FH Bielefeld
University of
Applied Sciences

Entwicklung eines Human-Maschine-Code zur Verbesserung der Mensch Maschine Interaktion

Human-Maschine-Code-gr


Projektübersicht

Anzahl Studierende 1-2
Art Projekt mit externen Partnern
Projektverantwortung Prof. Dr. Thomas Süße
Projektkontext Projekt in Zusammenarbeit mit dem Unternehmen AiZUBI aus Paderborn

 

Kurzbeschreibung

Eine wünschenswerte Vision von Industrie 4.0 ist die nahtlose Zusammenarbeit zwischen Mensch und Maschine. Eine solche Zukunft erfordert die Gestaltung von Arbeitsabläufen in einer Art und Weise, die Mensch und Maschine eine möglichst effiziente, leichte und fehlerfreie Zusammenarbeit ermöglicht.

Markierungen spielen für Arbeitsabläufe eine zentrale Rolle, denn sie enthalten für Arbeitsschritte relevante Informationen. Traditionell wurden alpha-numerische Markierungen für die ausschließliche Verwendung durch Menschen entwickelt, wie z.B. Mercedes Benz E 400 d. Mit zunehmender Industrialisierung und Automation wurden binäre Markierungen wie der Barcode oder der QR-Code für Maschinen entwickelt. Heute werden in der Praxis beide Ansätze parallel eingesetzt, da binäre Markierungen für Menschen und alpha-numerische Markierungen für Maschinen nicht einfach lesbar sind.

Die parallele Verwendung von alpha-numerischen und binären Markierungen bringt mehrere Nachteile mit sich. Beispiele:

  • Die binäre und alphanumerische Information auf einem Behälter kann sich widersprechen ohne dass Mensch oder Maschine dieses merken können bevor ggf. Schaden entsteht.
  • Zwei Markierungen erfordern eine größere Oberfläche.
  • Menschen können binäre Markierungen nicht ohne Hilfsmittel erstellen oder lesen, hierfür wird Hard- und Software benötigt.
  • Arbeitsprozesse werden durch das Einscannen binärer Codes unterbrochen und dauern länger.

Diese Nachteile wirken sich auch hindernd auf die Zusammenarbeit von Mensch und Maschine aus.

Ziel dieses Forschungsprojekts ist die Entwicklung einer standardisierten Markierung, die von Menschen und Maschinen einfach und verlässlich erstellt und gelesen werden kann. Diese Markierung wird unter der Bezeichnung HM-Code (Human-Maschine-Code) entwickelt. Die technologischen Fortschritte im Bereich Computer Vision erleichtern Maschinen zunehmend das zuverlässige Lesen von alpha-numerischen Markierung. Der HM-Code soll auf dem Einsatz von tiefen neuronalen Netzen basieren und weltweit Open Source auf Edge- und in der Cloud verfügbar sein.

Der aus diesem Forschungsprojekt resultierende HM-Code ist eine vielfältig einsetzbare und standardisierte Markierung, die Kommunikationsbarrieren zwischen Mensch und Maschine in der hochautomatisierten Arbeitswelt reduziert.

Aufgabenstellung

Bei der Entwicklung des HM-Codes müssen mehrere technische Herausforderungen gelöst werden. Beispiele:

  1. Zuverlässigkeit: HM-Codes müssen auf Bildern unterschiedlichster Umgebungen zuverlässig identifiziert und lokalisiert werden. Alle Informationen in HM-Codes müssen zuverlässig ausgelesen werden können.
  2. Relevanz: HM-Codes müssen von irrelevanten alpha-numerischen Markierungen/Informationen auf Bildern differenziert werden.
  3. Skalierbarkeit: Um höhere Informationsdichten zu erreichen, muss der HM-Code skalierbar sein.

Die Studierenden identifizieren und erproben Lösungsansätze für die zentralen Herausforderungen. Im Projekt soll ein Cloud-basierter Prototyp eines Cloud-basierten Computer Vision Systems entwickelt werden, der HM-Codes aus Bildern realer Arbeitsabläufe ausliest und für automatisierte Vorgänge bereitstellt. Je nach Vorkenntnissen und Interesse der Studierenden können sich die Tätigkeiten frei zwischen Data Science und Data Engineering bewegen.

 

Bezug zum Thema Data Science  
Markierungen bilden ein elementares Fundament von Data Science, da sie relevante Daten für Arbeitsschritte bereitstellen und die Arbeit mit Daten in der realen Welt überhaupt erst ermöglichen. Die Erweiterung des Markierungs-Werkzeugkastens mit Hilfe von neuen Technologien, wie dem Deep Learning, positioniert sich damit hinsichtlich Zielsetzung und eingesetzter Methodik im Herzen von Data Science. Ebenso zählen der Aufbau des Prototypen, der die Markierungen per Bilderkennung (Computer Vision) erfasst und interpretiert sowie der Aufbau des Cloudbasierten Workflows zu klassischen Themen der Data Science.

 

Verfügbare Ressourcen

Das Partnerunternehmen AiZUBI stellt für die gesamte Projektlaufzeit folgende Ressourcen bereit:

  • Expertise in der Entwicklung von KI-Anwendungen
  • Persönlicher Ansprechpartner
  • Zugang zu Hard- und Software
  • Zugang zu den für das Projekt erforderlichen Daten

Nach Abschluss des Projekts werden die in dem Projekt erzeugten Daten weiterhin für Forschungszwecke zugänglich gemacht.

 

Projektplan
Erstes Semester:
 Formulierung eines Forschungsexposees, Identifikation und Bewertung verschiedener Gestaltungsoptionen des HM-Codes, Identifikation und Bewertung verschiedener Computer Vision Algorithmen für das Auslesen der HM-Codes

Zweites Semester: Erste Erprobung von plausiblen Ansätze für die Gestaltung und des Auslesens der HM-Codes im Labor

Drittes Semester: Bau eines Cloud-basierten Prototypen für das automatisierte Auslesen von HM- Codes

Viertes Semester: Anwendung des Prototypen an einem realen Anwendungsfall (inkl. Masterarbeit)

 

Eignungskriterien

  • Projektmanagement
  • Erste Erfahrungen im Programmieren
  • Englisch in Wort und Schrift


Erwerbbare Kompetenzen

  • Vertiefte Kenntnisse im Bereich des maschinellen Lernens mit dem Schwerpunkt Computer Vision
  • Fundierte Praxiserfahrung im Bereich der Planung und Umsetzung von KI-Projekten
  • Datenerhebung mit Kameras
  • Aufbau von Prozessen zur automatisierten Verarbeitung von Bilddaten
  • Rapid Prototyping, Lean Startup Methode