Skip to main content
SpringerLink
Log in

KI-basiertes akustisches Monitoring: Herausforderungen und Lösungsansätze für datengetriebene Innovationen auf Basis audiovisueller Analyse

  • Chapter
  • First Online:
Entrepreneurship der Zukunft

  • 2634 Accesses

Zusammenfassung

KI-basierte audiovisuelle Analyse kann datengetriebene Produkt-, Prozess- und auch Geschäftsmodellinnovationen in verschiedenen Anwendungsbereichen befördern. Allerdings müssen dafür wichtige Herausforderungen bezüglich Datenerhebung, Datenschutz, Datensicherheit, sowie von Erklärbarkeit und iterativer Entwicklung von KI-Modellen adressiert werden. In diesem Kapitel werden die Innovationspotenziale, relevante Probleme und Lösungsansätze am Beispiel von akustischem Monitoring erläutert. Dabei wird deutlich, dass der frühzeitige Einsatz von Verfahren und Technologien für vertrauenswürdige KI, adäquate Entwicklungsmethoden und systematische Evaluationsprozesse entscheidend für einen erfolgreichen Einsatz und die Realisierung der Innovationspotenziale sind.

Verfahren und Komponenten für audiovisuelle Analyse sind Algorithmen, die Informationen aus Bild, Video- und Audiomaterial extrahieren. Sie können in vielen Anwendungsbereichen wichtige Bausteine für datengetriebene Innovationen sein. Einige dieser Innovationen, und in diesem Zusammenhang relevante Herausforderungen und Lösungsansätze, werden in diesem Kapitel exemplarisch anhand des KI-basierten akustischen Monitorings zur Überwachung von Prozessen, Maschinen und Produkten beschrieben.

Das Kapitel gliedert sich in drei Teile:

  1. 1.

    Definition relevanter Begrifflichkeiten und Beschreibung der Anwendungsbereiche und Potenziale von akustischem Monitoring für datengetriebene Geschäftsmodelle,

  2. 2.

    Erläuterung zentraler Herausforderungen im Kontext von Datenerhebung, Datenschutz, Datensicherheit, Erklärbarkeit, iterativer Entwicklung und Evaluation für die Erschließung der o. g. Potenziale, sowie

  3. 3.

    Zusammenfassung der Ergebnisse und kurzer Ausblick auf relevante Trends.

Wir danken Sascha Grollmisch, wissenschaftlicher Mitarbeiter am Fraunhofer IDMT, für seinen wertvollen Input bei der Erstellung des Kapitels.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Subscribe and save

Springer+ Basic
$34.99 /Month
  • Get 10 units per month
  • Download Article/Chapter or eBook
  • 1 Unit = 1 Article or 1 Chapter
  • Cancel anytime
Subscribe now

Buy Now

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 39.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 49.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Similar content being viewed by others

Notes

  1. 1.

    Frei verfügbare und häufig genutzte Datensets sind zum Beispiel über die Plattformen zenodo (https://zenodo.org/), datahub.io (https://datahub.io/machine-learning), Kaggle (https://www.kaggle.com/datasets) oder VisualData (https://visualdata.io/discovery) verfügbar.

Literatur

  • Abayomi-Alli, O., Damaševičius, R., Qazi, A., Adedoyin-Olowe, M., & Misra, S. (2022). Data Augmentation and Deep Learning Methods in Sound Classification: A Systematic Review. Electronics, 11(22), Article 22. https://doi.org/10.3390/electronics11223795.

  • Abeßer, J., Loos, A., & Prachi, S. (2022). Construction-sAIt: Multi-modal AI-driven technologies for construction site monitoring. In P. Leistner (Hrsg.), Fortschritte der Akustik – DAGA 2022: 48. Jahrestagung für Akustik (S. 90–93). Berlin.

    Google Scholar 

  • Abeßer, J., Gourishetti, S., Kátai, A., Clauß, T., Sharma, P., & Liebetrau, J. (2021). IDMT-Traffic: An Open Benchmark Dataset for Acoustic Traffic Monitoring Research. In Proceedings of the 29th European Signal Processing Conference (EUSIPCO), (S. 551–555).

    Google Scholar 

  • Abeßer, J., Götze, M., Clauß, T., Zapf, D., Kühn, C., Lukashevich, H., Kühnlenz, S., & Mimilakis, S. (2019). Urban Noise Monitoring in the Stadtlärm Project – A Field Report. In Proceedings of the Detection and Classification of Acoustic Scenes and Events 2019 Workshop (DCASE2019). New York: New York University, 25–26 October 2019.

    Google Scholar 

  • Aichroth, P., Battis, V., Dewes, A., Dibak, C., Doroshenko, V., Geiger, B., Graner, L., Holly, S., Huth, M., Kämpgen, B., Kaulartz, M., Mundt, M., Rapp, H., Steinebach, M., Sushko, Y., Swarat, D., Winter, C., & Weiß, R. (2020). Anonymisierung und Pseudonymisierung von Daten für Projekte des maschinellen Lernens: Eine Handreichung für Unternehmen. BITKOM.

    Google Scholar 

  • Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garc’ia, S., Gil-L’opez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115.

    Google Scholar 

  • Balke, S., Driedger, J., Abeßer, J., Dittmar, C., & Müller, M. (2016). Towards evaluating multiple predominant melody annotations in Jazz Recordings. In Proceedings of the 17th International Society for Music Information Retrieval Conference, ISMIR 2016, New York (S. 246–252).

    Google Scholar 

  • Becker, C., & Mohr, M. (2020). Federated Machine Learning: über Unternehmensgrenzen hinaus aus Produktionsdaten lernen. atp magazin. 62(5), 18–20.

    Google Scholar 

  • Berthelot, D., Carlini, N., Cubuk, E. D., Kurakin, A., Sohn, K., Zhang, H., & Raffel, C. (2020). ReMixMatch: Semi-Supervised Learning with Distribution Alignment and Augmentation Anchoring. http://arxiv.org/abs/1911.09785

  • Biedermann, H. (2008). Anlagenmanagement–Managementinstrumente zur Wertsteigerung. TÜV Media.

    Google Scholar 

  • Biedermann, H. (2014). Anlagenmanagement im Zeitalter von Industrie 4.0 – Handlungsfelder für die industrielle Instandhaltung. In Instandhaltung im Wandel (S. 23–32).

    Google Scholar 

  • Bittner, F., Gonzalez Rodriguez, M., Richter, M., Lukashevich, H., & Abeßer, J. (2022). Multi-pitch Estimation meets Microphone Mismatch: Applicability of Domain Adaptation. In Proceedings of 23rd International Society for Music Information Retrieval Conference (ISMIR 2022). Bengaluru, 4–8 December 2022.

    Google Scholar 

  • Bouee, C. E., & Schaible, S. (2015). Die digitale Transformation der Industrie. Roland Berger/BDI.

    Google Scholar 

  • Cances, L., Labbé, E., & Pellegrini, T. (2022). Comparison of semi-supervised deep learning algorithms for audio classification. EURASIP Journal on Audio, Speech, and Music Processing, 23(1). https://doi.org/10.1186/s13636-022-00255-6.

  • Cano, E., Plumbley, M., & Dittmar, C. (2014a). Phase-based harmonic/percussive separation. In Proceedings of the Annual Conference of the International Speech Communication Association (INTERSPEECH), Singapore (S. 1628–1632).

    Google Scholar 

  • Cano, E., Schuller, G., & Dittmar, C. (2014b). Pitch-informed solo and accompaniment separation towards its use in music education applications. EURASIP Journal on Advances in Signal Processing, 1, 1–19.

    Google Scholar 

  • Carletti, M., Masiero, C., Beghi, A., & Susto, G. A. (2019). Explainable machine learning in industry 4.0: Evaluating feature importance in anomaly detection to enable root cause analysis. In Proceedings of the 2019 IEEE International Conference on Systems, Man and Cybernetics (SMC), Bari (S. 21–26).

    Google Scholar 

  • Cartwright, M., Seals, A., Salamon, J., Williams, A., Mikloska, S., MacConnell, D., Law, E., Bello, J., & Nov., O. (2017). Seeing sound: Investigating the effects of visualizations and complexity on crowdsourced audio annotations. In Proceedings of the ACM on Human-computer Interaction. Issue CSCW, 1–21.

    Google Scholar 

  • Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection. ACM Computing Surveys (CSUR), 41(3), 1–58.

