Matthias Mühlbauer

2023

• Mühlbauer M., Würschinger H., Hanenkamp N., Funtikov S.:
  Maschinelle Lernverfahren zur Digitalisierung manueller Ablese- und Messvorgänge
  In: Industrie 4.0 Management : Gegenwart und Zukunft industrieller Geschäftsprozesse 2023 (2023), S. 43-47
  ISSN: 1434-1980
  DOI: 10.30844/IM_23-1_43-47

2022

• Mühlbauer M., Epp H., Würschinger H., Hanenkamp N.:
  Deviation Detection in Production Processes based on Video Data using Unsupervised Machine Learning Approaches
  15th CIRP Conference on Intelligent Computation in Manufacturing Engineering, ICME 2021 (Naples, 14. Juli 2021 - 16. Juli 2021)
  In: Roberto Teti, Doriana D'Addona (Hrsg.): Procedia CIRP 2022
  DOI: 10.1016/j.procir.2022.09.066
• Mühlbauer M., Kutzner K., Sommer A., Würschinger H., Hanenkamp N.:
  An Approach to Progress Monitoring of Industrial Manual Processes Based on Camera Recordings and Object Interactions
  55th CIRP Conference on Manufacturing Systems, CIRP CMS 2022 (Lugano, 29. Juni 2022 - 1. Juli 2022)
  In: Anna Valente, Emanuele Carpanzano, Claudio Boer (Hrsg.): Procedia CIRP 2022
  DOI: 10.1016/j.procir.2022.05.029

2021

• Würschinger H., Gross D., Stadler M., Mühlbauer M., Hanenkamp N.:
  Demonstration of a new approach for measuring tools with the impingement sound of an air jet using machine learning
  In: MM Science Journal (2021)
  ISSN: 1803-1269
  DOI: 10.17973/MMSJ.2021_11_2021139
  URL: https://www.mmscience.eu/journal/issues/november-2021/articles/demonstration-of-a-new-approach-for-measuring-tools-with-the-impingement-sound-of-an-air-jet-using-machine-learning

2020

• Mühlbauer M., Würschinger H., Hanenkamp N., Schmehling M., Krause B.:
  Vorhersage der Prozessstabilität mit Maschinellem Lernen - Potenziale Künstlicher Intelligenz zur frühzeitigen Erkennung von Abweichungen bei der pharmazeutischen Abfüllung
  In: Industrie 4.0 Management : Gegenwart und Zukunft industrieller Geschäftsprozesse (2020), S. 34-38
  ISSN: 1434-1980
• Mühlbauer M., Würschinger H., Polzer D., Hanenkamp N.:
  Energy Profile Prediction of Milling Processes Using Machine Learning Techniques
  In: Beyerer J., Maier A., Niggemann O. (Hrsg.): Machine Learning for Cyber Physical Systems, Berlin, Heidelberg: Springer Vieweg, 2020, S. 1-11 (Technologien für die intelligente Automation)
  ISBN: 9783662627457
  DOI: 10.1007/978-3-662-62746-4_1
• Mühlbauer M., Würschinger H., Polzer D., Ju S., Hanenkamp N.:
  Automated Data Labeling and Anomaly Detection Using Airborne Sound Analysis
  In: Procedia CIRP 93 (2020), S. 1247-1252
  ISSN: 2212-8271
  DOI: 10.1016/j.procir.2020.04.121
• Würschinger H., Mühlbauer M., Hanenkamp N.:
  Transfer Learning für visuelle Kontrollaufgaben
  In: wt Werkstattstechnik - Online 110 (2020), S. 264-269
  ISSN: 1436-4980
  URL: https://www.ingenieur.de/fachmedien/wt-werkstattstechnik/ausgaben-wt-werkstattstechnik-online/inhalte-der-online-ausgabe-4-2020/
• Würschinger H., Mühlbauer M., Winter M., Engelbrecht M., Hanenkamp N.:
  Implementation and potentials of a machine vision system in a series production using deep learning and low-cost hardware
  In: Procedia CIRP 90 (2020), S. 611-616
  ISSN: 2212-8271
  DOI: 10.1016/j.procir.2020.01.121

2019

• Mühlbauer M., Würschinger H., Hanenkamp N.:
  Maschinelle Lernverfahren für die Praxis - Praxisnahes Qualifizierungskonzept für Industriesegmente wie Automotive und Maschinenbau
  In: VDI-Z Integrierte Produktion (2019)
  ISSN: 0341-7255