@inproceedings{FiebelkornKugelGuentheretal.2025, author = {Fiebelkorn, Richard and Kugel, Rafael and G{\"u}nther, Norman and Reiff-Stephan, J{\"o}rg}, title = {Predictive Maintenance in der Baumpflege - TreeAngel}, series = {Tagungsband AALE 2025 : menschenzentrierte Automation im digitalen Zeitalter}, booktitle = {Tagungsband AALE 2025 : menschenzentrierte Automation im digitalen Zeitalter}, editor = {Reiff-Stephan, J{\"o}rg and J{\"a}kel, Jens and Reichelt, Dirk}, publisher = {Hochschule f{\"u}r Technik, Wirtschaft und Kultur}, address = {Leipzig}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:526-opus4-20193}, pages = {251 -- 259}, year = {2025}, abstract = {Die Gew{\"a}hrleistung der Verkehrssicherheit von B{\"a}umen stellt eine zentrale Herausforderung f{\"u}r St{\"a}dte und Gemeinden dar. Traditionelle, manuelle Inspektionsmethoden sind zeit- und ressourcenintensiv sowie anf{\"a}llig f{\"u}r menschliche Fehler. Der folgende Artikel pr{\"a}sentiert ein innovatives System zur automatisierten Baumzustandsbewertung, welches moderne Kameratechnologien und K{\"u}nstliche Intelligenz (KI) nutzt. Im Rahmen einer Machbarkeitsstudie wurden Bilddaten, welche durch verschiedene Kamerasysteme erzeugt wurden, analysiert. Basierend auf diesen Daten wurde ein YOLOv8-Modell trainiert, welches eine pr{\"a}zise Detektion von B{\"a}umen und Sch{\"a}den, wie beispielsweise Totholz, erm{\"o}glicht. Die Ergebnisse des vorgestellten Prototypensystems sind vielversprechend hinsichtlich Genauigkeit und Effizienz. Es zeigt das Potenzial, manuelle Inspektionen durch automatisierte Verfahren zu erg{\"a}nzen oder zu ersetzen. Die pr{\"a}sentierten Resultate legen den Grundstein f{\"u}r nachhaltige und skalierbare Ans{\"a}tze in der Baumpflege und k{\"o}nnen zur Steigerung der {\"o}ffentlichen Sicherheit und Effizienz im urbanen Management beitragen.}, language = {de} } @inproceedings{SzymanskivandeSandRieckmannetal.2023, author = {Szymanski, Mateusz and van de Sand, Ron and Rieckmann, Olaf and Stolpmann, Alexander}, title = {Automatisierte Erkennung von Messarealen bei robotergest{\"u}tzten In Vivo Messungen}, series = {Tagungsband AALE 2023 : Mit Automatisierungstechnik gegen den Klimawandel}, booktitle = {Tagungsband AALE 2023 : Mit Automatisierungstechnik gegen den Klimawandel}, publisher = {Hochschule f{\"u}r Technik, Wirtschaft und Kultur}, address = {Leipzig}, isbn = {978-3-910103-01-6}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:526-opus4-17118}, pages = {1 -- 12}, year = {2023}, abstract = {Dieser Beitrag schl{\"a}gt ein Bildverarbeitungsmodell zur automatisierten Bestimmung von Messarealen bei robotergest{\"u}tzten In Vivo Messungen vor. Es wird angenommen, dass moderne Verfahren der Deep-Learning-Objekterkennung in der Lage sind die einzelnen Areale wiederholbar genau genug zu erkennen, um die ben{\"o}tigten Messareale im dreidimensionalen Raum einzupassen. F{\"u}r das Einpassen werden Tiefeninformationen aus einer stereoskopischen Kamera verwendet. Weiter wird untersucht inwiefern diese Tiefeninformationen als zus{\"a}tzlicher Eingang f{\"u}r die Deep-Learning-Modelle verwendet werden k{\"o}nnen. Hierf{\"u}r wird ein Konzept ausgearbeitet, ein Datensatz erstellt und Modelle zur Objekterkennung in verschiedenen Implementierungen trainiert. Das Verwenden von Tiefeninformationen f{\"u}hrt zu einer besseren Generalisierbarkeit der Modelle, insbesondere auf t{\"a}towierten Hautarealen. Das Bildverarbeitungsmodell erreicht beim Einpassen der Messareale eine gemittelte Wiederholgenauigkeit bzw. Abweichung von 6, 1 mm bei einer Bildwiederholrate von 2, 3 bis 3, 3 Bildern die Sekunde.}, language = {de} }