    Google Scholar 

  • Chen, H., Liu, Z., Liu, Z., Zhang, P., & Yan, Y. (2019). Integrating the data augmentation scheme with various classifiers for acoustic scene modeling. In Proceedings of the Detection and Classification of Acoustic Scenes and Events Workshop (DCASE), New York (S. 25–26).

    Google Scholar 

  • Chen, H., Tao, R., Fan, Y., Wang, Y., Wang, J., Schiele, B., Xie, X., Raj, B., & Savvides, M. (2022). SoftMatch: Addressing the Quantity-Quality Tradeoff in Semi-supervised Learning. The Eleventh International Conference on Learning Representations. https://openreview.net/forum?id=ymt1zQXBDiF.

  • Clauß, T., Abeßer, J., Lukashevich, H., Gräfe, R., Häuser, F., Kühn, C., & Sporer, Thomas. (2018). Stadtlärm – A distributed system for noise level measurement and noise source identification in a smart city environment. In B. Seeber (Hrsg.), Fortschritte der Akustik – DAGA 2018: 44. Jahrestagung für Akustik (S. 285–288). München.

    Google Scholar 

  • CORDIS. (2019). REVerse engineering of audio-VIsual coNtent Data (REWIND). https://cordis.europa.eu/project/id/268478. Zugegriffen: 05. Aug. 2021.

  • Cramer, A. L., Wu, H.-H., Salamon, J., & Bello, J. P. (2019). Look, Listen, and Learn More: Design Choices for Deep Audio Embeddings. ICASSP 2019–2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 3852–3856. https://doi.org/10.1109/ICASSP.2019.8682475.

  • Cuccovillo, L., & Aichroth, P. (2016). Open-set microphone classification via blind channel analysis. In Proceedings of the 2016 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Shanghai (S. 2074–2078).

    Google Scholar 

  • Cuccovillo, L., Mann, S., Aichroth, P., Tagliasacchi, M., & Dittmar, C. (2013a). Blind microphone analysis and stable tone phase analysis for audio tampering detection. In Proceedings of the 135th Audio Engineering Society convention, New York (S. 271–280).

    Google Scholar 

  • Cuccovillo, L., Mann, S, Tagliasacchi, M., & Aichroth, P. (2013b). Audio tampering detection via microphone classification. In Proceedings of the 2013b IEEE International Workshop on Multimedia Signal Processing (MMSP), Pula (S. 177–182).

    Google Scholar 

  • DA3KMU. (o. J.). Datenschutz durch statistische Analyse und Adaptive Anonymisierung von personenbezogenen Daten für KMU https://www.da3kmu.de. Zugegriffen: 28. Nov. 2021.

  • DCASE (o. J.). Detection and classification of acoustic scenes and events. http://dcase.community/. Zugegriffen: 30. Juli 2021.

  • Denkena, B., Dittrich, M., Noske, H., Kramer, K., & Schmidt, M. (2021). Anwendungen des maschinellen Lernens in der Produktion aus Auftrags- und Produktsicht: Ein Überblick. Zeitschrift für wirtschaftlichen Fabrikbetrieb, 116(5), 358–362.

    Google Scholar 

  • Deloitte. (o. J.). KI-Studie 2020: Wie nutzen Unternehmen Künstliche Intelligenz? https://www2.deloitte.com/de/de/pages/technology-media-and-telecommunications/articles/ki-studie-2020.html. Zugegriffen: 30. Juli 2021.

  • Donahue, C., McAuley, J., & Puckette, M. (2019). Adversarial Audio Synthesis. http://arxiv.org/abs/1802.04208.

  • Došilović, F. K., Brčić, M., & Hlupić, N. (2018). Explainable artificial intelligence: A survey. In Proceedings of the 2018 41st International convention on information and communication technology, electronics and microelectronics (MIPRO), Opatija (S. 0210–0215).

    Google Scholar 

  • Dwork, C. (2008). Differential privacy: A survey of rresults. In M. Agrawal, D. Du, Z. Duan, & A. Li (Hrsg.), Theory and applications of models of computation (S. 1–19). Springer. https://doi.org/10.1007/978-3-540-79228-4_1.

  • Engel, J., Agrawal, K. K., Chen, S., Gulrajani, I., Donahue, C., & Roberts, A. (2018). GANSynth: Adversarial Neural Audio Synthesis. International Conference on Learning Representations. https://openreview.net/forum?id=H1xQVn09FX.

  • European Commission, Directorate-General for Communications Networks, Content and Technology. (2019). Ethics guidelines for trustworthy AI, Publications Office. https://data.europa.eu/doi/doi.org/10.2759/177365. Zugegriffen: 05. Aug. 2021

  • Fraunhofer IDMT. (o. J.a). Audioforensik Toolbox. https://www.idmt.fraunhofer.de/de/institute/projects-products/audioforensics.html. Zugegriffen: 05. Aug. 2021.

  • Fraunhofer IDMT. (o. J.b). Sensor Edge Cloud für verteiltes Lernen (SEC-Learn). https://www.idmt.fraunhofer.de/de/institute/projects-products/projects/sec-learn.html. Zugegriffen: 05. Aug. 2021.

  • Fraunhofer IDMT. (o. J.c). Trusted Resource Aware ICT (TRAICT). https://www.idmt.fraunhofer.de/de/institute/projects-products/projects/tra-ict.html. Zugegriffen: 05. Aug. 2021

  • Gassmann, O., Frankenberger, K., & Choudury, M. (2020). Geschäftsmodelle entwickeln: 55+ innovative Konzepte mit dem St. Galler Business Model Navigator (3., überarbeitete und erweiterte Edition). Carl Hanser.

    Google Scholar 

  • Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B.g, Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. In Proceedings of the 27th International Conference on Neural Information Processing Systems – Volume 2 (NIPS'14) (S. 2672–2680). MIT Press.

    Google Scholar 

  • Grollmisch, S., Abeßer, J., Liebetrau, J., & Lukashevich, H. (2019). Sounding industry: Challenges and datasets for industrial sound analysis. In Proceedings of the European Signal Processing Conference. IEEE. doi: https://doi.org/10.23919/EUSIPCO.2019.8902941.

  • Grollmisch, S., & Cano, E. (2021). Improving Semi-Supervised Learning for Audio Classification with FixMatch. Electronics, 10(15), Article 15. https://doi.org/10.3390/electronics10151807.

  • Grollmisch, S., Cano, E., Kehling, C., & Taenzer, M. (2021). Analyzing the Potential of Pre-Trained Embeddings for Audio Classification Tasks. 2020 28th European Signal Processing Conference (EUSIPCO), 790–794. https://doi.org/10.23919/Eusipco47968.2020.9287743.

  • Gudivada, V., Apon, A., & Ding, J. (2017). Data quality considerations for big data and machine learning: Going beyond data cleaning and transformations. International Journal on Advances in Software, 10(1), 1–20.

    Google Scholar 

  • Hannover Messe. (2019). „You have to beat the Germans“ – Wie lange noch? https://www.hannovermesse.de/de/news/news-fachartikel/-you-have-to-beat-the-germans-wie-lange-noch. Zugegriffen: 05. Aug. 2021

  • Hartz, C. (2021). Künstliche Intelligenz in der Produktentwicklung im Spannungsfeld zwischen juristischer Perfektion und technischer Machbarkeit. LRZ 2021, Rn. 260–294.

    Google Scholar 

  • Hennequin, R., Khlif, A., Voituret, F., & Moussallam, M. (2020). Spleeter: A fast and efficient music source separation tool with pre-trained models. Journal of Open Source Software, 5(50), 2154.

    Google Scholar 

  • Hoffmann, K. (2008). Projektmanagement heute. HMD Praxis der Wirtschaftsinformatik, 45(2), 5–16.

    Google Scholar 

  • Jo, T. (2021). Machine learning foundations. Springer.

    Google Scholar 

  • Johnson, D., & Grollmisch, S. (2021). Techniques improving the robustness of deep learning models for industrial sound analysis. In Proceedings of the 28th European Signal Processing Conference (EUSIPCO), Amsterdam (S. 81–85). https://doi.org/10.23919/Eusipco47968.2020.9287327.

  • Johnson, D., Kirner, J., Grollmisch, S., & Liebetrau, J. (2020). Compressed Air Leakage Detection Using Acoustic Emissions with Neural Networks. INTER-NOISE and NOISE-CON Congress and Conference Proceedings, 261(1), 5662–5673.

    Google Scholar 

  • Jones, M. C., Downie, J. S., & Ehmann, A. F. (2007). In Proceedings of the 8th International Conference on Music Information Retrieval (ISMIR 2007), Vienna (S. 539-542).

