Alles auf einen Blick · Alle Fort- und Weiterbildungsangebote der DGM Akademie 2026 und 2027

Details
Fort- & Weiterbildung

Deep Learning für Bild- und Materialdaten

Bild- und Messdaten automatisiert und reproduzierbar auswerten und eigene KI-Modelle praxisnah einsetzen

Wann

23.02. 09:00 - 27.02.2027 13:00

Wo

Online

Sprache

Deutsch

Zertifikat

nach Teilnahme

Die objektive und automatisierte Auswertung von materialwissenschaftlichen und werkstoffkundlichen Daten mittels künstlicher Intelligenz revolutioniert die Art und Weise, wie wir Materialien zur Werkstoffentwicklung und Qualitätssicherung charakter­isieren. Hunderte Schliffbilder auswerten, Gefügeparameter quantifizieren, die Qualität von Bauteilen klassifizieren oder Kennwerte vorhersagen – was bisher Stunden manueller Arbeit kostete, erledigt ein trainiertes KI-Modell in Minuten. In dieser praxisorientierten Fortbildung erhalten Sie einen fundierten Einstieg in Convolutional Neural Networks zur automatischen Datenanalyse. Sie lernen, Deep Learning für konkrete Aufgaben einzusetzen: Gefügeklassifikation, Segmentierung von Phasen oder Defekten, Vorhersage von Werkstoffkennwerten aus Bild- und Tabellendaten. Die Inhalte werden anhand realer Werkstoffdatensätze in hands-on Übungen direkt erprobt. Ziel ist es, Ihnen das Wissen und die Fähigkeiten zu vermitteln, die erlernten Methoden effektiv auf Ihre eigenen Projekte zu übertragen und anzupassen.

Fortbildungsleitung

  • Prof. Dr.-Ing. Tim Dahmen

    Prof. Dr.-Ing. Tim Dahmen

    Deutsches Forschungszentrum für Künstliche Intelligenz GmbH

  • Dr.-Ing. Martin Müller

    Dr.-Ing. Martin Müller

    Material Engineering Center Saarland (MECS)

Teilnahme buchen Programm Flyer Übersichtsblatt

Deep Learning ermöglicht es Ihrem Unternehmen, materialwissenschaftliche Daten effizient auszuwerten, Prozesse zu automatisieren und Künstliche Intelligenz gezielt für praxisnahe Anwendungen einzusetzen.
Hier sind einige Gründe, warum Ihr Unternehmen von einer tieferen Kenntnis in diesem Bereich profitieren wird:

  • Eigene Deep-Learning-Modelle entwickeln: Erlernen Sie den Aufbau leistungsfähiger CNN-Modelle mit PyTorch und FastAI, von der Datenaufbereitung bis zum einsatzbereiten KI-Modell.
  • Qualitätsprüfung automatisieren: Trainieren Sie Klassifikationsmodelle zur zuverlässigen Erkennung fehlerhafter und einwandfreier Bauteile und steigern Sie Effizienz sowie Prozesssicherheit.
  • Materialeigenschaften vorhersagen: Entwickeln Sie Regressionsmodelle, die Werkstoffkennwerte aus Messdaten oder Bildern präzise prognostizieren und Auswertungen beschleunigen.
  • Mikrostrukturen automatisch analysieren: Erlernen Sie die Segmentierung und Quantifizierung von Phasen, Korngrenzen oder Defekten für reproduzierbare und objektive Gefügeanalysen.
  • KI-Potenziale bewerten: Bestimmen Sie, welche Datensätze und Anwendungsfälle in Ihrem Unternehmen für den erfolgreichen Einsatz von Deep Learning geeignet sind.
  • Praxisnahe Umsetzung im Unternehmen: Übertragen Sie die erlernten Methoden auf eigene Daten und entwickeln Sie fundierte Ansätze für zukünftige KI-Anwendungen.
  • Diskutieren Sie Ihre konkrete praktische Anwendung/Problemstellung mit Expert*innen.

Nutzen Sie diese Chance, um Ihr Unternehmen technologisch weiterzuentwickeln und einen Wettbewerbsvorteil zu erlangen!

Wo liegen aktuell die größten praktischen Probleme in der Industrie?

Die Bildauswertung erfolgt in vielen Unternehmen noch manuell. Sie ist dadurch zeitaufwendig, kostenintensiv und personenabhängig. Moderne Prüfanlagen erzeugen immer größere Datenmengen, während die Auswertungskapazitäten oft nicht Schritt halten.

Welche typischen Fehler oder Fehleinschätzungen sehen die Referenten regelmäßig?

Eine häufige Fehleinschätzung ist, dass KI zwingend riesige Datenmengen benötigt. Entscheidend sind vielmehr gut vorbereitete und sinnvoll annotierte Daten. Bereits einige hundert hochwertige Bilder können für belastbare Modelle ausreichen.

Wo entstehen reale Kosten, Zeitverluste oder Qualitätsrisiken?

Manuelle Auswertungen binden viel Zeit pro Charge und sind dennoch nicht vollständig reproduzierbar. Seltene Defekte können übersehen werden, da Aufmerksamkeit und Erfahrung variieren. Ein trainiertes Modell bewertet jedes Bild nach denselben Kriterien.

Was kann jemand nach der Fortbildung messbar besser als vorher?

Teilnehmende können einen vollständigen KI-Auswertungsprozess aufbauen, von der Datenvorbereitung bis zum einsatzfähigen Modell. Zudem können sie realistisch einschätzen, welche Aufgaben im eigenen Unternehmen für KI geeignet sind und welche nicht.