Institute for Technologies and Management of Digital Transformation

Industrial Deep Learning

Im Bereich "Industrial Deep Learning" erforschen wir Deep Learning-Technologien für industrielle Anwendungen, um innovative Lösungen in Produktion, Logistik und Umwelt zu realisieren. Dabei verbinden wir Grundlagen-KI-Forschung mit der industriellen Praxis und konzentrieren uns auf drei Schwerpunkte

Visuelle Inspektion

Bildbasierte Methoden zur Automatisierung von Qualitätskontrollen sowie zur präzisen Lokalisierung von Anomalien und Schäden.

Sensorbasierte Situations- und Zustandsbewertung

Verarbeitung und Nutzung transienter und saisonaler Sensordaten für Zustandsüberwachung, Anomalieerkennung und Prognosen.

Intelligente Planung und Prozessgestaltung

Lernende Verfahren zur Lösung komplexer Planungs- und Optimierungsprobleme sowie zur Bewertung und Parametrisierung von Prozessen.

 

Unsere Forschung adressiert ein breites Spektrum an Deep Learning-Technologien, darunter verschiedene Lernparadigmen wie Supervised und Reinforcement Learning, Lernszenarien wie Transfer Learning, Representation Learning und Explainable AI, sowie Modellarchitekturen wie Transformer-Netze, Autoencoder und Generative Adversarial Networks.

Wir arbeiten eng mit Industriepartnern zusammen, sei es im Rahmen von öffentlich geförderten Projekten oder direkten F&E-Aufträgen. Dabei setzen wir uns intensiv mit realen Herausforderungen auseinander und beziehen stets die Bedürfnisse von Endnutzern und Fachexperten mit ein. Dieser Praxisbezug stellt sicher, dass unsere Forschungsergebnisse nicht nur theoretisch fundiert, sondern auch unmittelbar in der industriellen Praxis anwendbar sind und die Wertschöpfung verbessern.

2024
Saini, L., Su, Y., Tercan, H., & Meisen, T. (2024). "CenterPoint Transformer for BEV Object Detection with Automotive Radar" in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops . 4451—4460.
Alves-Gomes, M., Meyes, R., Meisen, P., & Meisen, T. (2024). "It’s Not Always about Wide and Deep Models: Click-Through Rate Prediction with a Customer Behavior-Embedding Representation" , Journal of Theoretical and Applied Electronic Commerce Research , 19 (1), 135—151.
Hütten, N., Alves-Gomes, M., Hölken, F., Andricevic, K., Meyes, R., & Meisen, T. (2024). "Deep Learning for Automated Visual Inspection in Manufacturing and Maintenance: A Survey of Open- Access Papers" , Applied System Innovation , 7 (1), 11.
Waubert-de-Puiseau, C., Dörpelkus, C., Peters, J., Tercan, H., & Meisen, T. Beyond Training: Optimizing Reinforcement Learning Based Job Shop Scheduling Through Adaptive Action Sampling.
2024
Alves-Gomes, M., Meyes, R., Meisen, P., & Meisen, T. (2024). "It's Not Always about Wide and Deep Models: Click-Through Rate Prediction with a Customer Behavior-Embedding Representation" , Journal of Theoretical and Applied Electronic Commerce Research , 19 (1), 135--151.

Weitere Infos über #UniWuppertal: