Trainingsdatengenerierung für Deep Convolutional Neural Networks zur Transport-Label-Detektion

Thesis

Research focus: Automation and Robotics, Industrial Automation, Logistics and Supply Chain Optimization, Machine Learning, Production and Logistics, Real Time Data Management
Courses of study: Informatics, Information Management, Related Disciplines, Business Informatics, Industrial Engineering and Management

Job Description

Künstliche Intelligenz, Digitalisierung und Automatisierung sind aktuelle 'Buzzwords', die auch in der Logistik zahlreiche innovative Anwendungen begleiten. Durch künstliche Neuronale Netze können zum Beispiel manuelle Aufwände bei der Erkennung, Unterscheidung und Erfassung von standardisierten Transport-Labels vermindert werden. Beim überwachten Training entsprechender Modelle stellt sich jedoch oft ein Daten-Problem: Geeignete Daten müssen in ausreichend großem Umfang und mit passenden Annotationen versehen vorliegen.

Im Kontext der Detektion von Logistik-Transport-Labels soll die Erstellung und Verwendung synthetischer Trainingsdaten untersucht werden. Das Ziel hierbei ist es, erweiterbare Modelle und Systeme, die sich automatisiert an neue Standards oder Rahmenbedingungen anpassen können, zu ermöglichen.

Your Responsibilities

  • Konzipierung einer (automatisierten) Trainingsdatenerstellung zum Training künstlicher Neurale Netze zur Detektion von Logistik-Transport-Labels
  • Implementierung und explorative Optimierung der Trainingsdatenerzeugung
  • Planung und Durchführung von Experimenten zu Datengenerierung und Training
  • Systematische Untersuchung verschiedener Parameter und Einflussfaktoren auf die Trainings-Pipeline
  • Evaluation der Ergebnisse

Our Offer

  • ein interdisziplinäres Arbeitsumfeld mit Partnern aus Wissenschaft, Wirtschaft und Anwendern
  • eine wirtschafts-/industrienahe Arbeitsumgebung und -organisation
  • eine angenehme Arbeitsatmosphäre
  • ggf. die Möglichkeit zu einer anschließenden Promotion im beschriebenen Themenfeld

Your Profile

  • selbständiges Denken und Arbeiten
  • Grundkenntnisse in maschinellem Lernen oder Optimierungsverfahren und in der Bildverarbeitung
  • Grundlegende Programmierkenntnisse (z.B. Python, C++, Java)
  • Erste Praxis-Erfahrungen mit Google TensorFlow, OpenCV oder ähnlichen Frameworks sind vorteilhaft
  • sehr gute Deutsch- oder Englischkenntnisse

Your Application

Wir freuen uns auf Ihre digitale Bewerbung an Frau Laura Dörr, doerr@fzi.de, mit folgenden Unterlagen:

  • aktueller Notenauszug
  • tabellarischer Lebenslauf

Job Description

  • Start: ab sofort
  • Betreuendes Institut am KIT: Institut für Fördertechnik und Logistiksysteme (IFL), Prof. Dr. Kai Furmans
  • Projekt-Homepage