@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} }