Visuelle Defekterkennung

In Kooperation mit Coherent in Lübeck

Warum das spannend ist

• Du bringst einem Modell bei, Mikro‑Defekte in optischen/laserbezogenen Komponenten zu erkennen – teils über drei Größenordnungen (≈10³) hinweg.
• Du arbeitest nah an der Praxis (echte Daten, echtes Setup) .
• Du baust End‑to‑End: von Daten über Modell bis Deployment inkl. Explainability und Drift‑Alarm.

Kontext & Ziel

Heute wird Qualitätsprüfung bei Coherent in Lübeck noch manuell erledigt. Kommerzielle Tools gibt’s, aber ein erklärbarer In‑house‑Prototyp ermöglicht schnelleres Lernen, Kostenkontrolle und höhere Akzeptanz bei den Nutzer*innen. Ziel der Arbeit ist ein produktnaher Prototyp, der robust, nachvollziehbar und betreibbar ist.

Leitfragen

• Welche ML‑Ansätze eignen sich für mikroskopische Defekte mit stark variierenden Skalen?
• Wie nützlich sind Grad‑CAM / Integrated Gradients für Vertrauen und Triage im Alltag?
• Wie erkennen wir Daten‑/Label‑Drift (Beleuchtung, Mikroskop‑Settings) und triggern Retraining sinnvoll?
• On‑Prem vs. Managed (Azure): Kosten, Latenz, Monitoring – was passt für Produktion?

Datensatz

• Mikroskopie‑/Inspektionsbilder, binäre oder mehrklassige Defektlabels (ggf. Masken).
• Zielumfang: ≈ 5–20k Bilder (je nach Verfügbarkeit), ergänzt um synthetische Augmentationen.
• Vertraulich, intern. Proof‑of‑Concept ist bereits positiv.

Mögliche Aufgaben

1. Baselines bauen
2. Modelle trainieren & vergleichen
3. Training & Evaluation
4. Explainability
5. Drift‑Monitoring
6. MLOps & Serving
7. Deployment‑Pfad evaluieren

Ergebnisse

• End‑to‑End ML in echt: Daten → Modell → UI → Betrieb.
• Explainable AI und Drift‑Detection praxisnah.
• MLOps‑Grundlagen: Reproduzierbarkeit, Versionierung, Registries, CI/CD‑Denke.
• Entscheidungskompetenz On‑Prem vs. Cloud.