3.12.2020
Fakultät:
Technisch-Naturwissenschaftliche Fakultät
Kontaktperson:
Sandra Murauer
Telefonnummer:
066488142412
E-Mail Adresse:
Bachelor-/Masterarbeit
Thema:
Evaluierung Machine-Learning basierter Algorithmen zur optischen Qualitätskontrolle mit restriktiven Datensets
Ausgangssituation:
Bereits kleine Produktionsfehler in automatisierten Produktionslinien können großen Schaden verursachen, besonders in Systemkritischen Teilen wie in der Autoindustrie. Eine konservative Methode, um die Qualitätsstandards einzuhalten ist eine manuelle Sichtkontrolle. FILL bietet erfolgreich Systeme an diese Kontrollen mit Computer Vision durchzuführen. Mithilfe von Deep Learning wollen wir die Intuition des Menschen mit der Zuverlässigkeit von Computern paaren und eine neue Generation der Qualitätskontrolle erschaffen.Die Abhängigkeit von gekennzeichneten Fehlerdaten bereitet in den meisten Fällen jedoch noch Probleme. One-Class Learning, Semi-Supervised Learning, Contrastive Learning, Autoencoder Anomaly-Detection, Projection-Method und vieles mehr sind Beispiele, um dieses Problem zu umgehen.
Ziel dieser Arbeit, ist es die Grenzen moderner Machine-Learning Konzepte mit ungleich aufgeteilten, kleinen und spärlich gelabelten Datensets zu testen. Eine Eigenentwicklung von eigenen Ansätzen wird dabei unterstützt. Dazu bieten wir mehrere Datensets an, um Anomalien zu detektieren und mögliche Fehler zu finden. Die schriftliche Arbeit ist eine Gegenüberstellung eigener und State-of-the-Art Methoden mit echten Daten. Die erarbeiteten Methoden werden bei Erfolg praktisch verwendet.
Aufgabenstellung:
• Unterstützte Recherche über den derzeitigen State-of-the-Art.
• Einarbeiten in verschiedene Datensets.
• Erweitern der Daten mittels Augmentation.
• Starten von Versuchsreihen mit selbst nachprogrammierten Machine-Learning Konzepten mit Fokus auf ungleich aufgeteilten, kleinen und spärlich gelabelten Datensets.
• Aufzeigen der Stärken und Schwächen von Models, vor allem in Bezug zu den Trainingsdaten.
• Testen von eventuell eigenen Implementierungsideen.
Zeitraum:
Start ab sofort
Bewerbung:
Bewirb dich online unter: www.fill.co.at/karriere/jobs
Wir freuen uns auf deine Bewerbung!
Kontakt:
Fill Gesellschaft m.b.H.
Fillstraße 1 / 4942 Gurten
Tel. +43 (0)7757/7010
www.fill.co.at
Diese Website verwendet Cookies zur Webanalyse und Verbesserung der Benutzerfreundlichkeit. Durch die Nutzung dieser Website erklären Sie sich mit der Verwendung von Cookies einverstanden. Mehr Info