Entwicklung einer kamerabasierten Prüfmethodik zu Integration von maschinellen Lernverfahren in der Qualitätsprüfung.

Ausgangssituation:

Methoden des maschinellen Lernens weisen großes Potential in der prozessbegleitenden Qualitätsprüfung auf. Allerdings müssen die zugrundeliegenden Modelle für eine zielgrößenoptimierte Prüfung auf den Anwendungsfall angepasst werden, um die großen Datenmengen effizient auswerten zu können. Durch die Synthese von produktspezifischen Kenngrößen mit dem optischen Erscheinungsbild lassen sich wichtige Zusammenhänge zwischen dem Fertigungsprozess und der Funktionssicherheit des Produktes feststellen. In dieser Arbeit soll daher die Brücke zwischen Prozessentwicklung und Datenanalyse geschlagen werden, indem prozesstypische Fehlerbilder beim Thermokompressionsschweißen ermittelt werden und durch die Entwicklung eines Datenframeworks die prozessbegleitende Überwachung ermöglicht wird.

Aufgabenstellung:

Entwicklung einer kamerabasierten Prüfmethodik zur Integration von maschinellen Lernverfahren in der Qualitätsprüfung.

Arbeitsschwerpunkte:

  • Charakterisierung von Fügestellen anhand optischer Merkmale
  • Aufbau eines Dataframeworks zur Synthese der optischen Merkmale mit Kennwerten geeigneter Prüfverfahren (Schertests, Abzugstests, etc.)
  • Einbetten des Dataframeworks in AI & Machine Learning Umgebung
  • Bewertung installierter Inspektionssysteme hinsichtlich des Auflösungsvermögens der optischen Merkmale

Vorkenntnisse und Hinweise:

  • Programmiererfahrung in Java oder Python
  • Kenntnisse in der Bildverarbeitung hilfreich
  • Erfahrung im produktionsnahen Umfeld von Vorteil
  • Arbeit kann von zu Hause aus angefertigt werden

Beginn:

Die Bearbeitung der Arbeit ist ab sofort möglich. Der Umfang kann entsprechend der zu verfassenden Arbeit angepasst werden. Bitten wenden Sie sich bei Interesse mit kurzem Lebenslauf und vollständiger Notenübersicht per Mail an christoph.hecht@faps.fau.de

Anfrageformular

Anfrage für: Entwicklung einer kamerabasierten Prüfmethodik zu Integration von maschinellen Lernverfahren in der Qualitätsprüfung.

    *
    *
    *







    Kategorien:

    Forschungsbereich:

    Elektronikproduktion

    Art der Arbeit:

    Bachelorarbeit, Masterarbeit, Projektarbeit

    Studiengang:

    Informatik, Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen

    Technologiefeld:

    Aufbau und Verbindungstechnik, Künstliche Intelligenz und Maschinelles Lernen, Innovatives Qualitätsmanagement

    Kontakt: