Hintergrund
Die Textilindustrie erfordert präzise Verfahren zur Erkennung und Klassifikation von Anomalien auf texturierten Oberflächen. Solche Anomalien können Hinweise auf Produktionsfehler oder Abweichungen von Qualitätsstandards geben. Ziel dieser Arbeit ist es, auf Basis moderner Deep-Learning-Methoden einen Ansatz zu entwickeln, der sowohl die Anomalien erkennt als auch die erkannten Anomalien klassifiziert. Ein zentraler Aspekt ist das Erlernen eines latenten Raumes, der sinnvolle, trennbare Repräsentationen von Texturpatches liefert.

Aufgabenstellung
Im Rahmen dieser Arbeit sollen folgende Schritte bearbeitet werden:

1. Datensatz-Erstellung:
   • Aufbau eines gelabelten Datensatzes mit texturierten Patches aus der Textilindustrie.
   • Definieren von Anomalien und deren Klassifikationen.
2. Latenter Raum und Anomalieerkennung:
   • Erlernen eines sinnvollen latenten Raumes für die Patches unter Verwendung von metrischen Lernmethoden.
   • Einsatz moderner Methoden des Deep Learning, insbesondere:
     • MiniRocket2D
     • Autoencoder
     • Untrainierte Feature Extraktion mit vortrainierten Neuronalen Netzen
     • Selbstüberwachtes Lernen (Die Abgrenzung zu den oben vorgestellten
       Methoden stellt die Hauptarbeit dar)
3. Klassifikation von Anomalien:
   • Untersuchung von einfachen ML-Methoden wie k-NN zur Klassifikation der Anomalien im gelernten Raum.
   • Analyse der Verwendung von Prototypen zur Repräsentation einzelner Klassen.
4. Entwicklung einer Datenverarbeitungspipeline:
   • Implementierung eines Dataloaders für die patchbasierte Verarbeitung der Daten.
   • Pipeline für Training, Feature-Extraktion und Klassifikation.
5. Methodenvergleich:
   • Systematische Gegenüberstellung der Ergebnisse der verschiedenen Methoden des Feature-Lernens.

Ziele der Arbeit

• Entwicklung einer robusten und flexiblen Pipeline zur Anomalieerkennung und klassifikation auf textilen Texturen.
• Identifikation von Vor- und Nachteilen verschiedener Feature-Learning-Ansätze.
• Erstellung eines gelabelten Datensatzes für die textile Anomalieerkennung, der in zukünftigen Arbeiten als Benchmark dienen kann.

Betreuung und Unterstützung

Die Betreuung umfasst eine intensive Einführung in die Methoden des Deep Learning und metrischen Lernens, regelmäßige Feedback-Sitzungen sowie Unterstützung bei der Implementierung und Analyse. Der/die Studierende wird außerdem Zugang zu relevanten Ressourcen wie GPU-Rechnern und Fachliteratur erhalten.

Ziel der Arbeit ist, eine Self-Organizing Feature Map (SOFM) in pytorch zu implementieren. Dabei soll die Anzahl der Dimensionen frei wählbar sein und die SOFM am Ausgang mit einer Klassifikationsschicht versehen werden.

Die SOFM ist eine bekannte Architektur Neuronaler Netze, die unüberwacht lernen kann und durch Nachtrainieren auch zur Klassifikation geeignet ist. Anders als z.B. Feed-ForwardNetze, wie sie im Deep-Learning eingesetzt werden, kann die SOFM Eingaben nicht nur einer vorgegebenen Klasse zuordnen, sondern bietet auch die Klasse „unbekannt“ als inhärentes Merkmal der Architektur an.

Die Arbeit soll den aktuelle Veröffentlichungen zur SOFM in einer LIteraturrecherche
analysieren und eine SOFM in pytorch so implementieren, dass die Dimensionalität der
SOFM als Hyperparameter vorgegeben werden kann.

Bei vorhandensein eines gelabelten Datensatzes zum Training, soll eine Ausgabeschicht an die SOFM angehangen werden, so dass ein Klassifikator entsteht. Dabei sind die Konventionen von pytorch beim Design der API zu berücksichtigen.

