Examensarbete: Computer vision ML for hierarchical classification

Övergripande beskrivning Examensarbetet genomförs i samarbete med ett hållbarhetsföretag med målet att använda maskininlärning för att förbättra statistiken över produkter som anländer till en återvinningsanläggning. Företaget har tillgång till en produktdatabas med individuella SKU:er (Stock Keeping Units), ett mindre manuellt annoterat dataset från produkter som identifierats på transportbandet samt en omfattande samling oannoterade bilder som kontinuerligt samlas in av ett kamerasystem. Kombinationen av dessa datakällor skapar förutsättningar för att utveckla automatiserade metoder för produktidentifiering baserade på datorseende och djupinlärning. En central utmaning är det stora antalet produkter som kan förekomma i avfallsflödet, där många SKU:er dessutom uppvisar små visuella skillnader. För att möjliggöra detaljerad och skalbar statistikinsamling undersöker arbetet hur moderna bildklassificeringsmodeller kan användas för att identifiera produkter på olika detaljnivåer, från produktkategori till enskild SKU. Projektbeskrivning Målet med examensarbetet är att utveckla en pipeline som automatiskt kan generera statistik över de produkter som anländer till en återvinningsanläggning. För detta finns idag tre datakällor tillgängliga. Den första består av en produktkatalog med individuella SKU:er. Den andra är en annoterad datamängd som har samlats in genom manuell provtagning, där produkter från transportbandet har identifierats och märkts över tid. Den tredje datakällan utgörs av ett kamerasystem som kontinuerligt fotograferar inkommande produkter på transportbandet, vilket har resulterat i en omfattande mängd oannoterade bilder från verklig drift. Uppgiften är att utveckla och utvärdera datorseendemodeller som automatiskt kan klassificera produkter utifrån bilder. En central utmaning är det stora antalet SKU-klasser samt den höga visuella likheten mellan många produkter. I takt med att antalet klasser ökar blir klassificeringsuppgiften allt mer komplex, vilket gör skalbarhet till en viktig forskningsfråga. Examensarbetet kommer att undersöka följande frågeställningar: Hur påverkas klassificeringsnoggrannheten när antalet produktklasser ökar? Kan en hierarkisk klassificeringsmodell, där produkttyp identifieras först och därefter varumärke, förbättra prestandan vid identifiering på SKU-nivå? Hur skiljer sig olika datorseendemodeller och hyperparameterkonfigurationer åt vad gäller klassificeringsprestanda och robusthet? Vem söker vi? Vi söker en masterstudent inom datavetenskap, datateknik, teknisk fysik, data science, maskininlärning, artificiell intelligens eller närliggande område. Erfarenhet inom computer vision, AI och maskininlärning Planerad examen under 2027 Förväntas kunna arbeta självständigt och ha god analytisk och problemlösande förmåga Flytande i svenska och engelska Meriterande: Pytorch, Finetuning and cloud experience Syfte Syftet med examensarbetet är att undersöka hur datorseende kan användas för att automatisera produktidentifiering i återvinningsanläggningar och därigenom möjliggöra mer detaljerad och skalbar statistik över inkommande avfallsflöden. Studien fokuserar särskilt på utmaningen att klassificera ett stort antal SKU:er där många produkter uppvisar betydande visuell likhet. Arbetet syftar till att analysera hur klassificeringsprestanda påverkas av ett ökande antal klasser samt att utvärdera om hierarkisk klassificering kan utgöra ett effektivt alternativ till traditionella klassificeringsmetoder. Genom att jämföra olika datorseendemodeller, arkitekturer och hyperparameterinställningar avser studien att identifiera metoder som kan förbättra både noggrannhet och skalbarhet vid produktigenkänning. Resultaten förväntas bidra med kunskap om storskalig visuell klassificering samtidigt som de kan skapa praktiskt värde genom att stödja automatiserad datainsamling och analys inom återvinningssektorn. En spännande resa med Knightec Group Knightec Group är idag en av Norra Europas ledande strategiska partners inom produkt- och digital tjänsteutveckling – hur häftigt är inte det? Genom att förena ingenjörskompetens, digital expertis och affärsförståelse hjälper vi våra kunder att omvandla ny teknik till verkliga lösningar som skapar värde. Vi arbetar i skärningspunkten mellan affärsstrategi och teknikutveckling och stöttar våra kunder genom hela resan – från de första idéerna till utveckling, implementering och vidare utveckling. På Knightec Group samlas människor med olika perspektiv, erfarenheter och specialistområden. Tillsammans skapar vi innovation som gör verklig skillnad – för företag, människor och samhället i stort. För våra medarbetare innebär det stora möjligheter att vara med och forma framtidens lösningar genom meningsfulla projekt i teknikens absoluta framkant. Här får du inte bara utvecklas och växa i din roll – du blir också en del av ett team där nyfikenhet, samarbete och modet att utmana driver oss framåt. Praktisk information Detta är en masteruppsats-tjänst med placering på vårt kontor i Stockholm eller Uppsala. Startdatum i januari, exakta datum släpps närmre inpå. Det färdiga examensarbetet kan publiceras och användas både i din personliga portfölj och i företagets marknadsföring. Vänligen bifoga CV och personligt brev i din ansökan. Skicka gärna in din ansökan så snart som möjligt, dock senast 2026-10-29. Om du har några frågor är du välkommen att kontakta Marla Touma på marla.touma@knightec.se . Observera att vi, på grund av GDPR, endast tar emot ansökningar via vår karriärsida.