Peter Schillen-Senior Experte für KI, Machine Learning & Computer Vision

Projekt: Defekterzeugung auf Prüfstandsbildern von Metalloberflächen

• Umfeld:* Automated Visual Inspection (AVI), Metallurgie & Fertigung

• Ziel & Umsetzung: Konzeption, Architektur und Training Generativer Adversarial Networks (Pix2PixHD / SPADE) zur Bild-zu-Bild-Transformation. Gezielte Generierung synthetischer Materialfehler (z. B. Risse, Einschlüsse, Zunder) auf rauen Metalloberflächen unter realen Prüfstands-Lichtverhältnissen zur datenschutzkonformen und effizienten Datensatz-Erweiterung (Data Augmentation).

• Technisches Design: Implementierung robuster Generative-AI- und Computer-Vision-Pipelines in Python und PyTorch. Nutzung von Semantic-Segmentation-Ansätzen zur maskengesteuerten Defektsynthese und nachgelagerter Evaluierung mittels EfficientDet-Objekterkennungs-Modellen.

• Business Impact: Massives Dataset-Upscaling (Faktor 10x) ohne zeit- und kostenintensive physische Prüfstandsläufe bei gleichzeitig drastisch gesteigerter Erkennungsleistung automatisierter Inspektionssysteme.

Eingesetzte Technologien & Skills: Python | PyTorch | SPADE | Pix2PixHD | EfficientDet | Machine Learning | Semantic Segmentation | Computer Vision

Projekt: Synthetische Daten für Oberflächenfehler

• Umfeld:* Industrial Vision, Surface Quality Inspection

• Ziel & Umsetzung: Entwicklung einer konditionierten Generierungspipeline (über ControlNet und latent-basierte Inpainting-Verfahren) zur gezielten Synthese variabler Oberflächendefekte (z. B. Kratzer, Poren, Beschichtungsfehler) auf makellosen Produktfotos bei exakter mathematischer Kontrolle über Lage, Ausdehnung und Defektklasse.

• Technisches Design: Konzeption und Fine-Tuning generativer KI-Pipeline-Architekturen (Stable Diffusion Inpainting, ControlNet) in PyTorch und Python. Bildverarbeitung mittels OpenCV, Maskengenerierung und Evaluierung mit Mask-R-CNN / Semantic Segmentation. Entwicklung von APIs sowie Tooling-GUIs mit Qt und Cloud-Skalierung auf Amazon Web Services (AWS).

• Business Impact: Einsparung von geschätzten 80 % der physischen Ausschuss-Akkumulation zur Datengewinnung; drastische Steigerung der Erkennungsgenauigkeit (Recall) für seltene, kritische Defektklassen in der industriellen Qualitätssicherung (Quality Control Engineering).

Eingesetzte Technologien & Skills: Python | PyTorch | Stable Diffusion Inpainting | ControlNet | Mask-R-CNN | OpenCV | Semantic Segmentation | Machine Learning | Amazon Web Services (AWS) | Qt (Software) | API-Entwicklung | Quality Control Engineer

Projekt: Generierung synthetischer Defekte auf Schweißnähten

• Umfeld:* Non-Destructive Testing (NDT), Schwerindustrie

• Ziel & Umsetzung: Entwicklung einer physik- und kanten-guided Generierungspipeline zur Synthese realistischer Schweißnahtdefekte (z. B. Bindefehler, Poren, Kraterrisse) auf optischen Aufnahmen. Automatische Balancierung und gezielte Vervielfachung des Trainingsdatensatzes für Downstream-Segmentation- und Detection-Modelle.

• Technisches Design: Training und Orchestrierung generativer Deep-Learning-Architekturen (GANs, Latent Diffusion Models, Transformers) mit PyTorch und Python. Bildverarbeitung und Feature-Extraktion mittels OpenCV sowie UI-Entwicklung in Qt.

• Business Impact: Vollständige Balancierung des ehemals stark verfälschten Datensatzes (Data Imbalance Solved) und signifikante Steigerung der Erkennungsgenauigkeit nachgelagerter KI-Modelle in der industriellen Qualitätsprüfung.

