Kommunale Kläranlagen stehen zunehmend vor der Herausforderung, Blähschlammereignisse unter sich verändernden klimatischen Randbedingungen und schwankenden Zulauffrachten sicher zu beherrschen, ohne auf energie- und chemikalienintensiven Betrieb ausweichen zu müssen. In dieser Studie wird ein hybrider Bilderkennungsalgorithmus vorgestellt, der klassische Bildverarbeitung mit Deep-Learning-Methoden (YOLOv4-basierte Objektdetektion) kombiniert, um in mikroskopischen Phasenkontrastaufnahmen von Belebtschlamm Flockenmasse, Filamentkonzentration und morphologische Merkmale von Mikroorganismen automatisiert zu quantifizieren. Der Algorithmus wurde in einer kommunalen Kläranlage mit sporadisch auftretenden Blähschlammereignissen unbekannter Ursache evaluiert. Hierzu wurden über mehrere Monate täglich Mikroskopiebilder erhoben, mit Betriebs- und Wetterdaten verknüpft und zwischen einem stabilen Referenzzeitraum und einem problembehafteten Zeitraum mit Blähschlammereignissen verglichen. Weder die vom Algorithmus ermittelten Filamentparameter noch die parallel durchgeführte 16S‑rRNA‑ und ITS-Ampliconsequenzierung zeigten einen Anstieg filamentöser Mikroorganismen, eine Vergrößerung der Flocken oder signifikante Unterschiede in Alpha‑ und Beta‑Diversität zwischen Referenz- und Problemzeitraum, sodass eine klassische filamentöse Überwucherung als Ursache ausgeschlossen werden konnte. Der Algorithmus erweist sich damit als robustes Werkzeug zur verlässlichen Detektion von Null-Ereignissen und zur ökologisch sinnvollen Entscheidungsunterstützung, indem er unnötige Fällmitteldosierungen vermeidbar macht und als Baustein zukünftiger Frühwarnsysteme auf Basis automatisierter Bildanalyse dienen kann.
Due to the growing complexity of modern manufacturing, industrial process control systems generate vast amounts of data with significant potential for machine learning applications. While ML offers immense benefits, the lack of data science expertise poses challenges for adoption. AutoML frameworks tackle these barriers by automating key ML tasks, enhancing accessibility and efficiency. This study investigates their effectiveness in a ceramic industry use case, comparing preprocessing strategies and analyzing explainability with SHAP values validated by domain experts. The findings highlight AutoML's potential to streamline ML model development but also its reliance on domain expertise for effective feature selection and explainability.
Ensuring the traffic safety of trees poses a significant challenge for urban authorities. Conventional manual inspection methods are both time-consuming and resource-intensive, and they are subject to human error. The following paper presents an innovative system for automated tree condition assessment using modern camera technologies and artificial intelligence (AI). As part of a feasibility study, image data generated by various camera systems was analyzed. Based on this data, a YOLOv8 model was trained, which enables precise detection of trees and damage, such as deadwood. The results of the prototype system presented are promising in terms of accuracy and efficiency, suggesting the potential to supplement or replace manual spections with automated procedures. The results of this study lay the foundation for sustainable and scalable approaches in tree care and can contribute to increasing public safety and efficiency in urban management.
We present two novel, fast gradient based optimizer algorithms with dynamic learning rate. The main idea is to adapt the learning rate α by situational awareness, mainly striving for orthogonal neighboring gradients. The method has a high success and fast convergence rate and relies much less on hand-tuned hyper-parameters, providing greater universality. It scales linearly (of order O(n)) with dimension and is rotation invariant, thereby overcoming known limitations. The method is presented in two variants C2Min and P2Min, with slightly different control. Their impressive performance is demonstrated by experiments on several benchmark data-sets (ranging from MNIST to Tiny ImageNet) against the state-of-the-art optimizers Adam and Lion.
Unternehmen stehen vor erheblichen Herausforderungen beim Erhalt, bei der Nutzung und Weitergabe zentralen Wissens. Demografischer Wandel, zunehmender Mitarbeiterfluktuation und steigende organisatorische Komplexit ¨at erschweren klassische Dokumentations- und Austauschprozesse, welche auf erhebliche Mitarbeitendenmitwirkung angewiesen sind. Mithilfe generativer KI und agentischer Recommender-Systeme lassen sich diese Hindernisse ¨uberwinden, indem wichtiges Wissen ”on-the-fly“ und weitestgehend automatisiert erfasst wird. Ein zentrales Element bildet hierbei die Kombination aus semantischen Embeddings, einer Graphdatenbank und spezialisierten KI-Agenten, die Dokumente und Chatverläufe analysieren, Mitarbeiter gezielt mit Vorschlägen unterst ¨utzen und Wissen so kontinuierlich aktualisieren. So entsteht eine effektive Wissenskultur mit niedrigen Barrieren für die Nutzung dank minimalem Mehraufwand f ¨ur die menschlichen Nutzer.
