Motivation

Im Rahmen des Forschungsprojekts „ProTekt“ am FAPS arbeiten wir an der Automatisierung der Qualitätsprüfung von Schaltschränken. Ein wichtiger Baustein dabei ist die elektrische Prüfung. Damit ein Roboter elektrische Messungen automatisiert durchführen kann, müssen die passenden Prüfpunkte an den verbauten Komponenten zuverlässig erkannt und lokalisiert werden. Prüfpunkte sind die elektrischen Kontaktstellen an den Komponenten, über die einzelne Anschlüsse elektrisch ankontaktiert werden können. In der Praxis ist ihre Erkennung jedoch herausfordernd: Form, Lage, Größe und visuelle Erscheinung variieren stark zwischen unterschiedlichen Herstellern, Komponentenarten und Schaltschrankaufbauten.

Ziel der Arbeit

Ziel deiner Arbeit ist es, ein leichtgewichtiges Computer-Vision-Verfahren zur robusten Erkennung von Prüfpunkten zu entwickeln, zu bewerten und prototypisch umzusetzen. Im Zentrum steht dabei ein CNN-basiertes Modell, das Prüfpunkte als eigene Objektklasse erkennt und auch bei hoher Varianz der Komponenten zuverlässig funktioniert.

Dazu gehört insbesondere:

• Einarbeitung in den Projektkontext und die Rolle elektrischer Prüfpunkte in der automatisierten Schaltschrankprüfung
• Analyse vorhandener Bilddaten sowie Einbezug und Bewertung geeigneter Online-Datensätze für Training und Validierung
• Optional: Anpassung einer bestehenden Pipeline zur Erzeugung synthetischer Daten, sodass diese auch für Prüfpunkte genutzt werden kann
• Entwicklung eines leichtgewichtigen CNN-basierten Ansatzes zur Detektion
• Untersuchung, welche Merkmale und Datenrepräsentationen für eine robuste Generalisierung über viele Komponenten hinweg geeignet sind
• Entwicklung einer geeigneten Methodik, um die Robustheit des Systems bei hoher Varianz nachvollziehbar nachzuweisen
• Durchführung einer sinnvollen Evaluierung mit unterschiedlichen Komponentenklassen, Ausprägungen und Schwierigkeitsgraden

Ziel ist ein Prüfpunkt-Detektionssystem, das nicht nur auf wenigen Einzelbeispielen funktioniert, sondern seine Robustheit auch über eine große Bandbreite realer Komponenten hinweg nachvollziehbar zeigt.

Anforderungen an den Studierenden

• Studium im Bereich Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen oder vergleichbar
• Interesse an Computer Vision, Deep Learning und praxisnaher AI-Anwendung
• Erste Programmierkenntnisse, vorzugsweise in Python
• Selbstständige und strukturierte Arbeitsweise
• Sehr gute Deutsch oder Englisch Kenntnisse

Bewerbungen bitte per Mail mit Lebenslauf und aktuellem Notenspiegel an matthias.lang@faps.fau.de
Start: jederzeit möglich
Ort: Nürnberg am FAPS Standort „auf AEG“ – hybrid möglich

Kategorien:

Kontakt: