Machine und deep learning (ML/DL) Methoden eröffnen ein breites Spektrum an Möglichkeiten zur Automatisierung datenintensiver Prozesse und haben sich unter anderem im Bereich der Qualitätsbewertung von Lithium-Ionen-Batterien als effektive Technologie erwiesen. Trotz ihres enormen Potenzials bleibt der Zugang jedoch häufig einer kleinen Gruppe technischer Experten vorbehalten. Grund dafür sind hohe Einstiegshürden in Form komplexer Programmieranforderungen und das Fehlen benutzerfreundlicher Schnittstellen, was die breite Zugänglichkeit und praktische Anwendung im Fachbereich der Materialwissenschaften erheblich erschwert.

In diesem Zusammenhang bieten intuitive grafische Benutzeroberflächen eine vielversprechende Lösung. Sie ermöglichen es, komplexe technische Prozesse zu abstrahieren und damit auch Nutzern ohne tiefgehende Programmierkenntnisse die eigenständige Erstellung von Modellen, die Verwaltung von Daten und die Durchführung von Trainingsprozessen. Darüber hinaus ist die Gewährleistung der Reproduzierbarkeit und Transparenz aller Arbeitsschritte – von der Datenaufbereitung bis hin zur finalen Modellerstellung – ein zentraler Qualitätsfaktor. Eine umfassende Dokumentation und nachvollziehbare Prozesse erhöhen nicht nur die Validität der Ergebnisse, sondern bilden auch die Grundlage für eine nachhaltige Entwicklung und Skalierbarkeit der Lösungen.

Ein weiterer entscheidender Faktor ist die Wahl der Architektur für ML-Modelle, die für die präzise Identifizierung und Klassifizierung von Objekten unerlässlich ist. Durch umfangreiche Literaturrecherchen und die systematische Analyse und Bewertung aktueller Modellierungsansätze werden leistungsfähige und präzise Lösungen entwickelt, mit denen die Herausforderungen der Objekterkennung effizient bewältigt werden können. Diese Modelle müssen sowohl eine hohe Genauigkeit als auch Robustheit unter realen Bedingungen gewährleisten.

Diese Arbeit zeigt neue Möglichkeiten auf, die Effizienz und Zuverlässigkeit datengetriebener Prozesse zu verbessern und innovative Lösungen in bislang unerforschten Anwendungsbereichen voranzutreiben.