Visualisering av data i fokus och periferi i industriella kontrollrum

Vi är nu inne i en era av Industri 4.0 med en ökande digitalisering inom industrin. Mängden data från drift och underhåll som flödar in till kontrollrummen ökar kraftigt. Inom ett doktorandprojekt studeras utmaningar kring informationsöverflöd och arbetet bedrivs i två riktningar. 

Visuella metoder styr betraktaren Foto Veronika DomovaDen första går mot att skapa visualiseringar av stora mängder data inom en viss domän. Grundläggande i den här studien är hur man kan använda visuella metoder för att styra betraktaren att fokusera på den viktigaste informationen.

 Den andra delen i forskningen handlar om att hitta alternativa visualiseringsmetoder, som exempelvis förstärkt verklighet, för att minska mängden visuella och kognitiva intryck.
Visuella metoder styr betraktaren Foto Veronika Domova

Forskare
Visa/dölj innehåll

Extern samarbetspartner

ABB Corporate Research

arbetsgivare för industridoktorand

Publikationer
Visa/dölj innehåll

Veronika Domova, Goranka Zoric (2017)
Towards Effective Industrial Robot Fleet Visualization for Remote Service Applications

2017 IEEE 26th International Conference on Enabling Technologies: Infrastructure for Collaborative Enterprises (WETICE) , s.185-190 Vidare till DOI

Veronika Domova, Maria Ralph, Elina Vartiainen, Alvaro Aranda Muñoz, Adam Henriksson, Susanne Timsjö (2017)
Re-Introducing Physical User Interfaces into Industrial Control Rooms

Proceedings of the European Conference on Cognitive Ergonomics 2017 , s.162-168 Vidare till DOI

MIT-forskning inom WASP
Visa/dölj innehåll

Bildbehandling och effektiv representation av data för visuell maskininlärning

Det behövs dock stora mängder data för en effektiv maskininlärning. Vi undersöker nu möjligheten att använda och skapa realistiska syntetiska set av träningsdata.

Visualisering för förståelse och utveckling av maskininlärning

Olika typer av maskininlärning används för en lång rad av tillämpningar. Som i de flesta stora datadrivna system är det svårt att se och förstå hur de underliggande modellerna fungerar, hur bra de är och hur exakt de löser problemen.

Utveckling av maskininlärning för komplex medicinsk bildanalys

Trots att maskininlärningsalgoritmer, särskilt de som nyttjar neurala nätverk, har visat på lovande resultat inom många medicinska bildanalysuppgifter finns det ett antal utmaningar som måste lösas innan tekniken kan användas kliniskt.

Interaktion med autonoma agenter för medicinskt beslutsstöd

Målet för forskningen är att studera interaktionen mellan människor och datorer genom att utveckla en miljö som bidrar till ett effektivt samarbete mellan klinikern, människan, och den lärande maskinen.

Automatisk mönsterigenkänning och visualisering för beslutsstöd

Att samla in data från autonoma system spelar en nyckelroll för att förstå hur systemet fungerar och för att säkerställa att det fungerar. Utmaningar är här storleken, komplexiteten och den stora mängden data som oavbrutet genereras in i systemet.

Taggar
Visa/dölj innehåll