Detektion von Oberflächendefekten an Luftfahrtkomponenten in Bildaufnahmen mit Deep Learning
E-Mail: f.kaehler@tuhh.de
Im Rahmen der Flugzeuginstandhaltung werden Bauteile visuell auf Oberflächendefekte
geprüft. Hierbei muss sichergestellt werden, dass alle Defekte gefunden werden. Eine
Inspektion mit Bildaufnahmen ermöglicht die Defektdetektion mit Computeralgorithmen.
Neben Bildverarbeitung stellt Deep Learning einen vielversprechenden
Ansatz zur Detektion dar. In dieser Arbeit soll anhand eines Referenzbauteil die
Defektdetektion mit Deep Learning untersucht werden. Da Defekte im Rahmen der
Instandhaltung nicht mit Fotos dokumentiert werden/wurden, soll zuerst eine
Datenbank mit synthetischen Trainingsbildern, ggf. unter Verwendung existierender
Datenbanken, erzeugt werden. Anschließend soll ein neuronales Netz implementiert,
mit den Trainingsdaten angelernt und anhand eines realen Testaufbaus zur Inspektion
des Bauteils mit einer Kamera erprobt werden. Hierbei sollen u.a. der Einfluss
ausschließlich synthetischer Trainingsbilder, die Robustheit/Zuverlässigkeit der
Detektion evaluiert werden.
Deine Teilaufgaben
- Aufbau einer Trainingsdatenbank
- Implementierung eines neuronalen Netzes zur Defektdetektion
- Evaluation der Detektion hinsichtlich Robustheit/Zuverlässigkeit, Einfluss
synthetischer Trainingsdaten
Dein Profil
- Du hast Interesse an Machine Learning bzw. Deep Learning
- Du hast Programmierkenntnisse (Python)
- Du hast ein hohes Maß an Eigeninitiative
Organisatorisches
- Starttermin: ab sofort bzw. November 2020
Bei Interesse melde Dich mit Notenübersicht bei:
Falko Kähler, M.Sc. | f.kaehler@tuhh.de