ThurAI

Pilotphase im Thüringer Zentrum für Lernende Systeme und Robotik

Zielstellung

Aufbauend auf den Aktivitäten des TZLR werden innerhalb des ThurAI-Projekts (thuringian AI = Thüringer KI) konkrete Pilotprojekte zu Anwendung und Transfer von KI-Methoden in der Praxis initiiert.

Hierzu stehen die folgenden drei Leitthemen, die besondere Bedeutung für die Thüringer Wirtschaft und Wissenschaft besitzen, im Fokus:

  • Produktion und Qualitätssicherung durch Unterstützung der Automatisierung von Produktions- und Fertigungsprozessen in der Industrie, aber auch der Prozessüberwachung und Qualitätssicherung
  • Gesundheitswesen und Medizintechnik über den Einsatz von KI-Methoden in medizintechnischen Geräten und in Pflegeeinrichtungen,
  • Smart City durch intelligente, datengetriebene Lösungen für Effizienz, Bürgerfreundlichkeit und Nachhaltigkeit moderner Kommunen.

Zu diesen Leitthemen sollen im Rahmen von Pilotprojekten Demonstratoren entwickelt werden, die das Potential intelligenter bzw. lernender Systeme aufzeigen und Anwendungsbeispiele illustrieren.

Insgesamt werden 12 Pilotprojekte mit einem Gesamtvolumen von 2,56 Millionen Euro vom Thüringer Freistaat gefördert. Die Projektlaufzeit beginnt am 1. April 2021 und beträgt 3 Jahre.

Beteiligte Partner und Pilotprojekte

An den Leitthemen orientiert werden die folgenden Pilotprojekte bearbeitet:

Vorstellung der Projekte

Auf dem 3. Thüringer KI-Forum haben die Verantwortlichen der Leitthemen die Projekte vorgestellt. Die Aufzeichnungen der Präsentationen finden Sie auf Youtube.

Kurbeschreibungen der Themen und der Pilotprojekte

Ansprechpartner: Prof. Dr. rer. nat. Gunther Notni, TU Ilmenau

Das produzierende Gewerbe ist eine wichtige Säule der Thüringer Industrie und bietet ein großes Potential für intelligente Lösungen. Das Potential in der Produktion ist durch Automatisierung in Produktions und Analyseprozessen gegeben. Durch die Automatisierung von Produktionsschritten ist eine Reduzierung der benötigten Arbeitszeit bei gleichzeitiger Erhöhung der Verarbeitungsqualität möglich. In Kombination hiermit ist die automatisierte Sicherstellung und Kontrolle der Produktionsprozesse und Qualitätskontrolle von großem Interesse, da hier bspw. durch „Predictive Maintenance” der Aufwand für die Instandhaltung reduziert werden kann.

Datenaugemtation

Die Einführung von Deep Learning in industrielle Qualitätssicherung und Robotik bringt Vorteile, jedoch stellt die unterrepräsentierte Fehlerklassenproblematik eine Herausforderung dar. Das Forschungsthema konzentriert sich auf die Entwicklung rechenzeiteffizienter hybrider Ansätze, insbesondere die Anwendung von Generative Adversarial Networks (GANs) zur Datensatzerweiterung. Ziel ist es, synthetische, aber realistische Fehlerbilder unterrepräsentierter Klassen zu generieren, um den Mangel an echten Fehlerdaten in KI-Lernprozessen für die Qualitätssicherung zu überwinden.

Ansprechpartner

PD Dr.-Ing. habil. Katharina Anding
FG Qualitätssicherung und Industrielle Bildverarbeitung, TU Ilmenau

Partner

  • microfluidic ChipShop GmbH (Jena)
  • Plasttechnik Hohleborn GmbH (Floh-Seligenthal)

Fusion von Bilddatenströmen

Multimodale Systeme, die verschiedene Bildverarbeitungs- und Sensortechnologien kombinieren, werden in der Qualitätssicherung und Analyse von Fertigungsprozessen verwendet. Das Forschungsziel ist die Entwicklung von KI-Verfahren zur Fusion und Verarbeitung multimodaler Bild- und Sensordaten sowie deren Kombination mit digitalen Referenzdaten. Durch das gemeinsame Verwenden und Interpretieren der unterschiedlichen Bilddaten mittels KI-Methoden sowie die Nutzung von CAx-Daten soll eine automatische Prüfplangenerierung auf Basis multimodaler Referenzdaten erreicht werden, um die Einrichtungskosten bei der automatisierten Prüfung von diversen Produkten zu reduzieren.

Ansprechpartner

Prof. Dr. rer. nat. Gunther Notni
FG Qualitätssicherung und Industrielle Bildverarbeitung, TU Ilmenau

Partner

  • GÖPEL electronic GmbH (Jena)

In-situ Qualitätskontrolle

Die vermehrte Verwendung von Aluminium und Kupfer in Elektrofahrzeugen stellt neue Herausforderungen an die Fügetechnik, insbesondere das FSSW-Verfahren. Aufgrund von Defiziten in der Qualitätsprüfung des Fertigungsprozesses gewinnt die Echtzeitüberwachung an Bedeutung. Das Projekt zielt darauf ab, einen multisensorischen Ansatz zu verwenden, der Drehmoment, Eintauchweg, Kraft und Drehzahl mit akustischen Signalen kombiniert, um den Fügeprozess zu charakterisieren. Durch den Einsatz von Deep Learning Algorithmen sollen Prozessunregelmäßigkeiten erkannt und klassifiziert werden.

Ansprechpartner

Prof. Dr.-Ing. habil. Jean Pierre Bergmann
Dr.-Ing. Jörg Hildebrand
FG Fertigungstechnik, TU Ilmenau

Partner

  • EJOT GmbH (TambachDietharz)
  • Weisskopf (Meiningen)
  • Fromm Präzision GmbH & Co. KG (Sitzendorf)
  • CATL (Arnstadt)
  • Gefell Microtech (Gefell)

Ansprechpartner: Prof. Dr. Manja Marz, FSU Jena

Für dieses Leitthema bestehen große Überschneidungen zum Innovationsfeld „Gesundes Leben und Gesundheitswirtschaft”. Angestrebt sind Assistenzsysteme, welche dem medizinischen oder pflegerischen Personal unterstützend zur Seite stehen können. Dies wird sowohl durch robotische Unterstützung als auch durch entscheidungsunterstützende Systeme erreicht. In beiden Bereichen ist das Vertrauen in die Systeme von höchster Priorität, weshalb sich einige Projekte exemplarisch mit der Erklärbarkeit von und dem vertrauensvollen Umgang mit KI beschäftigen.

Reproduzierbarkeit und Erklärbarkeit von KI

Die weitverbreitete Akzeptanz von tiefen Lernverfahren aufgrund ihrer Leistungssteigerungen hat zu neuen Herausforderungen in Bezug auf Reproduzierbarkeit und Verständlichkeit geführt. Im ersten Projektteil konzentriert sich das Ziel darauf, die Reproduzierbarkeit von wissenschaftlichen Prozessen in tiefen Lernverfahren zu verbessern. Dazu wird eine semantische Lösung für das Model Management entwickelt, die mithilfe von Knowledge Graphs die Herkunft von Deep Learning Pipelines verfolgt, beschreibt und visualisiert. Zusätzlich wird eine Lösung basierend auf FAIR-Datenprinzipien für Deep Learning Modelle entwickelt, um die Annotation von Modelltrainingsdaten mit Metadaten zu erleichtern.

Ansprechpartner

Prof. Dr. Birgitta König-Ries
Dr. Sheeba Samuel
Heinz-Nixdorf-Professur für verteilte Informationssysteme
Prof. Dr. Joachim Denzler
Lehrstuhl für digitale Bildverarbeitung
FSU Jena

Partner

  • Universitätsklinikum Jena

Früherkennung von Netzhauterkrankunge mittels KI

Die frühzeitige Erkennung von Augenerkrankungen, die zur Erblindung führen können, ist entscheidend, da Stoffwechselveränderungen oft lange vor sichtbaren morphologischen Veränderungen auftreten. Fluorescence Lifetime Imaging Ophthalmoscopy (FLIO) ermöglicht die frühzeitige Detektion solcher Veränderungen, erfordert jedoch komplexe und zeitaufwendige Modelloptimierungsverfahren. Das Ziel des Projekts ist die KI-basierte Schätzung der Fluoreszenzlebensdauern aus den FLIO-Daten, unter Verwendung von synthetischen Trainingsdaten und Deep Learning-Techniken, um Artefakte zu minimieren, den Zeitaufwand zu reduzieren und die klinische Akzeptanz zu erhöhen. Die automatisierte Früherkennung von Netzhauterkrankungen soll durch das Training geeigneter neuronaler Netze ermöglicht werden.

Ansprechpartner

Prof. Dr.-Ing. habil. Jens Haueisen
FG Biomedizinische Technik, TU Ilmenau

Partner

  • Carl Zeiss Meditec AG
  • Imedos Systems GmbH
  • Universitätsklinikum Jena
  • Universität zu Lübeck
  • Inselspital (Universitätsspital Bern)
  • John A. Moran Center (University of Utah Health Hospitals and Clinics, Salt Lake City)

MRT-Bildgebung

Das Projekt zielt darauf ab, die MRT-Bildgebung durch die Integration zusätzlicher biophysikalischer Mechanismen zu verbessern, um Mikrostrukturveränderungen in biologischem Gewebe, insbesondere im Kontext von Multipler Sklerose und neurodegenerativen Erkrankungen, zu erforschen und zu diagnostizieren. Die Zielsetzung umfasst die Erforschung von Deep Learning-Netzwerkarchitekturen, die biophysikalisch informiert sind, und die Synthese von Trainingsdaten mit mikrostrukturellen biophysikalischen Mechanismen. Es sollen speziell domänenspezifische Data Augmentation-Techniken sowie die Berücksichtigung von biophysikalischen Limitationen in Netzwerkarchitekturen und Kostenfunktionen erforscht werden, um die Tauglichkeit der Bewertung für medizinische Entscheidungen zu verbessern.

Ansprechpartner

Prof. Dr.-Ing. habil. Jens Haueisen
FG Biomedizinische Technik, TU Ilmenau

Partner

  • Jacobs School of Medicine
  • University at Buffalo
  • Universitätsklinikum Jena

Mikrobiomanalysen mittles KI

Für viele altersrelatierte Erkrankungen (bspw. Osteoporose, Alzheimer, Autismus oder Parkinson) konnte eine Korrelation mit dem Mikrobiom der Patienten nachgewiesen werden. Eine automatisierte, präsymptomatische und KI-Basierte Diagnose über das Mikrobiom würde es erlauben, Therapien früher zu beginnen, was häufig ausschlaggebend für ihren Erfolg und Nutzen ist. Zwar gibt es verschiedene Verfahren um solche Werte auszulesen die Herausforderung in diesem Pilotprojekt ist es (1) diese Daten konituierlich aufzunehmen und mit Umgebungsmessungen zu kombinieren und (2) durch eine passende Modellierung der dynamischen Prozesse im Körper (wie z.B. mit neuronalen Netzen oder Mischverteilungsmodellen) auf unerwünschte Änderungen zu reagieren (um z.B. Erkrankungen frühzeitig zu erkennen).

Ansprechpartner

Prof. Dr. Manja Marz
Dr. rer. nat. Christian Höner zu Siederdissen
Dr. rer. nat. Damian Wollny
LS Bioinformatik, FSU Jena

Partner

  • Universitätsklinikum Jena
  • Leibniz-Institut für Altersforschung Jena
  • European Virus Bioinformatics Center (EVBC)
  • Michael Stifel Zentrum Jena

Pflege-Robotik

Ambulante und stationäre Pflegeeinrichtungen haben einen erheblichen Anteil an den Erwerbstätigen im Gesundheitswesen. Angesichts des steigenden Pflegebedarfs und des Fachkräftemangels wird robotischen Systemen, insbesondere KI-gesteuerten Robotern, ein großes Potenzial zugeschrieben, um Pflegekräfte im Alltag zu entlasten. Das Pilotprojekt der TU Ilmenau konzentriert sich darauf, praxisrelevante robotische Unterstützungsleistungen in Pflegeeinrichtungen des betreuten Wohnens bereitzustellen, darunter intelligente Zugangskontrolle, Lotsen von Besuchern, Begleitung von Bewohnern bei Spaziergängen, physische Mobilisierung und autonomer Transport von Gegenständen.

Ansprechpartner

Prof. Dr. Horst-Michael Groß
FG Neuroinformatik und Kognitive Robotik
TU Ilmenau

Partner

  • AWO AJS gGmbH
  • Diakonie
  • Lebenshilfe e.V.
  • ARTIS Servicewohnen
  • MetraLabs Robotics GmbH Ilmenau
  • tediro GmbH Ilmenau

Ansprechpartner: Dr. Stefan Hagedorn, TU Ilmenau

Das Thema Smart City stellt ein sehr breites Feld mit großem Potential in den Bereichen Nachhaltigkeit, Mobilität und Logistik dar und überschneidet sich mit den zwei oben genannten Innovationsfeldern. Aufgrund der vorhandenen Expertise im Konsortium sind bei den hier angedachten Projekten vor allem die Datenaufzeichnung und verarbeitung geplant. Dabei ist zu beachten, dass Daten der Rohstoff ist auf dem zukünftige Konzepte aufbauen können und damit den Grundstein für zukünftige Projekte darstellt. Mögliche darauf aufbauende Konzepte und Projekte sollen in Form eines „Living Labs” im Kontext der Stadt Ilmenau erarbeitet werden. Ein enger Austausch mit Jenaer Aktivitäten in diesem Umfeld ist geplant.

Intelligente Sensorsysteme

Hier wird angestrebt, die Grundlage für Smart City-Dienste zu schaffen, indem aktuelle Zustands- und Messdaten aus öffentlichen Räumen, städtischen Infrastrukturen und Landschaften durch Sensor- und Messsysteme bereitgestellt werden. Dabei sollen die Rohdaten vor Ort durch lokale Intelligenz vorverarbeitet, mit Hilfe von Künstlicher Intelligenz (KI) bewertet und klassifiziert bevor sie an den Data Hub gesendet werden. Das Projekt adressiert verschiedene Anwendungsbereiche, darunter die Erfassung von Mikroklima, Luftqualität, Verkehrsflüssen und Überwachung von Infrastrukturen, wobei flexible und skalierbare Sensorlösungen und Sensornetzwerke verwendet werden sollen.

Ansprechpartner

Dr. Tino Hutschenreuther
IMMS GmbH

Partner

  • Stadt Ilmenau
  • Emsys
  • QSoft
  • SONOTEC

Intelligente Sensorsysteme

Das Pilotprojekt Intelligente Sensorsysteme erzeugt eine enorme Menge an Daten, die effizient verarbeitet und vor unbefugtem Zugriff geschützt werden muss. Durch eine sensornahe Daten(vor-)verarbeitung mit Hilfe von KI-Algorithmen (z.B. neuronalen Netzen), sowie Datenkompression vor der Übertragung, soll die Datenmenge erheblich reduziert werden. Das Forschungsprojekt konzentriert sich auf die Implementierung energieeffizienter und skalierbarer KI-basierter digitaler Datenverarbeitung für intelligente Sensorknoten, insbesondere auf ressourcenbeschränkten Systemen (z.B. wie batteriebetriebenen Geräten auf Basis von FPGAs).

Ansprechpartner

Prof. Dr. Daniel Ziener
FG Rechnerarchitektur und Eingebettete Systeme, TU Ilmenau

Partner

  • Stadt Ilmenanu
  • IMMS GmbH

Data Hub

Das Pilotprojekt Intelligente Sensorsysteme strebt an, die gesammelten Daten zentral zugänglich zu machen, um Städte attraktiver zu gestalten, Gemeinden besser zu verbinden und Bürgern die Nachvollziehbarkeit von datenbasierten Entscheidungen zu ermöglichen. Diese Daten werden im Data Hub gespeichert und als eine Open Data Plattform für Smart City-Dienste in Ilmenau und den umliegenden Gemeinden zur verfügung gestellt. Im thurAI Living Lab “Smart City” werden KI-Anwendungen auf Basis gesammelter Daten für die Öffentlichkeit zugänglich gemacht.

Ansprechpartner

Prof. Dr.-Ing. Kai-Uwe Sattler
Dr. Stefan Hagedorn
FG Datenbanken und Informationssysteme,
TU Ilmenau

Partner

  • Stadt Ilmenau
  • IMMS GmbH

Bürgerservice Digital

Die rasante Digitalisierung durch die Corona-Pandemie hat den Bedarf an strukturierten digitalen Informations- und Unterstützungsangeboten erhöht, die bisher unstrukturiert in sozialen Online-Medien, Webseiten und Newslettern erfolgte. Als erstes werden die Austauschprozesse in sozialen Medien untersucht und ausgewertet um daraus sozialwissenschaftliche Einsichten zu gewinnen, die für Erstellelung von KI-gestützten digitalen Informations- und Unterstützungsangeboten. Diese sollen über eine natürlich-sprachige Schnittstelle den Bürgern eine intuitive Möglichkeit bieten Informationen zu erfragen (ähnlich wie z.B. Amazon Alexa, Siri oder ChatGPT).

Ansprechpartner

Dr. Nadine Steinmetz
FG Datenbanken und Informationssysteme
Prof. Emese Domahidi
FG Computational Communication Science
TU Ilmenau

Partner

  • Join GmbH
  • Stadt Eisenach