Eingesetzte Technologien & Skills: Python | PyTorch | GANs | Latent Diffusion Models | Transformers | Computer Vision | OpenCV | Data Science | Qt (Software)

Projekt: Webbasierte Trainingsplattform für Generative KI

• Umfeld:* Cloud & SaaS

• Ziel & Umsetzung: Konzeption und Entwicklung eines skalierbaren Webframeworks zur vollautomatisierten Verwaltung komplexer Datensätze und Durchführung verteilter Fine-Tuning-Jobs in der Cloud.

• Technisches Design: Backend- und Fullstack-Architektur auf Basis von Python und Django. Integration von PyTorch für das Modell-Training sowie Orchestrierung performanter Cloud-Infrastrukturen auf Amazon Web Services (AWS SageMaker, Elastic Beanstalk, EC2, S3).

• Business Impact: Signifikante Reduktion von Setup- und Trainingszeiten bei der Anpassung generativer Modelle durch ein modulares Benutzer- und Projektmanagementsystem.

Eingesetzte Technologien & Skills: Python | PyTorch | Django | AWS (SageMaker, Elastic Beanstalk, EC2, S3) | SaaS-Architektur | Data Engineering

Projekt: Simulation einer Vision-Lösung für robotergestütztes Nähen & Stoffverarbeitung

• Umfeld:* Industrial Automation & Robotics

• Ziel & Umsetzung: Entwicklung einer physikalisch exakten Stoff-Simulation für hochkomplexe verformbare Materialien unter Anwendung mathematischer Optimierung und Systems Simulation. Implementierung einer parallelen On-Demand-Cloud-Rendering-Pipeline auf AWS zur skalierten synthetischen Datengenerierung.

• Technisches Design: Automatisierte Steuerung und Skriptierung der Simulationen mittels Python und der Blender-API im Rahmen einer flexiblen Systemarchitektur.

• Business Impact: Ermöglichte das effiziente Training robuster Vision-Modelle für Roboter ohne aufwendige, händische Versuchsaufbauten und kostenintensive physische Testreihen.

Eingesetzte Technologien & Skills: Python | Blender (API) | Amazon Web Services (AWS) | Systems Simulation | Mathematische Optimierung | Softwareentwicklung (allg.)

Technische Leitung & Strategie

• Technischer Leiter: Technische Leitung eines Ingenieurbüros mit strategischem Fokus auf neuartige generative KI-Lösungen und synthetische Datengenerierung.
• Kundenprojekte: End-to-End-Konzeption, Entwicklung und skalierbares Deployment industrieller Computer-Vision- und KI-Systeme für Unternehmenskunden.

Generative KI & Datenarchitektur

• Generative-AI-Tools: Architektur und Skalierung proprietärer Generative-AI-Werkzeuge zur automatisierten Erzeugung synthetischer Trainingsdaten.
• Effizienzsteigerung & Impact: Deutliche Reduktion der Kosten für Data Annotation und Beschleunigung von Modell-Trainingszyklen durch den gezielten Einsatz synthetischer Datensätze.

Machine Learning, Deep Learning & Innovation

• Deep-Learning-Innovationen: Entwicklung neuartiger Deep-Learning-Verfahren (CNNs, Transformer) zur präzisen Informationsextraktion aus hochkomplexen Laserbildern sowie zur trinamiX Materialerkennung und Hautdetektion mittels PyTorch und TensorFlow.
• Architekturoptimierung: Kontinuierliche Evaluierung und Performance-Verbesserung neuronaler Netzarchitekturen für anspruchsvolle Computer-Vision- und Klassifikationsaufgaben.
• Technische Leitung: Technischer Ansprechpartner und Mentor für sämtliche Machine-Learning- und Deep-Learning-Fragen im gesamten Unternehmen.

