<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>1711</id>
    <completedYear>2023</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst>1</pageFirst>
    <pageLast>12</pageLast>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>conferenceobject</type>
    <publisherName>Hochschule für Technik, Wirtschaft und Kultur</publisherName>
    <publisherPlace>Leipzig</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>1</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Automatisierte Erkennung von Messarealen bei robotergestützten In Vivo Messungen</title>
    <abstract language="deu">Dieser Beitrag schlägt ein Bildverarbeitungsmodell zur automatisierten Bestimmung von Messarealen bei robotergestützten 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 benötigten Messareale im dreidimensionalen Raum einzupassen. Für das Einpassen werden Tiefeninformationen aus einer stereoskopischen Kamera verwendet. Weiter wird untersucht inwiefern diese Tiefeninformationen als zusätzlicher Eingang für die Deep-Learning-Modelle verwendet werden können. Hierfür wird ein Konzept ausgearbeitet, ein Datensatz erstellt und Modelle zur Objekterkennung in verschiedenen Implementierungen trainiert. Das Verwenden von Tiefeninformationen führt zu einer besseren Generalisierbarkeit der Modelle, insbesondere auf tätowierten 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.</abstract>
    <parentTitle language="deu">Tagungsband AALE 2023 : Mit Automatisierungstechnik gegen den Klimawandel</parentTitle>
    <identifier type="urn">urn:nbn:de:kobv:526-opus4-17118</identifier>
    <identifier type="isbn">978-3-910103-01-6</identifier>
    <enrichment key="opus.import.data">@inproceedingsSzymanski2023, abstract = "Dieser Beitrag schlägt ein Bildverarbeitungsmodell zur automatisierten Bestimmung von Messarealen bei robotergestützten 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 benötigten Messareale im dreidimensionalen Raum einzupassen. Für das Einpassen werden Tiefeninformationen aus einer stereoskopischen Kamera verwendet. Weiter wird untersucht inwiefern diese Tiefeninformationen als zusätzlicher Eingang für die Deep-Learning-Modelle verwendet werden können. Hierfür wird ein Konzept ausgearbeitet, ein Datensatz erstellt und Modelle zur Objekterkennung in verschiedenen Implementierungen trainiert. Das Verwenden von Tiefeninformationen führt zu einer besseren Generalisierbarkeit der Modelle, insbesondere auf tätowierten 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.", address = "Leipzig", author = "Szymanski, Mateusz and van de Sand, Ron and Rieckmann, Olaf and Stolpmann, Alexander", booktitle = "Tagungsband AALE 2023", doi = "10.33968/2023.17", isbn = "978-3-910103-01-6", editor = "Reiff-Stephan, Jörg and Jäkel, Jens and Schwarz, André", keywords = "Maschinelles Lernen, Bildverarbeitung, Objektdetektion, Mensch-Roboter-Kollaboration", language = "ger", pages = "1-12", publisher = "Hochschule für Technik, Wirtschaft und Kultur", title = "Automatisierte Erkennung von Messarealen bei robotergestützten In Vivo Messungen", subtitle = "Mit Automatisierungstechnik gegen den Klimawandel", year = "2023", note = "19. Konferenz für Angewandte Automatisierungstechnik in Lehre und Entwicklung", crossref = "Reiffstephan2023"</enrichment>
    <enrichment key="opus.import.dataHash">md5:f6afc820e9f90c6eb395b8c708614ffc</enrichment>
    <enrichment key="opus.import.date">2023-03-13T09:28:03+00:00</enrichment>
    <enrichment key="opus.import.file">/tmp/php8CZ2lh</enrichment>
    <enrichment key="opus.import.format">bibtex</enrichment>
    <enrichment key="opus.import.id">640eeca32c1b44.86900008</enrichment>
    <enrichment key="DOI_VoR">https://doi.org/10.33968/2023.17</enrichment>
    <enrichment key="SourceTitle">Szymanski, M., van de Sand, R., Rieckmann, O., &amp; Stolpmann, A. (2023). Automatisierte Erkennung von Messarealen bei robotergestützten In Vivo Messungen. (J. Reiff-Stephan, J. Jäkel, &amp; A. Schwarz), Tagungsband AALE 2023 : Mit Automatisierungstechnik gegen den Klimawandel. Leipzig: Hochschule für Technik, Wirtschaft und Kultur. doi:10.33968/2023.17</enrichment>
    <licence>Creative Commons - CC BY - Namensnennung 4.0 International</licence>
    <author>Mateusz Szymanski</author>
    <author>Ron van de Sand</author>
    <author>Olaf Rieckmann</author>
    <author>Alexander Stolpmann</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Bildverarbeitung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Objektdetektion</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Mensch-Roboter-Kollaboration</value>
    </subject>
    <collection role="ddc" number="620">Ingenieurwissenschaften und zugeordnete Tätigkeiten</collection>
