Defekt-Klassifikator für eine Halbleiter-Fabrik in Sachsen
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst 80.000 gelabelte Inspektions-Bilder (9 Klassen, mit starker Unbalance — Top-3 ca. 75 % aller Bilder). Vergleiche eine ResNet-50-Baseline gegen einen modernen CNN (ConvNeXt) und ein ViT-Hybrid. Berichte Macro-F1, pro-Klasse-F1 und Confidence-Kalibrierung (Reliability-Diagramm). Implementiere Confidence-basiertes Routing: bei Confidence ≥ 95 % auto-sortieren, sonst zur menschlichen Prüfung. Liefere einen Bericht, der zeigt, welcher Anteil der 18.000 Tages-Bilder automatisch geroutet werden kann und wie viel Inspektoren-Zeit das spart.
Das Briefing
Was Du tust und was Du zeigst.
Wie baut man einen CNN, der mindestens 90 % der Top-3-Defektklassen mit Confidence ≥ 95 % automatisch routet, ohne seltene Klassen zu übersehen?
Earning criteria — what you'll demonstrate
- Moderne CNN-Architekturen gegen Transformer-Hybride benchen
- Klassenunbalance mit Sampling und Loss-Gewichtung adressieren
- Confidence-Kalibrierung (Temperature Scaling) sauber implementieren
- Auto-Routing-Schwellen mit Geschäftsmetriken (Inspektor:innen-Zeit) verbinden
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenComputer Vision Engineer
Industrielle Inline-Inspektion ist ein Standard-Anwendungsfeld für CV-Engineer:innen in Halbleiter-, Automotive- und Pharma-Fabriken; die Challenge produziert das passende Portfolio-Stück.
Dieses Projekt schärft
- cnn-architectures
- image-classification
- imbalanced-classification
Machine Learning Engineer
Confidence-Routing und Geschäftsmetriken-Anbindung sind genau die Disziplinen, die ML Engineers in produktiven Vision-Systemen täglich anwenden.
Dieses Projekt schärft
- pytorch
- confidence-calibration
- image-classification
MLOps Engineer
Reproduzierbare Trainings-Pipelines mit Tracking und Auto-Routing-Logik sind die Brücke ins MLOps; die Challenge übt sie an einem realen industriellen Setup.
Dieses Projekt schärft
- pytorch
- transfer-learning
- confidence-calibration
Noch eine Sache