Data Engineering, Pipelines & Spektroskopie

• End-to-End Data Pipelines: Design und Umsetzung vollständiger Datenaufbereitungs- und Modellierungs-Pipelines – inkl. Spezifikation der Hardware zur Datensammlung, automatisierter Datenverarbeitung, Metrikauswertung und systematischem Testing.
• Spektroskopie & Chemometrie: Analyse von NIR-Spektren und Entwicklung chemometrischer Algorithmen zur genauen Material- und Spektraldatenanalyse.

Embedded Systems, Prototyping & Cloud

• Embedded & Edge Deployment: Verantwortung für die Softwareentwicklung des ersten Spektrometerprototyps und Implementierung ressourceneffizienter Algorithmen (C++, Python) für den Einsatz auf Embedded Systems und Mobilgeräten (z. B. Smartphones).
• Cloud-Integration: Anbindung, Skalierung und Verwaltung von Data-Science-Pipelines in der AWS-Cloud.

Projekt: Entwicklung Mobile-FaceAuth- & Materialklassifikations-App

• Umfeld:* Fintech, Security & Biometrie

• Ziel & Umsetzung: Portierung und hardwarenahe Optimierung hochkomplexer Deep-Learning- und Computer-Vision-Modelle für Gesichtserkennung, Objekterkennung und Materialklassifikation auf mobile Endgeräte (Android).

• Technisches Design: Performante Entwicklung in C++ unter direkter Einbindung von OpenGL ES zur echtzeitfähigen Grafik- und Bildverarbeitung auf mobilen Grafikchips. Optimierung der Inferenzzeiten für strenge Edge- und Latenzanforderungen.

• Business Impact: Ermöglichte hochsichere, echtzeitfähige Zahlungs- und Authentifizierungsprozesse direkt auf Edge-Geräten ohne Cloud-Latenz und unter Einhaltung höchster Sicherheitsstandards.

Eingesetzte Technologien & Skills: C++ | Computer Vision | Objekterkennung | OpenGL ES | Android | Edge AI & Biometrie

Projekt: NIR-Spektrometer-Entwicklung (PbS-Zellen) & Mobile Integration

• Umfeld:* Spectroscopy & Mobile Devices

• Ziel & Umsetzung: Hardwarenahe Ansteuerung und Signalverarbeitung für Infrarotsensoren (PbS-Zellen). Entwicklung robuster chemometrischer Auswertealgorithmen für NIR-Spektren sowie nahtlose Anbindung an eine mobile Android-App und ein skalierbares Datenbank-Backend.

• Technisches Design: High-Performance-Signalverarbeitung und Datentransformationen in C++ und Python. Architektur der Schnittstellen und des Backends zur effizienten Übertragung und Speicherung von Spektraldaten auf mobilen Endgeräten.

• Business Impact: Erfolgreiche Kommerzialisierung eines mobilen, handlichen Spektrometers zur sekundenschnellen Materialbestimmung direkt vor Ort.

Eingesetzte Technologien & Skills: Python | C++ | Datentransformation | Datenbank-Backend | Android | Embedded Systems | Signalverarbeitung

Algorithmenentwicklung, Bildverarbeitung & Computer Vision

• 3D-Rekonstruktion & Computer Vision: Entwicklung physikalisch motivierter Algorithmen und Pipelines auf Basis von C++, Python und OpenCV zur präzisen Rekonstruktion von 3D-Punktwolken aus projizierten Laserpunkten.
• Maschinelles Lernen & KI: Implementierung von Modellen für Objekterkennung und Semantic Segmentation unter Verwendung von TensorFlow.
• Softwareentwicklung & GUI: Erstellung performanter Softwarelösungen, Schnittstellen (APIs) und Benutzeroberflächen mittels C++ und Qt sowie Visualisierungen in OpenGL.

Simulation, Cloud & Tooling

• Physiksimulation: Modellierung und Simulation physikalischer Effekte sowie Bereitstellung maßgeschneiderter Simulationswerkzeuge.
• Cloud & DevOps: Deployment und Integration von Lösungen in Cloud-Umgebungen (AWS, Microsoft Azure) unter Nutzung moderner Versionskontrolle (Git).