    <collection role="institutes" number="">Fachbereich Ingenieur- und Naturwissenschaften</collection>
    <collection role="open_access" number="">open_access</collection>
    <collection role="green_open_access" number="3">Diamond Open Access</collection>
    <thesisPublisher>Technische Hochschule Wildau</thesisPublisher>
    <file>https://opus4.kobv.de/opus4-th-wildau/files/1711/1711.pdf</file>
  </doc>
  <doc>
    <id>1498</id>
    <completedYear>2021</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst>217</pageFirst>
    <pageLast>228</pageLast>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>conferenceobject</type>
    <publisherName>TIB Open Publishing</publisherName>
    <publisherPlace>Hannover</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>1</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Concept Towards Segmenting Arm Areas for Robot-Based Dermatological In Vivo Measurements</title>
    <abstract language="eng">Dermatological in vivo measurements are used for various purposes, e.g. health care, development and testing of skin care products or claim support in marketing.  Especially for the last two purposes, in vivo measurements are extensive due to the quantity and repeatability of the measurement series. Furthermore, they are   performed manually and therefore represent a nonnegligible time and cost factor. A solution to this is the implementation of collaborative robotics for the  measurement execution. Due to various body shapes and surface conditions, common static control procedures are not applicable. To solve this problem, spatial  information obtained from a stereoscopic camera can be integrated into the robot control process. However, the designated measurement area has to be detected  and the spatial information processed. Therefore the authors propose a concept towards segmenting arm areas through a CNN-based object detector and their  further processing to perform robot-based in vivo measurements. The paper gives an overview of the utilization of RGB-D images in 2D object detectors and  describes the selection of a suitable model for the application. Furthermore the creation, annotation and augmentation of a custom dataset is presented.</abstract>
    <parentTitle language="eng">2nd German-West African Conference on Sustainable, Renewable Energy Systems (SusRES2021)</parentTitle>
    <identifier type="urn">urn:nbn:de:kobv:526-opus4-14986</identifier>
    <enrichment key="opus.import.date">2021-09-13T09:17:57+00:00</enrichment>
    <enrichment key="opus.source">sword</enrichment>
    <enrichment key="opus.import.user">sword</enrichment>
    <enrichment key="opus.import.file">filename=phpLH6UbH</enrichment>
    <enrichment key="opus.import.checksum">3981063e879e1e50b6d7f5cf40f9f2de</enrichment>
    <enrichment key="DOI_VoR">https://doi.org/10.52825/thwildauensp.v1i.34</enrichment>
    <enrichment key="SourceTitle">Szymanski, M., van de Sand, R., Tauscher, E., Rieckmann, O., &amp; Stolpmann, A. (2021). Concept Towards Segmenting Arm Areas for Robot-Based Dermatological In Vivo Measurements. In J. Reiff-Stephan, K. ́santa Amouzou, &amp; A. Adanlete, 2nd German-West African Conference on Sustainable, Renewable Energy Systems (SusRES2021) (pp. 217–228). Hannover: TIB Open Publishing. doi:10.52825/thwildauensp.v1i.34</enrichment>
    <licence>Creative Commons - CC BY - Namensnennung 4.0 International</licence>
    <author>Mateusz Szymanski</author>
    <author>Ron van de Sand</author>
    <author>Esther Tauscher</author>
    <author>Olaf Rieckmann</author>
    <author>Alexander Stolpmann</author>
    <series>
      <title>TH Wildau Engineering and Natural Sciences Proceedings</title>
      <number>1</number>
    </series>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>object detection</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>convolutional neural network</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>RGB-D image</value>
    </subject>
    <collection role="ddc" number="621">Angewandte Physik</collection>
    <collection role="institutes" number="">Fachbereich Ingenieur- und Naturwissenschaften</collection>
    <collection role="open_access" number="">open_access</collection>
    <collection role="Import" number="import">Import</collection>
    <collection role="Tagungsbaende" number="">German-West African Conference on Sustainable, Renewable Energy Systems SusRES</collection>
    <thesisPublisher>Technische Hochschule Wildau</thesisPublisher>
    <file>https://opus4.kobv.de/opus4-th-wildau/files/1498/34-841-1-10-20210615.pdf</file>
  </doc>
</export-example>
