"This site requires JavaScript to work correctly"
minimize Header

Leon Binder, M. Sc.

  • Business Informatics
  • Data Analysis

Centre for Applied Research

Technology Campus Grafenau

Academic Staff

Grafenau

08552/975620-31

Sortierung:
Zeitschriftenartikel

  • Leon Binder
  • Simon Rackl
  • Michael Scholz
  • Mathias Hartmann

Linking Thermal Images with 3D Models for FFF Printing

In: Procedia Computer Science vol. 217 pg. 1168-1177.

  • (2023)

DOI: 10.1016/j.procs.2022.12.315

The thermal profile plays a major role in additive manufacturing. Thermal cameras are thus increasingly used for quality monitoring. So far, either full thermal images or metrics extracted from them are used to monitor the manufacturing quality or detect defects. To additionally allow the detection of local anomalies, it is necessary to link the thermal image to the 3D object geometry. We propose a framework that includes steps for filtering object points that are visible from the camera perspective, projecting 3D points onto thermal images and removing pixels that represent the printhead. Our framework can be used for process monitoring and subsequent on-line defect detection which are necessary components for production automation and Industry 4.0 applications. In a validation experiment, we show that the temperature extracted from thermal images and assigned to 1mm × 1mm × 1mm voxels is highly correlated to the temperature measured with type K thermocouples.
  • TC Hutthurm
  • TC Grafenau
  • DIGITAL
Zeitschriftenartikel

  • Leon Binder
  • Michael Scholz
  • Roman-David Kulko

A Comparison of Convolutional Neural Networks and Feature-Based Machine Learning Methods for the Ripeness Classification of Strawberries

In: Bavarian Journal of Applied Sciences pg. 124-137.

  • (2022)

DOI: 10.25929/bjas202285

A variety of machine learning methods are often used for ripeness detection of fruits and vegetables using image data. Existing research in this area often focuses only on training feature-based classifiers or on using raw images with convolutional neural networks. The purpose of this paper is to compare both approaches in terms of their classification accuracy. To answer our research question, we analyze the performance of convolutional neural networks and different feature-based classifiers on a balanced dataset consisting of three strawberry ripeness classes: unripe, ripe, and overripe. Our investigation shows that convolutional neural networks outperform almost all feature-based classifier. However, the penalized multinomial regression achieves the best accuracy of 86.27 % without any hyper-parameter tuning. Another insight is that different methods lead to the best sensitivity for different ripeness classes. Convolutional neural networks most accurately classify unripe strawberries, while ripe strawberries are best classified by penalized discriminant analysis and overripe berries are best classified by penalized multinomial regression.
  • TC Grafenau
  • DIGITAL
Beitrag in Sammelwerk/Tagungsband

  • Monica I. Ciolacu
  • Leon Binder
  • P. M. Svasta
  • D. Stoichescu
  • I. Tache

Education 4.0 - Jump to Innovation IoT in Higher Education

pg. 135-141.

New York, NY, USA

  • (2020)

DOI: 10.1109/SIITME47687.2019.8990825

Artificial Intelligence (AI) will play a key role in Higher Education. Our contribution leads the road to innovation within IoT for Education 4.0, using a system comprising smartwatch data, health data, learning analytics and Artificial Intelligence. By using embedded sensors from wearable devices, we can add value to Education 4.0. Smartwatches are IoT devices, equipped with a multitude of embedded sensors collecting distraction-free huge amounts of real-time data during students’ learning. In our paper we highlight advantages of wrist-based wearables like smartwatches for Education 4.0. We develop a User Experience Questionnaire for the measurement of acceptance of advanced electronic technology in Higher Education. We identify as experiment’s results the most important sensors and protocols for Education 4.0.
  • Angewandte Informatik
  • DIGITAL
Beitrag in Sammelwerk/Tagungsband

  • Heribert Popp
  • Monica I. Ciolacu
  • Leon Binder

Education 4.0: IoT- und CoP-unterstützte Smarte E-Learning Prozesse

pg. 42-55.

  • (2020)
Studierende erleben im Lernmanagementsystem (LMS) „Moodle“ smarte E-Learning Prozesse in Mathematik- und Wissensmanagement-Kursen. „Smartes E-Learning“ besteht in Anlehnung an „smarte Produkte“ aus einer physischen, einer intelligenten und einer Vernetzungs-Komponente. Vernetzt sind die StudentInnen mit dem LMS einerseits in „Communities of Practice“ (CoP) zur Reflexion und andererseits über die Sensoren ihrer Smartphones oder Smartwatches (physische Komponente). Damit lässt sich dieses Lernumfeld der Kategorie “Internet of Things” (IoT) zuordnen. Im Lernprozess können die eingebetteten Sensoren mit den Biosignalen „Puls“ (HR) und „Herzfrequenzvariabilität“ (HRV) zur Selbstreflexion der Lernenden, zur Steuerung des Lernsystems und zur Personalisierung des Nutzungserlebnisses dienen. Erste Tests fanden u.a. Korrelationen zwischen erreichten Punkten in den Kontrollfragen und den Werten der Biosignale. Als intelligente Komponenten sind BenutzerInnenmodellierung, Chatbot, maschinelles Lernen usw. bei „Education 4.0“ im Einsatz.
  • Angewandte Informatik
  • DIGITAL
Beitrag in Sammelwerk/Tagungsband

  • Monica I. Ciolacu
  • Leon Binder
  • Heribert Popp

Enabling IoT in Education 4.0 with Biosensors from Wearables and Artificial Intelligence

pg. 17-24.

New York, NY, USA

  • (2020)

DOI: 10.1109/SIITME47687.2019.8990763

A major challenge for Education 4.0 is to make use of wearable devices for helping students in monitoring their learning behavior and their activities (steps, heart rate variability, and heart rate) in real-time. The first aim of this paper is to present our implementation of adaptivity and Artificial Intelligence (AI) methods within the Education 4.0 process. In this work, we investigate embedded biosensors (noninvasive, low-cost, and distraction-free) used in smartphones and smartwatches. The next objective is to enable IoT for Higher Education, i.e. a novel system assisted by AI that takes embedded biosensor data and environmental data into account in order to estimate students’ wellbeing and health. In this regard, we propose a framework that uses wearable devices to collect data with biofeedback methods to support students’ academic success.
  • Angewandte Informatik
  • TC Grafenau
  • DIGITAL
Vortrag

  • Monica I. Ciolacu
  • Ali Fallah-Tehrani
  • Leon Binder
  • P. Mugur Svasta

Education 4.0 - Artificial Intelligence Assisted Higher Education: Early Recognition System with Machine Learning to support Students' Success

In: 2018 IEEE 24th International Symposium for Design and Technology in Electronic Packaging​ (SIITME)

Iasi, Romania

  • 25-28.10.2018 (2018)

  • TC Grafenau
  • Angewandte Informatik
  • DIGITAL
Vortrag

  • Heribert Popp
  • Monica I. Ciolacu
  • Leon Binder

Smarter Blended Learning 4.0 Prozess . (Vortrag im Rahmen der "Künstliche Intelligenz-APP-Bot Session")

In: 17. E-Learning-Tag der FH JOANNEUM: "Jetzt für die Zukunft"

FH JOANNEUM University of Applied Sciences Graz, Österreich

  • 13.09.2018 (2018)

  • Angewandte Informatik
  • DIGITAL
Vortrag

  • Monica I. Ciolacu
  • Leon Binder
  • R. Beer
  • Heribert Popp

Education 4.0 für Akademiker 4.0 Kompetenzen -Blended Learning 4.0 Prozesss mit Learning Analytics Cockpit . Workshop

In: 16. E-Learning-Fachtagung Informatik (DeLFI) und die 8. Fachtagung Hochschuldidaktik der Informatik (HDI)

Goethe-Universität Frankfurt Frankfurt am Main

  • 10.-13.09.2018 (2018)

  • Angewandte Informatik
  • DIGITAL
Beitrag in Sammelwerk/Tagungsband

  • Monica I. Ciolacu
  • Ali Fallah-Tehrani
  • Leon Binder
  • P. M. Svasta

Education 4.0 - Artificial Intelligence Assisted Higher Education: Early Recognition System with Machine Learning to Support Students' Success

pg. 23-30.