    Google Scholar 

  • Kodrasi, I., Goetze, S., & Doclo, S. (2013). Regularization for partial multichannel equalization for speech dereverberation. IEEE Transactions on Audio, Speech and Language Processing, 21(9), 1879–1890.

    Google Scholar 

  • Koizumi, Y., Saito, S., Uematsu, H., Harada, N., & Imoto, K. (2019). ToyADMOS: A dataset of miniature-machine operating sounds for anomalous sound detection. http://arxiv.org/abs/1908.03299. Zugegriffen: 04. Aug. 2021.

  • Kong, Q., Xu, Y., Iqbal, T., Cao, Y., Wang, W., & Plumbley, M.D. (2019). Acoustic Scene Generation with Conditional SampleRNN. In Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Brighton (S. 925–929).

    Google Scholar 

  • Kong, Q., Cao, Y., Iqbal, T., Wang, Y., Wang, W., & Plumbley, M. D. (2020). PANNs: Large-Scale Pretrained Audio Neural Networks for Audio Pattern Recognition. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 28, 2880–2894. https://doi.org/10.1109/TASLP.2020.3030497.

  • Kouw, W. M., & Loog, M. (2021). A review of domain adaptation without target labels. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(3), 766–785.

    Google Scholar 

  • Kraus, T., Ganschow, L., Eisenträger, M., & Wischmann, S. (2021). Erklärbare Künstliche Intelligenz – Anforderungen, Anwendungen, Lösungen. Technologieprogramm KI-Innovationswettbewerb des Bundesministeriums für Wirtschaft und Energie/Begleitforschung: Iit-Institut für Innovation und Technik in der VDI/VDE Innovation + Technik GmbH.

    Google Scholar 

  • Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174.

    Google Scholar 

  • Lei, Y., Yang, B., Jiang, X., Jia, F., Li, N., & Nandi, A. K. (2020). Applications of machine learning to machine fault diagnosis: A review and roadmap. Mechanical Systems and Signal Processing, 138, 106587.

    Google Scholar 

  • Leistungszentrum InSignA. (o. J.). Intelligente Signalanalyse- und Assistenzsysteme. https://www.leistungszentrum-insigna.de/. Zugegriffen: 28. Nov. 2021.

  • Liang, D., Song, W., & Thomaz, E. (2020). Characterizing the effect of audio degradation on privacy perception and inference performance in audio-based human activity recognition. In Proceedings of the 22nd International Conference on Human-Computer Interaction with Mobile Devices and Services (MobileHCI). Oldenburg, 5–9 October 2020.

    Google Scholar 

  • Mishra, S., Sturm, B. L., & Dixon, S. (2017). Local interpretable model-agnostic explanations for music content analysis. In Proceedings of the 18th International Society for Music Information Retrieval Conference ISMIR 2017, Suzhou (S. 537–543).

    Google Scholar 

  • Mitchell, T. (1997). Machine learning. McGraw-Hill.

    Google Scholar 

  • Montavon, G., Binder, A., Lapuschkin, S., Samek, W., & Müller, K.-R. (2019). Layer-Wise relevance propagation: An overview. In W. Samek, G. Montavon, A. Vedaldi, L. K. Hansen, & K.-R. Müller (Hrsg.), Explainable AI: Interpreting, explaining and visualizing deep learning (S. 193–209). Springer International Publishing. https://doi.org/10.1007/978-3-030-28954-6_10.

  • Morik, K. (2018). Schlüsseltechnologie Maschinelles Lernen. Digitale Welt, 4, 22–27.

    Google Scholar 

  • Müller, M. (2015). Fundamentals of music processing: Audio, analysis, algorithms, applications. Springer.

    Google Scholar 

  • Mun, S., Park, S., Han, D. K., & Ko, H. (2017). Generative adversarial networks based acoustic scene training set augmentation and selection using SVM hyperplane. In Proceedings of the Detection and Classification of Acoustic Scenes and Events Workshop (DCASE). Munich, 16–17 November 2017.

    Google Scholar 

  • Nikolenko, S. I. (2021). Synthetic data for deep learning. Springer.

    Google Scholar 

  • NSCAI. (2021). Final report. https://www.nscai.gov/wp-content/uploads/2021/03/Full-Report-Digital-1.pdf. Zugegriffen: 05. Aug. 2021.

  • Papenfuss, C. (2017). Ist prädiktive Instandhaltung die Killer-App für das Industrial Internet of Things? Industrie 4.0 Management, 33, 57–60.

    Google Scholar 

  • Patki, N., Wedge, R, & Veeramachaneni, K. (2016). The synthetic data vault. In Proceedings – 3rd IEEE International Conference on Data Science and Advanced Analytics (DSAA), Montreal (S. 399–410).

    Google Scholar 

  • People + AI Research. (o. J.). What-If Tool: Visually probe the behavior of trained machine learning models, with minimal coding. https://pair-code.github.io/what-if-tool/. Zugegriffen: 05. Aug. 2021.

  • Piller, F. T. (2000). Mass customization. Deutscher Universitätsverlag.

    Google Scholar 

  • PricewaterhouseCoopers. (2018). Studie: Künstliche Intelligenz in Unternehmen. https://www.pwc.de/de/digitale-transformation/kuenstliche-intelligenz/kuenstliche-intelligenz-in-unternehmen.html. Zugegriffen: 10. Jan. 2022.

  • Purohit, H., Tanabe, R., Ichige, K., Endo, T., Nikaido, Y., Suefusa, K., & Kawaguchi, Y. (2019). MIMII Dataset: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection (public 1.0) [dataset]. Zenodo. https://doi.org/10.5281/zenodo.3384388.

  • Rammer, C. (2021). Herausforderungen beim Einsatz von Künstlicher Intelligenz, Ergebnisse einer Befragung von jungen und mittelständischen Unternehmen in Deutschland. Mannheim: Bundesministerium für Wirtschaft und Energie (BMWi).

    Google Scholar 

  • Reichel, J., & Müller, G. (2018). Betriebliche Instandhaltung. J. Haeffs (Hrsg.). Springer.

    Google Scholar 

  • Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. http://arxiv.org/abs/2112.10752.

  • Saeed, A., Grangier, D., & Zeghidour, N. (2021). Contrastive Learning of General-Purpose Audio Representations. ICASSP 2021–2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 3875–3879. https://doi.org/10.1109/ICASSP39728.2021.9413528.

  • Samek, W., Montavon, G., Lapuschkin, S., Anders, C. J., & Müller, K. R. (2021). Explaining deep neural networks and beyond: A review of methods and applications. In Proceedings of the IEEE, 109(3), 247–278.

    Google Scholar 

  • Seifert, I., Bürger, M., Wangler, L., Christmann-Budian, S., Rohde, M., Gabriel, P., & Zinke, G. (2018). Potenziale der Künstlichen Intelligenz im produzierenden Gewerbe in Deutschland: Studie im Auftrag des Bundesministeriums für Wirtschaft und Energie (BMWi). Berlin.

    Google Scholar 

  • Simonite, T. (2018). Google’s AI guru wants computers to think more like brains. Wired. https://www.wired.com/story/googles-ai-guru-computers-think-more-like-brains/. Zugegriffen: 10. Jan. 2022.

  • Sohn, K., Berthelot, D., Li, C.-L., Zhang, Z., Carlini, N., Cubuk, E. D., Kurakin, A., Zhang, H., & Raffel, C. (2020). FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence. http://arxiv.org/abs/2001.07685.

  • Stacke, K., Eilertsen, G., Unger, J., & J. & Lundstrom, C. (2021). Measuring domain shift for deep learning in histopathology. IEEE Journal of Biomedical and Health Informatics, 25(2), 325–336.

    Google Scholar 

  • Stoesser, K. R. (2017). Prozessoptimierung für produzierende Unternehmen. Springer Fachmedien.

    Google Scholar 

  • Stowell, D. (2022). Computational bioacoustics with deep learning: A review and roadmap. PeerJ, 10, e13152. https://doi.org/10.7717/peerj.13152.

  • TensorFlow. (o. J.). TensorBoard: Das Visualisierungs-Toolkit von TensorFlow. https://www.tensorflow.org/tensorboard. Zugegriffen: 05. Aug. 2021

  • Tercan, H., Guajardo, A., & Meisen, T. (2019). Industrial transfer learning: Boosting machine learning in production. In 2019 IEEE 17th International Conference on Industrial Informatics (INDIN), 274–279.