Beschreibung:
Ziel dieser Bachelorarbeit ist es, einen Demonstrator zur Visualisierung neuronaler Netzwerke zu entwickeln. Die Visualisierung soll dabei die aktuellen Aktivierungen der Faltungsebenen und des Feed-Forward Netzes parametrisierbar darstellen („Level-OfDetail“). Der Demonstrator soll dabei ein von einer Kamera aufgenommenes Bild, als Echtzeitvisualisierung auf einem Bildschirm, einschließlich des Zugeordneten Objektes darstellen.

Aufgabenstellung:

1. Recherche: Führen Sie zu Beginn der Arbeit eine umfassende Literaturrecherche durch, um den Stand der Technik zur Visualisierung Neuronaler Netze zu erheben. Recherchieren Sie ebenfalls, welche Tools und Ansätze zur Visualisierung neuronaler Netzwerke bereits existieren und analysieren Sie deren Stärken und Schwächen.
2. Visualisierung: Entwerfen und implementieren Sie eine Visualisierungslogik, die die Aktivierung der Faltungslayer und des Feed-Forward-Netzes darstellt. Die Darstellung soll dabei auf klarer und ästhetischer Weise alle relevanten Schichten eines neuronalen Netzwerks, wie Convolutional Layers, Dense Layers, Pooling, Dropout, Skip Connections, etc., wiedergeben.
3. Parametrisierung: Die Komponenten der Netzarchitektur sollen parametrisierbar sein, Z.B, welche Schichten visualisiert werden oder ob nur ein Teil der Aktivierungen eines Layers dargestellt werden.
4. Erweiterbarkeit: Die Architektur des Tools sollte es ermöglichen, zukünftige
   Erweiterungen vorzunehmen, z.B. die Integration von Netzwerkbeschreibungen oder die Anpassung der Visualisierungsdarstellung für spezielle Netzarten (z.B. RNNs, GANs).

Voraussetzungen:

• Gute Kenntnisse in Python und den Frameworks Keras und ONNX.
• Interesse an der Entwicklung von Tools für das maschinelle Lernen.

Ziel der Arbeit:

Das Ergebnis dieser Arbeit soll ein nutzerfreundliches Visualisierungstool sein, das komplexe neuronale Netzwerke auf verständliche Weise darstellt. Der Fokus liegt auf der detaillierten und parametrisierbaren Visualisierung, die nicht nur die Architektur selbst, sondern auch deren spezifische Parameter und Funktionen greifbar macht. Besonders wichtig ist, dass das Tool auf Basis der Recherche Erkenntnisse aus modernen Netzarchitekturen wie Skip Connections oder U-Net-artigen Strukturen integriert.

Beschreibung:
Ziel dieser Bachelorarbeit ist es, ein Tool zur Visualisierung neuronaler Netzwerke zu entwickeln, das aus den Dateiformaten ONNX (Open Neural Network Exchange) oder einer Keras Functional API-Beschreibung neuronale Netzwerke einliest und diese als SVG (Scalable Vector Graphics) darstellt. Die Visualisierung soll dabei nicht nur die Netzstruktur zeigen, sondern auch alle wichtigen Komponenten und Parameter der einzelnen Layer (wie z.B. Anzahl der Neuronen, Aktivierungsfunktionen, Filtergrößen) interaktiv und parametrisierbar darstellen. Insbesondere soll dabei ein klares Verständnis und dem konkreten Ablauf des Prozesses der Datenverarbeitung- und Veränderung aus den Visualisierungen sichtbar werden. Diese können zum Beispiel konkrete Bilder sein.

