Moderne Methoden der industriellen Bildverarbeitung

In diesem Seminar lernst du, wie KI mit klassischen Methoden der industriellen Bildverarbeitung verknüpft werden kann. Wir zeigen dir live den kompletten Workflow bei der Entwicklung einer Deep-Learning-Applikation. Du erhältst Einblick in moderne Vorgehensweisen zur Kontrastbildung, zur Bestimmung von Orts- und Strukturauflösung und zur subpixelpräzisen Vermessung. Es werden klassische Verfahren und Deep-Learning-Technologien zur Klassifizierung, sowie Grundlagen (tiefer) neuronaler Netze und Large Language Models (ChatGPT) behandelt.

Nach dem Seminar

• kennst du den Einfluss von Beleuchtung, Optik und Kamera auf die Kontrastbildung beurteilen (Geometrie, spektrale Definition, NIR, Farbe, Fluoreszenz, Tiefenkontrast, Radiometric Stereo, Spectral Imaging).
• kannst du Struktur- und Ortsauflösung unterscheiden und die jeweils notwendige Pixelauflösung berechnen.
• kannst du subpixelpräzise Messverfahren anwenden.
• kannst du die wichtigsten Begriffe und Konzepte des Machine Learning, einschließlich der Unterschiede zwischen klassischen und modernen Ansätzen.
• kannst du den Aufwand bei der Entwicklung einer Machine-Learning-Applikation einschätzen und kennst die Vorgehensweise
• verstehst du die Funktionsweise einfacher neuronaler Netze.
• kennst du reale Beispiele zur Klassifizierung mit klassischen und KI-Methoden.
• kannst du gängige Metriken anwenden, um die Güte eines Machine Learning Modells zu bewerten.
• hast du Kenntnis aktueller Trends (Vision Language Models, Event Based Cameras)

Top-Themen

• Kombination klassischer Methoden mit praxistauglicher KI-Technologie für Anwendungen in der industriellen Bildverarbeitung
• Kontrastoptimierung durch passende Wahl von Beleuchtung, Optik und Sensor
• Tiefenkontrast, topographischer Kontrast und Materialkontrast
• Schneller Einstieg in Machine Learning ohne Vorkenntnisse
• Reale Praxisbeispiele zum Einsatz klassischer Methoden und von Deep-Learning-Technologien
• Aktuelle Trends: Large Language Models, Vision Language Models, Event Based Imaging

Ablauf des Seminars "Moderne Methoden der industriellen Bildverarbeitung"

Zielgruppe

• Das Seminar wendet sich an Ingenieur*innen und Techniker*innen, die:
• in der Entwicklung von Automatisierungs-, Überwachungs- und Prüfsystemen tätig sind
• in der Testautomatisierung, Sensorik, Steuerung und Kameratechnik tätig sind
• Applikationen, Vorrichtungen, Handhabungssysteme und Equipment entwickeln
• Bildverarbeitungssysteme einsetzen wollen oder spezifizieren müssen
• über Grundlagenkenntnisse der Bildverarbeitung verfügen und diese im Hinblick auf Stabilität und Robustheit von Applikationen für industrielle Anwendungen vertiefen wollen
• wissen möchten, wie „machine learning“ funktioniert und wie KI mit klassischen Methoden der industriellen Bildverarbeitung verknüpft werden kann

Deine Referenten für das Seminar" Moderne Methoden der industriellen Bildverarbeitung":

Prof. Christoph Heckenkamp, Hochschule Darmstadt

Prof. Dr. Christoph Heckenkamp studierte Physik an der Universität Münster und war anschließend wissenschaftlicher Mitarbeiter am Fritz-Haber-Institut der Max-Planck-Gesellschaft in Berlin. 1984 promovierte er zum Dr. rer. nat. und war ab 1985 im Firmenverbund von Giesecke & Devrient in München tätig. Seit 1992 ist er Professor an der Hochschule Darmstadt im Studiengang „Optotechnik und Bildverarbeitung“ mit den Fachgebieten Industrielle Bildverarbeitung, Spectral Imaging und Physik.

Prof. Thomas Netzsch, Hochschule Darmstadt

Prof. Dr. Thomas Netzsch studierte Physik an der Universität Heidelberg. Anschließend war er von 1989 bis 2000 Projekt- und Teamleiter bei der BASF AG in Ludwigshafen. 1995 promovierte er zum Dr. rer. nat. und ist seit 2000 Professor an der Hochschule Darmstadt im Studiengang „Optotechnik und Bildverarbeitung“. Seine Fachgebiete sind Industrielle Bildverarbeitung (IBV), Machine Learning / Deep Learning für IBV, Mobile Computing und Physik.

Veranstaltung buchen