2026, Studienprojekt, Raja Sekander Mehmood
 

Betreuung durch M.Sc. Arnaud Ngamakoua Hakoua

Die manuelle Erstellung von Trainingsdaten für die Objekterkennung ist zeitaufwändig, da physische Bauteile je einzeln fotografiert und manuell annotiert werden müssen. Das vorliegende Studienprojekt stellt einen automatisierten Workflow vor, der CAD-Modelle nutzt, um synthetische Trainingsdaten zu generieren, um damit ein Objekterkennungsmodell zu trainieren. Als Anwendungsbeispiel dienen acht Komponente eines Schraubstocks, die als 3Dgedruckte Bauteile erkannt werden sollen. Ein in VB.NET geschriebenes Skript, das über die NX Open API direkt in Siemens NX ausgeführt wird, rotiert jedes CAD-Modell wie vorgegeben über definierte Azimut- und Elevationswinkel und erzeugt in Kombination mit sieben Farbvarianten insgesamt 4.032 synthetische Trainingsbilder. Im Anschluss übernehmen weitere Skripte in Python geschrieben, die automatische Annotation, die Aufteilung in Trainings- und Validierungsdatensatz sowie das Training eines YOLO11m-Modells. Um den Domain Gap zwischen CAD-Bildern und realen Fotografien zu überbrücken, wird eine DomainRandomization-Strategie eingesetzt, bei der während des Trainings zufällige Hintergrundbilder und zusätzliche Bildvariationen angewendet werden. Diese Verarbeitung erfolgt direkt auf der Grafikkarte, um die Trainingsdauer nicht zu verlängern. Auf dem synthetischen Validierungsdatensatz erreicht das Modell eine mAP50 von 0,994. Bei der Anwendung YOLO11m-Modells auf reale Fotografien der 3D-gedruckten Bauteile zeigt sich erwartungsgemäß ein Leistungsabfall, wobei alle Bauteile korrekt erkannt werden, wenn auch viele mit einem niedrigen Konfidenzwert. Der zentrale Beitrag dieses Studienprojektes liegt in der Automatisierung des gesamten Workflows, der bei der Einführung neuer Bauteile ohne manuellen Aufwand erneut ausgeführt werden kann.