Extern: Automatisch optische Sichtprüfung räumlicher Montagebaugruppen mittels Methoden des Maschinellen Lernens [AI/BA/PA/MA]

Ausgangssituation:

Die automatische optische Sichtprüfung (AOI) von räumlichen Montagebaugruppen spielt eine entscheidende Rolle in der Fertigungsindustrie, da sie eine effiziente Qualitätskontrolle ermöglicht. Dabei werden sowohl die Fehleranalyse als auch die Vollständigkeitsprüfung durch den Einsatz von Methoden des Maschinellen Lernens wie Künstliche Intelligenz und neuronale Netze verbessert. Die Fehleranalyse kann durch den Einsatz von Machine-Learning-Algorithmen optimiert werden. Diese Modelle sind in der Lage, komplexe Strukturen und feine Details in den Montagebaugruppen zu erkennen und spezifische Fehlermuster zu identifizieren. Beispiele für Fehler, die durch die AOI erkannt werden können, sind fehlende Bauteile, falsch ausgerichtete oder beschädigte Komponenten. Durch die kontinuierliche Analyse und Überwachung der Produktion können solche Fehler frühzeitig erkannt und behoben werden, was Ausschuss und Ausschusskosten reduziert und die Qualität der Endprodukte erhöht. Gleichzeitig ermöglicht die Integration von Maschinellem Lernen auch eine umfassende Vollständigkeitsprüfung der Montagebaugruppen. Die Modelle können lernen, wie eine korrekt montierte Baugruppe aussehen sollte, und somit unvollständige oder falsch montierte Teile identifizieren. Dies trägt dazu bei, potenzielle Probleme während des Produktionsprozesses zu erkennen, bevor die Baugruppen in die nächste Phase der Fertigung übergehen, und gewährleistet somit die Einhaltung der geforderten Qualitätsstandards. Insgesamt wird durch die Integration von fortschrittlichen Methoden des Maschinellen Lernens die automatische optische Sichtprüfung von räumlichen Montagebaugruppen zu einem unverzichtbaren Werkzeug in der Fertigungsindustrie. Die Kombination aus Fehleranalyse und Vollständigkeitsprüfung ermöglicht eine hohe Produktqualität, eine Reduzierung von Ausschuss und Ausschusskosten sowie eine kontinuierliche Verbesserung der Fertigungsprozesse

Aufgabenstellung:

Im Rahmen der Arbeit gehen folgende Aufgabenpakete hervor:

  • Systematic Literature Review (SLR) zur automatischen optischen Inspektion sowie aktuellen Ansätzen des Maschinellen Lernens in diesem Kontext
  • Aufnahme und statistische Auswertung eines Computer Vision Datensatzes am Beispiel von E-Motoren
  • Modellierung, Implementierung und Evaluierung von verschiedenen ML-Modellen

Der Zugriff auf ausreichend große Grafikkarten ist gewährleistet. Nähere Informationen sowie Beginn und Umfang der Arbeit können im Rahmen eines persönlichen Gesprächs diskutiert werden. Eine Konkretisierung des Themas erfolgt nach Absprache der persönlichen Interessen. Die Arbeit soll präferiert extern bei der Firma Baumüller in Kitzingen bearbeitet werden. Eine Bearbeitung des Themas am Lehrstuhl ist ebenfalls möglich, wobei hier keine E-Motoren betrachtet werden.

Hinweise zur Bewerbung:

  • Interesse an Machine Learning, Deep Learning etc.
  • Möglichkeit der Einarbeitung gegeben; hierfür werden nach Absprache über den vorhandenen Wissensstand praxisnahe Online-Kurse und Bücher bereitgestellt
  • Hohe Motivation, Neugierde sowie strukturierte Arbeitsweise
  • IT-Affinität sowie Erfahrung in mindestens einer Programmiersprache wünschenswert (z.B. Python)
  • Deutsch oder Englisch in Wort und Schrift von elementarer Bedeutung
  • Bewerbungen mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail an benedikt.scheffler@faps.fau.de

Weitere interessante Themenstellungen im Bereich Machine Learning Operations und Deep Learning sind hier gelistet. Literaturrecherchen sind zu all diesen Themen ebenfalls nach Absprache möglich.

Kategorien:

Forschungsbereich:

Art der Arbeit:

Bachelorarbeit, Diplomarbeit, Hauptseminar, Masterarbeit, Projektarbeit, Studienarbeit

Studiengang:

Energietechnik, Informatik, IPEM, Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen

Technologiefeld:

Künstliche Intelligenz und Maschinelles Lernen, Software Engineering und Deployment

Kontakt:

Benedikt Scheffler, M.Sc.

Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)