Roman Möhle, M.Sc. studierte Wirtschafsingenieurwesen an der TU Dortmund mit der Fachrichtung Industrial Engineering. Er ist als wissenschaftlicher Mitarbeiter am IPS im Fachbereich Smart Quality tätig. Seine Schwerpunkte liegen auf der Integration von maschinellem Lernen und Bildverarbeitenden Systemen in Produktionssystemen sowie dem Qualitätsfeld der Technischen Sauberkeit.

• Einsatz von Maschinellem Lernen und KI in Produktionssystemen
• Technische Sauberkeit in Produktionssystemen
• Entwicklung von intelligenten Bildverarbeitenden Systemen im Produktionskontext

• Betreuung von Projekt- und Abschlussarbeiten
• Durchführung von Vorlesungsreihe(n) des IPS
• Durchführung von Übungen zu den Vorlesungen des IPS

• Erstellung von Datenanalysen und Integration von intelligenten KI-Modellen in der Produktion
• Analyse und Verbesserung der Technischen Sauberkeit von Produktionssystemen

• Panusch T., Möhle R., Zwinkau R., Deuse J. (2021) Reduction of Human Effort in Technical Cleanliness Inspection Through Advanced Image Processing Approaches. In: Trzcielinski S., Mrugalska B., Karwowski W., Rossi E., Di Nicolantonio M. (eds) Advances in Manufacturing, Production Management and Process Control. AHFE 2021. Lecture Notes in Networks and Systems, vol 274. Springer, Cham. doi.org/10.1007/978-3-030-80462-6_14
• Zwinkau, Ronny; Möhle, Roman; Frentrup, Simon; Deuse, Jochen (2019): Automatic particle classification through deep learning approaches for increasing productivity in the technical cleanliness laboratory, International Conference on Applied Automatic particle classification through deep learning approaches for increasing productivity in the technical cleanliness laboratory. In: Isabel L. Nunes (Hg.): Advances in Human Factors and Systems Interaction. Proceedings of the AHFE 2019 International Conference on Human Factors and Systems Interaction. Washington D.C., USA, 24.-28.07.2019: Springer.
• Zwinkau, Ronny; Frentrup, Simon; Möhle, Roman; Deuse, Jochen (2018): Metall/Nichtmetall- Klassifikation von Partikeln mit Deep Learning. In: Journal für Oberflächentechnik (JOT) (10), 50-57.