Vollfaltende neuronale Netze zur semantischen Segmentierung von Bildern in Stanzprozessen

Fully Convolutional Networks for Semantic Image Segmentation in Blanking Processes

Masterthesis, Advanced Design Project (ADP)

Wissenschaftliche Fortschritte auf dem Gebiet des tiefen Lernens eröffnen neue Möglichkeiten, Produktionsprozesse und Bauteilqualitäten bildbasiert zu überwachen. Am PtU werden deren Möglichkeiten erforscht und am Beispiel eines Stanzprozesses demonstriert. Jüngste Forschungsergebnisse zeigen auf, dass faltende neuronale Netze imstande sind, basierend auf Bildern von Stanzbutzen auf den Verschleißzustand des Werkzeugs zurückzuschließen1. Vollfaltende neuronale Netze (FCN) ermöglichen ein pixelweises Labeln von Bildern und eignen sich daher, Pixel bestimmten Produkt- oder Werkzeugzuständen zuzuordnen.

Im Rahmen der ausgeschriebenen Thesis soll deren Potentiale basierend auf Bilddatensätzen aus einem Stanzprozess untersucht werden. Dabei gilt es einerseits, unterschiedliche Bereiche von Stanzbutzen voneinander zu segmentieren und daraufhin die Qualität der Bauteile zu bewerten, andererseits basierend auf Werkzeugbildern unterschiedliche Verschleißbereiche zu segmentieren.

Die genaue Aufgabenstellung kann gerne im Rahmen einer VK genauer erläutert werden.

Stanzbauteile gefertigt mit unterschiedlichen Verschleißzuständen
Stanzbauteile gefertigt mit unterschiedlichen Verschleißzustände

Forschungsmethode

Theoretisch, experimentell, konstruktiv