Wissenschaftliche/r Mitarbeiter/in

**Wissenschaftliche/r Mitarbeiter/in (m/w/d) im Bereich Künstliche Intelligenz zur automatisierten Sichtprüfung von variantenreichen Baugruppen in der E-Antriebsproduktion**

**Aufgabengebiet**:
Die Sichtprüfung (auch: Sichtkontrolle, optische Inspektion) ist ein wichtiger Bestandteil einer jeden Produktion, um Halbzeuge, Bauteile sowie montierte Baugruppen auf Fehler hin zu prüfen. Auch bei der Produktion von elektrischen Antriebskomponenten wie Elektromotoren, Umrichtern oder Getrieben spielen Sichtprüfprozesse eine wesentliche Rolle. Je nach Prüftiefe finden sie bei Wareneingang, bei der Fertigstellung einzelner Bauteile oder am Ende einer Montagelinie statt. Während klassische Bildverarbeitungsverfahren bei komplexen Fehlerbildern schnell an ihre Grenzen stoßen, bergen Methoden der Künstlichen Intelligenz (KI) das Potential, auch schwierige, bislang manuell durchgeführte Sichtprüfungsaufgaben zu automatisieren.

Da gängige Deep-Learning-(DL)-Verfahren eine große Menge an Trainingsdaten erfordern, sind sie bei Prüfobjekten mit hoher Varianz und kleinen Losgrößen bislang kaum anwendbar. Ferner sind bestehende DL-Werkzeuge auf die Auswertung einzelner Bilder beschränkt, obgleich der Mensch mehrere Bildperspektiven einbezieht, um auch komplexe Fehler an räumlichen Baugruppen mit metallisch reflektierenden Oberflächen sicher zu erkennen. Ein weiterer Grund für die teils zögerliche Adaption von DL-Verfahren liegt in deren Black-Box-Charakter sowie der bislang fehlenden Möglichkeit, vorhandenes Wissen in Form von Fakten und Regeln einzubeziehen.

Demnach ist es das Ziel der vorliegenden Forschungstätigkeit, den genannten Herausforderungen durch die Entwicklung einer hybriden, dateneffizienten KI-Lösung zu begegnen, welche innovative, datenbasierte Ansätze wie Multi-View/Multi-Task, Few-Shot und Active Learning mit klassischen Bildverarbeitungsverfahren vereint, um künftig auch variantenreiche Bauteile und Baugruppen von E-Antrieben automatisch zu inspizieren. Die Bearbeitung des Forschungsvorhabens erfolgt in Zusammenarbeit mit einem Bildverarbeitungsspezialisten und einem Produzenten von E-Antrieben im Rahmen eines mehrjährigen, öffentlich geförderten Forschungsprojekts.

**Die inhaltlichen Schwerpunkte bilden**:

- Aufarbeitung des Stands der Technik und Forschung im Bereich der KI-gestützten Sichtprüfung, insb. von räumlichen, nicht flachen Baugruppen
- Ist-Analyse eines exemplarischen, bislang manuellen Sichtprüfungsprozesses aus der E-Antriebsproduktion und Spezifikation von Anforderungen in Zusammenarbeit mit den Unternehmenspartnern
- Untersuchung von aktuellen KI-Methoden im Hinblick auf deren Eignung für die vorliegende Sichtprüfungsaufgabe (z.B. Multi-View Learning, Multi-Task Learning, Few-Shot Learning, Active Learning, synthetische Datengenerierung, Explainable AI, Hybrid AI)
- Ableitung und programmiertechnische Umsetzung eines ausgewählten Lösungskonzepts unter Anwendung von Python, einschlägigen Open-Source-Programmbibliotheken (z.B. PyTorch, TensorFlow, OpenCV, scikit-learn) sowie einer geeigneten Versionsverwaltung (z.B. GitHub, GitLab)
- Iterative Weiterentwicklung und Optimierung der zugrundeliegenden KI-Modelle im Sinne einer agilen Softwareentwicklung
- Erprobung des Lösungskonzepts im lehrstuhleigenen Laborumfeld sowie beim Unternehmenspartner
- Erarbeitung eines passenden ModelOps-Ansatzes für den perspektivischen Einsatz im Serienbetrieb

**Die Aufgaben sind eingebettet in**:

- Enge Forschungskooperation mit Industrieunternehmen für hohen Praxisbezug und gegenseitigen Wissenstransfer
- Austausch mit der wissenschaftlichen Community im Bereich der angewandten KI durch reges Publizieren (z.B. Konferenzen, Journals)
- Engagement in der Lehre (z.B. Machine Learning for Engineers I+II, Project Seminar on Applied AI) und dem Forschungstransfer (z.B. Messen, Seminare)
- Unterstützung bei der Beantragung von weiteren, zukunftsträchtigen KI-Projekten zu aktuellen Problemstellungen in der industriellen Produktion

**Notwendige Qualifikation**:

- Ingenieur/in (Uni/TU/FH/TH, Master/Diplom) der Fachrichtung Informatik, Elektrotechnik, Mechatronik, Maschinenbau, Medizintechnik, Wirtschaftsingenieurwesen oder vergleichbar
- Sicherer Umgang mit mindestens einer objektorientierten Programmiersprache, vorzugsweise Python
- Erste Erfahrungen im Einsatz von Methoden der Künstlichen Intelligenz, insb. Machine Learning und Deep Learning
- Grundlagenkenntnisse im Bereich der Bildverarbeitung

**Wünschenswerte Qualifikation**:
Hohe Kommunikationsfähigkeit, ein ausgeprägtes Projektdenken sowie ein hohes Maß an Selbstständigkeit zur eigenverantwortlichen Projektbearbeitung

**Über uns**:
Der Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) der Friedrich-Alexander-Universität Erlangen-Nürnberg ist eine anerkannte Lehr
- und Forschungseinrichtung für Automatisierungstechnik und mechatronische Systeme. Der Lehrstuhl forscht schwerpunkt