Veranstaltungsprogramm

Die Keilbeinhöhle weist eine stark variable, hochgradig individuellen Morphologie auf und wirkt wie ein einzigartiger Fingerabdruck im Inneren des Schädels einer Person. In einem Strukturvergleich kann sie somit zur Personenidentifikation genutzt werden. Unser Ziel ist es, eine forensische Pipeline zur Identifikation von unbekannten Toten aus Massengräbern in der Ukraine zu entwickeln.

Basis einer Identifizierung wären dann CT-Scans von Schädeln unbekannter Toter und Vergleichsbilder (ehemals) lebender Patienten aus medizinischen Bildarchiven.

Die vorgeschlagene Pipeline integriert die automatisierte 3D-Segmentierung mittels nnU-Net mit der geometrischen Registrierung basierend auf Point Clouds, um eine robuste Identifikation zu ermöglichen.

Die vorläufige Version der Pipeline besteht aus folgenden Teilen: Preprocessing, Erstellung eines 3D-Modells mit Hilfe der professionellen Software Mimics, nnU-Net-3D-Segmentierung, Maskennachbearbeitung, Generierung von Oberflächenmodellen und Point Clouds, globale Ausrichtung, Registrierung von Point Clouds, Distanzmetriken und Visualisierung sowie Entscheidung zur individuellen Identifikation.

Der Beitrag behandelt die Entwicklung und Validierung eines datengetriebenen Analysesystems zur automatisierten Erkennung biegeschlaffer Materialien wie Textilien, Leder oder Folien. Ziel ist die adaptive Steuerung eines modularen Greifersystems, das seine Prozessparameter dynamisch an erkannte Materialeigenschaften anpasst. Grundlage bildet ein bildgebendes Verfahren, bei dem eine Industriekamera hochauflösende Texturinformationen erfasst. Diese Bilddaten werden durch Data Augmentation erweitert und anschließend mittels klassischer Merkmalsextraktionstechniken (LBP, GLCM, HOG) in charakteristische Texturbeschreibungen überführt.

Zur Klassifikation der Materialien werden maschinelle Lernverfahren wie Support Vector Machines und Random Forests eingesetzt. Im Fokus des Beitrags steht der systematische Vergleich verschiedener Merkmals- und Klassifikationsmethoden, inklusive strukturierter Datenaufbereitung und Trainingsprotokolle. Die Validierung anhand eines Datensatzes mit über 50 Textilien zeigt, dass bestimmte Merkmals-Klassifikations-Kombinationen Genauigkeiten und F1-Scores von über 95 % erreichen. Damit wird das hohe Potenzial datengetriebener Texturanalyse für eine robuste, echtzeitfähige Materialerkennung in der industriellen Automatisierung belegt.

ThemisDB ist eine Multi-Modell-Datenbank (MMDBMS) mit strikter ACID-Garantie zum rechtsicheren Betrieb eines Transformer-KI Systems (LLM) in der deutschen Verwaltung. Im Zentrum steht der Vergleich der Transaktionsintegrität (ACID vs. BASE) und der Retrieval-Latenz zwischen der lokalen Themis-Architektur und den verteilten RAG-Stacks der Hyperscaler (AWS, Azure, GCP). Mit Implementierung von BSI-konformen Sicherheitsmodulen (Apache Ranger, PKCS#11 HSM) stellt ThemisDB eine valide „Local-First“-Alternative für hochsensible Verwaltungsakte dar, die Datensouveränität mit Echtzeit-Performance verbindet.