ENTDECKE DEINEN JOB BEI FILL

Bachelor-/Masterarbeit: Simulative Bildauswertung (SIMBA) mit KI und virtuell generierten Trainingsdaten

Uni / FH

Ausgangssituation:

Fill entwickelt vollautomatisierte Produktionsanlagen und unterstützt die Qualitätssicherung der produzierten Bauteile mit automatisierten Prüfstationen zum Erkennen und Aussortieren fehlerhafter Teile. Mit Convolutional Neural Networks (CNN) wurden bereits großartige Resultate erzielt. Bei vielen Anwendungen mangelt es jedoch an der Menge der Trainingsdaten.

Ziel dieser Arbeit ist es, mithilfe von Style Transfer Learning Trainingsdaten für Anwesenheits-, Typ- und auch Oberflächenprüfungen zu generieren. Mithilfe einer geringen Anzahl von Echtbildern und Bildern aus einer Simulationsumgebung soll ein Style-Zusammenhang gelernt werden. Diese Style-Transformation wird dann genutzt, um in der Simulation automatisiert eine große Variation von Trainingsdaten mit hohem Informationsgehalt generieren zu können. Das System soll in der Lage sein, mit einer minimalen Anzahl an realen Bildern, durch Zuhilfenahme der simulativen Daten, eine KI (z.B. CNN) robust zu trainieren.

Der Projektverantwortliche erhält bei der Umsetzung dieser Anwendung einen umfangreichen Einblick in die Prozesse und Technologien der industriellen Bildverarbeitung mit dem Schwerpunkt Deep Learning.