arbeiten:qualitaetssicherung_mittels_deep_learning

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

Link zu dieser Vergleichsansicht

Beide Seiten der vorigen Revision Vorhergehende Überarbeitung
Nächste Überarbeitung		 Vorhergehende Überarbeitung
Nächste ÜberarbeitungBeide Seiten der Revision
arbeiten:qualitaetssicherung_mittels_deep_learning [03.02.2019 11:02] – [Data-Entry] Vanessa Hahnarbeiten:qualitaetssicherung_mittels_deep_learning [05.07.2019 15:33] – Vanessa Hahn
Zeile 2: Zeile 2:
  
 ---- dataentry StudentischeArbeit ---- ---- dataentry StudentischeArbeit ----
-Thema                     : Qualitätssicherung mittels Deep Learning +Thema                     : Konzeption, Umsetzung und Evaluation neuronaler Netze zur Bestimmung von Produktfehlern am Beispiel von medizinischer Nahrung #  
-Art_thesistypes           : BA +Art_thesistypes           : BA #  
-Betreuer_thesisadvisor    : Maximilian Hierl (DioVision) +Betreuer_thesisadvisor    : Maximilian Hierl (DioVision) #  
-Student                   : Vanessa Hahn +Student                   : Vanessa Hahn #  
-Professor_thesisprofessor : Christian Wolff +Professor_thesisprofessor : Bernd Ludwig #  
-Status_thesisstate        : in Bearbeitung +Status_thesisstate        : in Bearbeitung #  
-Stichworte_thesiskeywords : Deep Learning, Medizintechnik, Produktqualität, Bildanalyse +Stichworte_thesiskeywords : Deep Learning, Medizintechnik, Produktqualität, Bildanalyse #  
-angelegt_dt               : 2019-01-28 +angelegt_dt               : 2019-01-31 #  
-Beginn_dt                 :  +Beginn_dt                 :  #  
-Anmeldung_dt              :  +Anmeldung_dt              :  #  
-Antrittsvortrag_dt        : 2019-02-25 +Antrittsvortrag_dt        : 2019-02-25 #  
-Abschlussvortrag_dt       :  +Abschlussvortrag_dt       :  #  
-Ende_dt                   : +Ende_dt                   :  # 
 ---- ----
 +
  
  
Zeile 25: Zeile 26:
 === Zielsetzung der Arbeit === === Zielsetzung der Arbeit ===
  
-Um den oben beschriebenen Vorgang zu automatisieren, sollen die gelabelten Bilder zum Trainieren  neuronaler Netze genutzt werden. Ziel ist es, dass das Netzwerk mindestens so zuverlässig (und schnell) arbeitet, wie die Operator . Damit wird die Qualität des Produktes auch weiterhin gewährleistet oder gegebenenfalls sogar verbessert. Diese Entwicklung unterliegt der Schwierigkeit, dass Fehler am Produkt vereinzelt und sehr selten auftreten, weshalb bei der Entwicklung der Algorithmik unter anderem Overfitting zu vermeiden ist. +Um den oben beschriebenen Vorgang zu automatisieren, sollen die gelabelten Bilder zum Trainieren  neuronaler Netze genutzt werden. Ziel ist es, dass das Netzwerk möglichst zuverlässig (und schnell) arbeitet. Damit wird die Qualität des Produktes auch weiterhin gewährleistet oder gegebenenfalls sogar verbessert. Diese Entwicklung unterliegt der Schwierigkeit, dass Fehler am Produkt vereinzelt und sehr selten auftreten, weshalb bei der Entwicklung der Algorithmik unter anderem Overfitting zu vermeiden ist. 
 Da die Qualitätssicherung bei vielen Produkten eine große Rolle spielt, lässt sich der Algorithmus anschließend vielseitig einsetzen. Da die Qualitätssicherung bei vielen Produkten eine große Rolle spielt, lässt sich der Algorithmus anschließend vielseitig einsetzen.
  
Zeile 35: Zeile 36:
 * Datensatz anpassen * Datensatz anpassen
 * Auswahl, Anpassung und Training geeigneter Neuronaler Netze * Auswahl, Anpassung und Training geeigneter Neuronaler Netze
-* (Geeignete) Evaluation bzw. Visualisierung und Vergleich der Netze+* (Geeignete) Evaluation bzw. Visualisierung