BA/SA/MA: KI-basierte Fehlererkennung in Technischen Zeichnungen mit Vision-Language-Modellen

Kurzbeschreibung

Beschreibung Ausgangssituation: Die automatisierte Erkennung von Fehlern in technischen Zeichnungen erfordert nicht nur eine zuverlässige Klassifikation, sondern zunehmend auch eine nachvollziehbare Begründung der getroffenen Entscheidung. Vision-Language-Modelle (VLMs) bieten hierfür durch ihre Fähigkeit zum Chain-of-Thought-Reasoning (CoT) einen vielversprechenden Ansatz, da sie Bildinhalte nicht nur klassifizieren, sondern den Erkennungsprozess auch schrittweise sprachlich begründen können. Zur Untersuchung dieses Ansatzes wurden bereits zwei unterschiedliche Arten von Chain-of-Thought-Daten zur Fehlererkennung in technischen Zeichnungen erhoben. Bislang ist jedoch unklar, wie gut sich diese Datensätze für das Training eines Vision-Language-Modells eignen, welchen Einfluss die jeweilige Datenart auf die erzielte Performance hat und wie hoch der Aufwand für ihre Erhebung im Verhältnis zum erzielten Nutzen ist. Zielsetzung: Ziel der Studienarbeit ist die Auswahl eines geeigneten Vision-Language-Modells sowie dessen Training mit den beiden erhobenen Chain-of-Thought-Datensätzen zur Fehlererkennung in technischen Zeichnungen. Dabei sollen insbesondere folgende Teilziele erreicht werden: • Auswahl eines geeigneten Vision-Language-Modells sowie, falls erforderlich, Vorbereitung und Aufbereitung der beiden erhobenen Datensätze für das Training. • Training des Modells mit beiden Datenarten sowie ein systematischer Vergleich der Ergebnisse. • Durchführung einer Performance-Aufwand-Analyse, die aufzeigt, welche Datenart welchen Performancegewinn liefert und welcher Erhebungsaufwand jeweils damit verbunden ist. • Ableitung einer Empfehlung, welche Art von Chain-of-Thought-Daten sich unter Abwägung von Nutzen und Aufwand für den weiteren Einsatz am besten eignet Voraussetzungen • Erfahrung mit KI-Methoden (Machine Learning / Computer Vision) • Programmierkenntnisse in Python • Selbstständige und strukturierte Arbeitsweise