Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

Link zu dieser Vergleichsansicht

Beide Seiten der vorigen Revision Vorhergehende Überarbeitung
Nächste Überarbeitung
Vorhergehende Überarbeitung
arbeiten:qualitaetssicherung_mittels_deep_learning [03.02.2019 12:02]
Vanessa Hahn [Data-Entry]
arbeiten:qualitaetssicherung_mittels_deep_learning [05.07.2019 17:33] (aktuell)
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
  
  
arbeiten/qualitaetssicherung_mittels_deep_learning.1549191757.txt.gz · Zuletzt geändert: 03.02.2019 12:02 von Vanessa Hahn
Recent changes RSS feed Debian Powered by PHP Valid XHTML 1.0 Valid CSS Driven by DokuWiki