver Prüfprozesse bei.
Konventionelle Robotiksysteme basieren häufig auf manuell programmierten Verhaltensmustern und stoßen dadurch in dynamischen Umgebungen an Grenzen hinsichtlich Flexibilität und Anpassungsfähigkeit. Ziel der angewandten Forschung ist die Entwicklung lernbasierter und intelligenter Ansätze zur autonomen und generalisierbaren Fähigkeitenakquise.
Der Ansatz fokussiert sich auf videobasiertes Imitation Learning sowie Deep Reinforcement Learning. Die entwickelten Modelle lernen Aufgaben anhand von Demonstrationen, durch Trial-and-Error-Interaktionen sowie durch hybride Verfahren, die beide Paradigmen kombinieren. Ziel ist robustes, transferierbares und möglichst umgebungsunabhängiges Verhalten über unterschiedliche Anwendungsszenarien hinweg.
Diese experimentellen Untersuchungen bilden die Grundlage für Robotiksysteme, die Fähigkeiten zunehmend autonom erlernen und über verschiedene Umgebungen hinweg generalisieren können. Durch die Kombination aus Imitation Learning und Deep Reinforcement Learning sollen Anpassungsfähigkeit, Robustheit und Übertragbarkeit auf neue Aufgaben und Umgebungen signifikant verbessert werden. Dies ermöglicht flexiblere und skalierbarere Robotiksysteme für dynamische Real-World Applications.
Die präzise Identifikation von Fledermausarten ist essenziell für ökologisches Monitoring, Biodiversitätsanalysen und Artenschutz. Die manuelle Klassifikation ultraschallbasierter Aufnahmen ist jedoch zeitaufwendig und erfordert spezialisiertes Expertenwissen.
Ultraschallbasierte Audiodaten werden mithilfe moderner Deep-Learning-Methoden analysiert, um artspezifische akustische Merkmale datengetrieben zu extrahieren und robuste Klassifikationsmodelle für unterschiedliche Rufsignaturen verschiedener Fledermausarten zu entwickeln.
Die entwickelten Deep-Learning-Modelle ermöglichen eine robuste Klassifikation unterschiedlicher Fledermausarten auf Basis ultraschallbasierter Aufnahmen. Die Ergebnisse zeigen, dass KI-gestützte Verfahren eine effiziente und skalierbare akustische Wildtierüberwachung nachhaltig unterstützen können.
Manuelle und fragmentierte Arbeitsabläufe reduzieren Effizienz, Transparenz und die effektive Nutzung von Maschinendaten innerhalb industrieller Umgebungen. Ziel ist die Digitalisierung bestehender Prozesse sowie die Schaffung strukturierter datengetriebener Entscheidungsgrundlagen.
Innerhalb bestehender Hardware- und Softwarelandschaften werden industrielle Anwendungen entwickelt und betreut, mit Fokus auf Workflow-Digitalisierung und Systemintegration. Dies umfasst die Verarbeitung, Analyse und strukturierte Aufbereitung von Maschinendaten als auch die Entwicklung von Visualisierungskomponenten zur Unterstützung operativer Prozesse und Analysen.
Die implementierten Lösungen verbessern Prozesseffizienz, Transparenz und die strukturierte Nutzung von Maschinendaten signifikant. Gleichzeitig wird eine skalierbare Grundlage für datengetriebene Entscheidungsprozesse sowie weiterführende digitale und KI-gestützte Entwicklungen geschaffen.