PERFACCT

Computer Vision basierte KI zur Wunderkennung

Wir entwickelten Computer-Vision- und KI-Komponenten für ein System zur Wunderkennung. Dabei entstand ein Service, der Wundflächen in Patientenbildern segmentiert und ihre Größe anhand von Referenzmarkern berechnet.

Auftraggeber

BFI Software GmbH

Dauer

26 Monate

Produkt

Dienstleistung

Expertise

Softwareentwicklung

Ziel

Ziel des Projekts war die Entwicklung eines Service zur Analyse von Patientenbildern. Dieser sollte Wundflächen segmentieren und ihre Größe mithilfe von Referenzmarkern zuverlässig berechnen.

Aufgaben

Erkennung von Referenzmarkern wie ChArUco-Board und ColorChecker mit OpenCV in Python
Implementierung eines REST-Webservice mit Flask und Gunicorn
Evaluierung von Verfahren zur Kamerakalibrierung auf Mobilgeräten
Implementierung eines Webservice zur Bewertung der Fotoqualität
Evaluierung eines neuronalen Netzes mit TensorFlow und Keras zur Wundsegmentierung
Bereitstellung von End-to-End-Computer-Vision-Systemen für Wundsegmentierung und OCR
Aufbau mehrstufiger Pipelines von der Erkennung bis zur Segmentierung
Umgang mit Rauschen und Klassenungleichgewichten in Praxisdaten
Konzeption und Implementierung versionierter Datenpipelines mit DVC
Automatisiertes Tracking von Experimenten mit MLFlow
Containerisierung mit Docker, Docker-Compose und Kaniko
Einrichtung von CI-Pipelines in GitLab CI/CD auf Basis von Docker-Containern
Prototyping und Visualisierung mit Jupyter Notebook
Verwaltung des gesamten Lebenszyklus von Praxisdaten bis zur Bereitstellung kundenorientierter APIs

Herausforderungen

Eine zentrale Herausforderung bestand in der Verarbeitung unübersichtlicher Praxisdaten mit Rauschen, schwankender Bildqualität und Klassenungleichgewichten. Zusätzlich mussten mehrere Verarbeitungsschritte wie Markererkennung, Qualitätsbewertung, Segmentierung und OCR in robuste, reproduzierbare Pipelines überführt und als Webservices bereitgestellt werden.

Programmiersprachen

Python

Technologien

DVC, Detectron, Docker, Docker-Compose, Flask, GitLab CI/CD, Gunicorn, Jupyter Notebook, Kaniko, Keras, MLFlow, OCR, OpenCV, REST, TensorFlow

Schematische Darstellung eines KI-gestützten Computer Vision Systems.

Ähnliches Problem?

Zum Kontaktformular

Fazit

Im Projekt entstanden End-to-End-Computer-Vision-Komponenten für die Wunderkennung, Wundsegmentierung und OCR. Durch versionierte Datenpipelines, Experiment-Tracking und containerisierte Bereitstellung wurde eine belastbare Grundlage für die Weiterentwicklung und den produktiven Einsatz der Lösung geschaffen.

RIM2D - Hocheffiziente 2D hydraulische Simulation von fluvialen, pluvialen und urbanen Hochwassern

Hydrodynamische Simulation Webanwendung Geodaten GPU-Computing

RIM2D ist ein bestehendes, hocheffizientes 2D-hydraulisches Simulationsmodell für fluviale, pluviale und urbane Hochwasser. Wir unterstützten im Rahmen einer strategischen Partnerschaft dabei, den Forschungscode um eine Webanwendung und eine cloudbasierte GPU-Simulationsumgebung zu erweitern und so den Transfer in ein marktfähiges Produkt zu ermöglichen.

Projekt ansehen

Data Lake for Geoscience Research Data Management

Datalake Research Data Management Geodaten Cloud-Native Open-Source

Wir entwickelten eine S3-basierte Open-Source Datalake-Lösung zur zentralen Erfassung, Kategorisierung und Durchsuchbarkeit von Daten. Ziel war es, die manuelle Datenverwaltung durch eine integrierte Architektur mit Workflowsteuerung, Datenkatalog und Zugriffsschutz zu automatisieren und zu verbessern.