  • (2018)

DOI: 10.1109/SIITME.2018.8599203

Education 4.0 is being empowered more and more by artificial intelligence (AI) methods. We observe a continuously growing demand for adaptive and personalized Education. In this paper we present an innovative approach to promoting AI in Education 4.0. Our first contribution is AI assisted Higher Education Process with smart sensors and wearable devices for self-regulated learning. Secondly we describe our first results of Education 4.0 didactic methods implemented with learning analytics and machine learning algorithms. The aim of this case study is to predict the final score of students before participating in final examination. We propose an Early Recognition System equipped with real data captured in a blended learning course with a personalized test at the beginning of the semester, an adaptive learning environment based on Auto Tutor by N. A. Crowder theory with adaptive self-assessment feedback. It is obvious that focusing on students' success and their experiences is a win-win scenario for students and professors as well as for the administration.
  • Angewandte Informatik
  • TC Grafenau
  • DIGITAL
Beitrag in Sammelwerk/Tagungsband

  • Heribert Popp
  • Monica I. Ciolacu
  • Leon Binder

Blended Learning 4.0-Prozess: Effizient und KI unterstützt

pg. 101-112.

Graz, Österreich

  • (2018)

Mögliche Methoden der Künstlichen Intelligenz zur Effizienzsteigerung des digitalen Lernprozesses sind Personalisierung, Adaptation, Communities of Practice, Chatbots und Neuronale Netze. Der Artikel liefert eine prototypische Demonstration erster Ergebnisse des Einsatzes dieser Methoden, z. B. die Halbierung der Durchfallquote durch Neuronale Netze zur frühzeitigen Gefährdetenerkennung
  • Angewandte Informatik
  • DIGITAL
Beitrag in Sammelwerk/Tagungsband

  • Monica I. Ciolacu
  • Heribert Popp
  • R. Beer
  • Leon Binder

Education 4.0 für Akademiker 4.0 Kompetenzen – Blended Learning 4.0 Prozess mit Learning Analytics Cockpit

  • (2018)

Wir präsentieren unsere Ergebnisse von Education 4.0, didaktisch umgesetzt mit einem effizienten Blended-Learning-4.0-Prozess. In der Reflexionsphase des Blended-LearningProzesses bauen wir ein Learning Analytics Cockpit auf. Dafür lassen wir das Neuronale Netz (NN) aus den Klickdaten und den erreichten Punkten in den Kontrollfragen der Kurse (der ersten zwei Monate) sowie das Bestehen/Nichtbestehen (Klassifikation) bzw. die erreichten Punkte (Regression) in der Klausur lernen. Dann testen wir die gelernten NN bei der nächsten Durchführung des Kurses (erreichte Prognosegenauigkeit 76%-100% bei der Klassifikation) und setzen sie bei der nächsten Kursdurchführung ein. Das Lernen der NN und das Testen sind dem Cockpiteinsatz vorgelagert. Das LA Cockpit, das in PHP als Plugin zum Lernmanagementsystem Moodle implementiert ist, dient nur in der Arbeitsphase zur Anwendung des gelernten NN. Bisher lernten wir NN für drei Kurse und konnten in zwei Simulationen die Auswirkungen des CockpitEinsatzes testen indem wir im Fach Mathematik und im Fach Informations- und Wissensmanagement (IWM) des Studiengangs Betriebswirtschaftslehre im WS 17/18 bzw. SS 18 erste erfolgreiche Anwendungen durchführten. Basierend auf den Prognosen wurden Warn-EMails an als gefährdet eingestufte Studierende verschickt. Dadurch konnten die Durchfallquote in Mathematik und die Nichtantrittszahl in IWM nahezu halbiert werden.
  • Angewandte Informatik
  • DIGITAL