Wir entwickeln Datenanalysekonzepte auf Basis von maschinellem Lernen. In diesem Zusammenhang verfolgen wir mehrere wissenschaftliche und softwaremethodologische Ziele:
- Entwicklung universell gültiger experimenteller Daten
- Generalisierung von Nachverarbeitungsschritten wie Binarisierung, räumliche und zeitliche Filterung von Daten
- Erzeugung synthetischer Trainingsdaten aus experimentellen Daten mittels neuer Methoden wie der Domänenrandomisierung.
- Entwicklung eines eigenen Datengenerierungs-Frameworks, das einen vollständigen Datensatz (~10000 Bilder) aus einer Datenbank interessierter Objekte mit entsprechenden Annotationsstandards zusammenstellen kann.
- Erweiterung des Frameworks durch Parallelisierung und Hinzufügung verschiedener Arten von Datengenerierungsmöglichkeiten.
- Kopplung konventioneller Methoden mit KI
- Wir integrieren KI in unser bestehendes Datenanalyse-Framework:
- Bildsegmentierung in Signal und Hintergrund mittels Instanzsegmentierung. Hier verwenden wir unter anderem modernste Deep Neural Networks wie Mask-RCNN und SparseInst.
- Optische Flusserkennung auf PIV-Daten. Wir versuchen, allgemeine SOTA-Modelle (wie RAFT) an unsere PIV-Messungen anzupassen, um Geschwindigkeitsfelder und Verschiebungen genau abzuleiten.
- Wir integrieren KI in unser bestehendes Datenanalyse-Framework:
- Automatisierung der Aktualisierung des KI-Modells und der Hyperparameter-Optimierung
- Einbindung von Reinforcement Learning zur automatischen Korrektur falscher Erkennungen und zur Selbstoptimierung im Laufe der Zeit.
- Verbesserung des Trainingsprozesses durch automatische Vorauswahl der relevantesten Teile der Trainingsdaten im Kontext.
- Entwicklung einer vollständigen KI-unterstützten Datenanalyse-Suite
- All diese separaten KI-Aufgaben werden unter einem gemeinsamen Dach in Form einer industriellen Standardsoftware-Suite zusammengeführt.
Wir entwickeln und verwenden modernste Instanzsegmentierungsmodelle, um Ruß in PIV-Daten zu erkennen.
Entwicklung von Segmentierungsmodellen, die verfeinerte Masken für verschiedene Sprays erzeugen können. Diese Modelle werden mit zuverlässigen Methoden validiert.
Wir streben an, Verschiebungen und Geschwindigkeitsgradienten aus unseren experimentellen Daten mithilfe modernster Modelle zur Erkennung des optischen Flusses zu detektieren. Diese Modelle bieten eine angemessene Generalisierung bei ausreichender Genauigkeit.
Weitere Details werden in Kürze hinzugefügt.
Weitere Details werden in Kürze hinzugefügt.
Unsere KI-Modelle
Unsere Modelle sind in DaRUS verfügbar und können über den unten stehenden Link aufgerufen werden:
Weitere Informationen / Teilnehmen
Sie haben Interesse an unserem Projekt, weitere Fragen oder möchten uns im Rahmen von studentischen Arbeiten, Praktika oder Abschlussarbeiten unterstützen, freuen wir uns über Ihre Kontaktaufnahme per E-Mail oder Telefon. Die entsprechenden Kontaktdaten finden Sie unten.
Zugehörige Veröffentlichungen
- Jose, B., & Hampp, F. (2024). Code for training and using the spray segmentation models. https://doi.org/10.18419/darus-4147
- Jose, B., & Hampp, F. (2024). Machine learning based spray process quantification. International Journal of Multiphase Flow, 172, 104702. https://doi.org/10.1016/j.ijmultiphaseflow.2023.104702
- Jose, B., & Hampp, F. (2023). DNN model development for experimental characterisation of multi-phase flows. In Statusseminar SimTech.
- Jose, B., & Hampp, F. (2023). Machine learning based spray process quantification. 32nd ILASS Europe Conference.
- Jose, B., & Hampp, F. (2023). Training computer vision models without labeled data using physics-informed domain randomisation. In SimTech Conference 2023.
- Jose, B., Geigle, K. P., & Hampp, F. (2023). Physics-informed domain randomisation for synthetic training data generation. In 9th WAW Workshop Machine Learning.
- Jose, B., Geigle, K. P., & Hampp, F. (2022). Supervised learning without labelling: Applied domain randomization on scientific images. In 8th WAW Workshop Machine Learning.