    Google Scholar 

  • Theissler, A., Pérez-Velázquez, J., Kettelgerdes, M., & Elger, G. (2021). Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry. Reliability engineering & system safety, 215, 107864.

    Google Scholar 

  • Töpfer, A., & Günther S. (2007). Steigerung des Unternehmenswertes durch Null-Fehler-Qualität als strategisches Ziel: Überblick und Einordnung der Beiträge. In Töpfer A. (Hrsg.), Six Sigma. Springer.

    Google Scholar 

  • Tricentis. (o. J.). AI approaches compared: Rule-based testing vs. learning. https://www.tricentis.com/artificial-intelligence-software-testing/ai-approaches-rule-based-testing-vs-learning/. Zugegriffen: 05. Aug. 2021.

  • Turian, J., Shier, J., Khan, H., Raj, B., Schuller, B., Steinmetz, C., Malloy, C., Tzanetakis, G., Velarde, G., McNally, K., Henry, M., Pinto, N., Noufi, C., Clough, C., Herremans, D., Fonseca, E., Engel, J., Salamon, J., Esling, P., Manocha, P., Watanabe, S., Jin, Z., & Bisk, Y. (2022). HEAR: Holistic Evaluation of Audio Representations. In Proceedings of Machine Learning Research. Virtual, 13–14 December 2021.

    Google Scholar 

  • Virtanen, T., Plumbley, M. D., & Ellis, D. (Hrsg.). (2018). Computational Analysis of Sound Scenes and Events. Springer International Publishing. https://doi.org/10.1007/978-3-319-63450-0.

  • Wang, M., & Deng, W. (2018). Deep visual domain adaptation: A survey. Neurocomputing, 312, 135–153.

    Google Scholar 

  • Wang, Y. S., Liu, N. N., Guo, H., & Wang, X. L. (2020). An engine-fault-diagnosis system based on sound intensity analysis and wavelet packet pre-processing neural network. Engineering Applications of Artificial Intelligence, 94.

    Google Scholar 

  • Werner, E. (2009). Wandler für Luftschallmessungen. In M. Möser (Hrsg.), Messtechnik der Akustik (S. 1–53). Springer.

    Google Scholar 

  • Wong, P. K., Zhong, J., Yang, Z., & Vong, C. M. (2016). Sparse Bayesian extreme learning committee machine for engine simultaneous fault diagnosis. Neurocomputing, 174, 331–343.

    Google Scholar 

  • Yan, J., Meng, Y., Lu, L., & Li, L. (2017). Industrial big data in an industry 4.0 environment: Challenges, schemes, and applications for predictive maintenance. IEEE Access, 5, 23484–23491. https://doi.org/10.1109/ACCESS.2017.2765544

  • Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated machine learning: Concept and applications. ACM Transactions on Intelligent Systems and Technology (TIST). 10(2), Article No. 12.

    Google Scholar 

  • Zapp, T., Jussen, P., & Kurz, M. (2018). Informations- und Kommunikationstechnologien für die Instandhaltungsplanung und -steuerung. In J. Reichel, G. Müller, & J. Haeffs (Hrsg.), Betriebliche Instandhaltung (S. 205–222). Springer.

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Fraunhofer IDMT, Ilmenau, Deutschland

    Patrick Aichroth & Judith Liebetrau

Authors
  1. Patrick Aichroth
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Judith Liebetrau
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Patrick Aichroth .

Editor information

Editors and Affiliations

  1. Heidelberg, Niedersachsen, Deutschland

    Lars Heim

  2. Erfurt, Thüringen, Deutschland

    Sebastian Gerth

Rights and permissions

Reprints and permissions

Copyright information

© 2023 Der/die Autor(en), exklusiv lizenziert an Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Aichroth, P., Liebetrau, J. (2023). KI-basiertes akustisches Monitoring: Herausforderungen und Lösungsansätze für datengetriebene Innovationen auf Basis audiovisueller Analyse. In: Heim, L., Gerth, S. (eds) Entrepreneurship der Zukunft. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-42060-4_4

Download citation

  • DOI: https://doi.org/10.1007/978-3-658-42060-4_4

  • Published:

  • Publisher Name: Springer Gabler, Wiesbaden

  • Print ISBN: 978-3-658-42059-8

  • Online ISBN: 978-3-658-42060-4

  • eBook Packages: Business and Economics (German Language)

Publish with us

Policies and ethics

Search

Navigation