Daniel Schoepflin, M.Sc.

 

Kontakt

Gebäude L

Raum L2053

Telefon 040 42878-3012

Fax 040 42731-4551

E-Mail Daniel Schoepflin, M.Sc.


Werdegang

Seit April 2019Wissenschaftlicher Mitarbeiter am Institut für Flugzeug-Produktionstechnik
2016 - 2019Masterstudium "Mechatronics" an der TUHH
2018Auslandssemester National Taiwan University of Science and Technology
2016Praktikum SKF Marine GmbH
2013 - 2016Bachelorstudium "Maschinenbau" an der TUHH


Forschung

Synthetische Generierung von KI-Trainingsdaten für industrielle Prozesse (ILIdenT)

Zur umfassenden Digitalisierung von Produktionsprozessen sollen zunehmend visuelle Objektidentifizierungen eingesetzt werden. Dem aktuellen Trend entsprechend werden hierzu Neuronale Netzwerke als grundlegende Architektur für KI-Objektidentifizierungen verwende. Solche Neuronalen Netzwerke müssen mit zielgerichteten Daten trainiert werden, um die vielfältigen und spezifischen Prozessvarianten der Industrie abzubilden. Diese hohen Datenmengen sind meist in Unternehmen nicht vorhanden und ein manuelles Generierung gelabelter Daten unwirtschaftlich. Daher entwickelt das IFPT Methoden zur Generierung von KI-Trainingsdaten für industrielle Prozesse. Im Rahmen der Projekte DEPOT und ILIdenT wird eine Toolbox zur Erzeugung Synthetischer Trainingsdaten entwickelt, mit der individuelle Datensätze für visuelle Applikationen in der Intralogistik erzeugt werden können.

smarte Ladungsträgereinheit zur Produktionsautomatisierung (DEPOT)

Im Rahmen des Projektes „Digitale Entwicklung, Produktion, Logistik und Transport“ (DEPOT) verfolgt das Forschungskonsortium eine ganzheitliche Digitalisierung der Entwicklungs-, Produktions- und Logistik-Prozesse in der Luftfahrtindustrie. Dies soll zur Gewährleistung einer Transparenz, Planbarkeit und Qualität der Prozessabläufe an der Schnittstelle zwischen Logistik und Produktion führen. Das IFPT entwickelt hierzu einen modularen und intelligenten Ladungsträger (eine smart MDU)



Lehre

WiSe 19/20 Teamprojekt Maschinenbau

SoSe 20 MSR Labor

WiSe 20/21 Robotics

Studierende mit Interesse an folgenden Themen können sich gerne zwecks einer Abschlussarbeit mit einer aktuellen Notenübersicht an mich wenden:

  •   Entwicklung, Erprobung, Implementierung von KI Applikationen in IoT Hardware
    -         Auswahl und Training geeigneter Architekturen
    -         Deployment auf Edge-Hardware
  • Robotische Griff in die Box Probleme
  • Synthetische Trainingsdaten für KI Applikationen in der Intralogistik

 


Veröffentlichungen

D. Schoepflin, M. Brand, M. Gomse, T. Schüppstuhl: Towards Visual Referencing for Location Based Services in Industrial Settings; Proceedings of the 52nd International Symposium on Robotics, 2020 VDE

M. Stender, M. Tiedemann, D. Spieler, D. Schoepflin, N. Hofmann, S. Oberst: Deep learning for brake squeal: vibration detection, characterization and prediction; Mechanical Systems and Signal Processing, 2021 (Link)

D. Schoepflin, A. Wendt, T. Schüppstuhl: Daten zur richtigen Zeit am richtigen Ort, Industrial Production. 2020. Jg, 1, Nr. 12, S. 46-47 (Link)

J. Gierecker, D. Schoepflin, M. Gomse, T. Schüppstuhl: Configuration and Enablement of Vision Sensor Solutions through a Combined Simulation Based Process Chain; Annals of Scientific Society for Assembly, Handling and Industrial Robotics 2021, Springer

D. Schoepflin, K. Iyer, M. Gomse, T. Schüppstuhl: Towards Synthetic AI Training Data for Object Identifiers in Intralogistic Settings; Annals of Scientific Society for Assembly, Handling and Industrial Robotics 2021, Springer

[accepted] D. Schoepflin. J. Koch, M. Gomse, T. Schüppstuhl: Smart Material Delivery Unit for the Production Supplying Logistics of Aircrafts; Procedia Manufacturing, 2021, Elsevier

[accepted] D. Schoepflin. D. Holst, M. Gomse, T. Schüppstuhl: Synthetic Training Data Generation for Visual Object Identification on Load Carriers; Procedia CIRP, 2021, Elsevier


Vorträge

M. Gomse, D. Schoepflin: Automatisierte Bilddatengenerierung als Trainingsdatensatz für eine KI-Objektidentifikation in der Intralogistik; 29. Hamburger Logistik-Kolloquium, 2020, Hamburg

D. Schoepflin: Massive Bilddatengenerierung als Trainingsdatensatz für eine KI-Objektidentifizierung in der Intralogistik; Machine Learning in Engineering, Train your Engineering Network, 2020, Hamburg (Video)

D. Schoepflin: Towards Visual Referencing for Location Based Services in Industrial Settings; 52nd International Symposium on Robotics, 2020, Munich

D. Schoepflin: Towards Synthetic AI Training Data for Object Identifiers in Intralogistic Settings; 5. Fachkolloquium der Wissenschaftlichen Gesellschaft für Montage, Handhabung und Industrierobotik; 2021 Hannover