Aufgabenstellung:

1. Recherche: Führen Sie zu Beginn der Arbeit eine umfassende Literaturrecherche durch, um die wichtigsten Komponenten neuronaler Netzwerke zu identifizieren, die in der Visualisierung berücksichtigt werden sollten. Zu diesen Komponenten zählen u.a. Skip Connections, Residual Layers, oder spezifische Architekturen wie U-Net. Recherchieren Sie ebenfalls, welche Tools und Ansätze zur Visualisierung neuronaler Netzwerke bereits existieren und analysieren Sie deren Stärken und Schwächen.
2. Eingangsformat: Entwickeln Sie ein Parser-Modul, das ONNX-Dateien und Keras Functional API-Beschreibungen einlesen und in einer strukturierten Form abbilden kann.
3. Visualisierung: Entwerfen und implementieren Sie eine Visualisierungslogik, die die Netzarchitektur in Form von SVG-Dateien darstellt. Die Darstellung soll dabei auf klarer und ästhetischer Weise alle relevanten Schichten eines neuronalen Netzwerks, wie Convolutional Layers, Dense Layers, Pooling, Dropout, Skip Connections, etc., wiedergeben.
4. Parametrisierung: Die Komponenten der Netzarchitektur sollen interaktiv parametrisierbar sein. Beispielsweise sollen Änderungen der Anzahl von Neuronen oder der Filtergröße in Echtzeit in der SVG-Darstellung reflektiert werden können.
5. Erweiterbarkeit: Die Architektur des Tools sollte es ermöglichen, zukünftige Erweiterungen vorzunehmen, z.B. die Integration von anderen Netzwerkbeschreibungen (z.B. PyTorch) oder die Anpassung der Visualisierungsdarstellung für spezielle Netzarten (z.B. RNNs, GANs).

Voraussetzungen:

• Gute Kenntnisse in Python und den Frameworks Keras und ONNX.
• Erfahrung mit der Erstellung von SVG-Grafiken oder ähnlichen Visualisierungsformen.
• Interesse an der Entwicklung von Tools für das maschinelle Lernen.

Ziel der Arbeit:

Das Ergebnis dieser Arbeit soll ein nutzerfreundliches Visualisierungstool sein, das komplexe neuronale Netzwerke auf verständliche Weise darstellt. Der Fokus liegt auf  derdetaillierten und parametrisierbaren Visualisierung, die nicht nur die Architektur selbst, sondern auch deren spezifische Parameter und Funktionen greifbar macht. Besonders wichtig ist, dass das Tool auf Basis der Recherche Erkenntnisse aus modernen Netzarchitekturen wie Skip Connections oder U-Net-artigen Strukturen integriert.

Betreuung:

Tobias Arndt, arndt@fh-aachen.de, gerne direkt über WebEx kontaktieren

Overview: We are seeking a motivated bachelor’s or master’s student for a thesis on 3D geometry reconstruction and parameter extraction of helical blades using a vision system. The project involves merging point clouds from different poses using a structured light or RGB-D camera to create a complete 3D model. Challenges like missing data due to reflections and lighting variations will be addressed using machine learning techniques. Key parameters, such as radius, pitch, and twist of the blade will be extracted from the processed point cloud. The approach will be tested in simulation before evaluation on real hardware.

Key Objectives:

• Point Cloud Merging: To explore different approaches to align and merge multiple point cloud datasets captured from different camera poses to create a unified and accurate 3D representation of the helical blade.
• Handling Missing Data and Geometry Reconstruction: Addressing the issue of missing or incomplete data points in the point cloud caused by reflections from metallic surfaces and variations in ambient lighting. This step involves applying machine learning techniques, (supervised/ unsupervised), to reconstruct missing features.
• Parameter Extraction: Extract key parameters of the helical blade, such as the radius, pitch, and twist from the reconstructed model. This step will involve applying geometric analysis techniques to accurately quantify the properties of the blade and compare them with the desired specifications.

Requirements:

• Background in robotics, computer vision, or machine learning
• Experience with ROS, Python, or C++ is a plus
• Familiarity with point cloud processing (PCL, Open3D)
• Basic knowledge of geometric analysis and parameter extraction from 3D models

What Will You Gain:

• Hands-on experience with industrial robotics and vision-based measurement
• Opportunity to implement the solution on real-time hardware in a production environment
• Brief introduction to setting up a simulation environment using Webots

Interested? Contact us at borse@fh-aachen.de for more details!