Hintergrund:

Für eine kosteneffiziente Automatisierung der Schaltschrankmontage ist die schnelle und zuverlässige Erkennung von Elektronikkomponenten entscheidend. Maschinelles Lernen und kamerabasierte Bildklassifikation bieten hier ein großes Potenzial, um Elektronikkomponenten zu Klassifizieren und Segmentieren und ein automatisiertes Handhaben mit Hilfe eines Roboters zu ermöglichen. Für die Nutzung und Anpassung solcher kamerabasierten Systeme ist ein intuitives Framework erforderlich, das eine einfache Erstellung, das Training und die Weiterentwicklung von Modellen zur Bildklassifikation und Segmentierung schaltschrankspezifischer Komponenten erlaubt.

Ziel der Arbeit:

Das Ziel dieser Arbeit ist es, ein Software-Framework zu entwerfen, mit dem KI-Modelle zur Bildklassifikation und Segmentierung von Elektronikkomponenten entwickelt und trainiert werden können. Das Framework soll zudem mit Hilfe eines Toolkits auch unerfahrenen Nutzern ermöglichen, neue Komponenten effizient in das Bilderkennungs-Framework zu integrieren. Dabei sollen die Komponenten sowohl im unmontierten als auch im montierten Zustand zuverlässig erkannt werden.

Aufgabenstellung:

1. Anforderungsanalyse: Untersuchung bestehender Bildklassifikationssysteme und Analyse der Anforderungen für die Erkennung von Elektronikkomponenten im Schaltschrankbau.
2. Framework-Design: Entwicklung eines Software-Frameworks, das die einfache Erstellung und das Training von KI-Modellen für die Bildklassifikation ermöglicht.
3. Implementierung von KI-Modellen: Entwicklung und Training von Modellen zur Klassifikation und Segmentierung von geordneten und ungeordneten sowie montierten und demontierten Elektronikkomponenten.
4. Nutzerfreundlichkeit: Implementierung einer benutzerfreundlichen Oberfläche, die es unerfahrenen Programmierern ermöglicht, neue Komponenten schnell zu integrieren.
5. Validierung: Validierung der Modelle und des Frameworks durch Tests an verschiedenen Anwendungsfällen.
6. Dokumentation und Präsentation: Erstellung einer ausführlichen Dokumentation des Frameworks und der Ergebnisse sowie einer abschließenden Präsentation.

Voraussetzungen:

• Kenntnisse in Machine Learning und Bildverarbeitung
• Selbstständige und strukturierte Arbeitsweise
• Programmierkenntnisse in Python
• Erfahrung im Umgang mit Frameworks für maschinelles Lernen (z.B. TensorFlow, PyTorch) ist von Vorteil

Weitere Hinweise:

• Startdatum ab sofort möglich
• Homeoffice möglich
• Arbeitsumfang kann individuell nach Interessen und Art der studentischen Arbeit gestaltet werden

Bitte bewerben Sie sich mit einem aktuellen Notenspiegel und Lebenslauf.

Kategorien:

Kontakt: