Andrey Yershov

Leite kundenbezogene Projekte für optische Inspektion, Wafer-Metrologie und Cleanroom-Automation von Anforderungen und Machbarkeit bis Architektur, Python/FastAPI-Software, QA, Inbetriebnahme und Deployment. Beispiele: Weißlichtinterferometrie mit 70 nm Genauigkeit, Echtzeit-Autofokus für 100x-Wafermikroskopie (Refokus >100 ms auf 7 ms) und FastAPI-Robotersteuerung für 5 Cleanroom-Arbeitszellen in einem Programm über 7 Mio. EUR.

Entwicklung und Validierung optischer Inspektionsprototypen für Linsen- und Medizintechnik-Anwendungen: optische Aufbauten, Kamera-/Beleuchtungsauswahl, Kalibrierung, Triggering, Software-Akquise, mechanische Vorrichtungen und Tests. Inline-Kamera-Inspektion für Medizintechnik von 80 s auf 3 s reduziert; FF-OCT-Gerät für Linsenschäden; Universal-Robots-Paket mit RTDE, TCP/IP, I/O, Status und Sicherheitsdiagnostik.

Aufbau von Computational-Imaging- und ML-Workflows für Photonik und Bioimaging: Event-Kamera-Mikroskopie, Single-Molecule Localization Microscopy, transformerbasierte Segmentierung, Transfer Learning, Python-Multiprocessing und Datenaugmentation. SegFormer- und ViTAE/UPerNet-Modelle für subzelluläre Strukturen mit 95%+ Präzision; Event-Kamera-SMLM verbesserte die berechnete Auflösung von 65 nm auf 27 nm.

Entwickelte Echtzeit-Computer-Vision- und physiologische Signalpipelines für einen kontaktlosen Medizintechnik-Prototyp auf Jetson/Linux. Face-Detection- und Hautextraktionspipeline ermöglichten klinische Tests mit 100+ Patient:innen; Erkennungsgenauigkeit von 63% auf 92% verbessert. rPPG- und kontaktlose Herzfrequenzschätzung mit MediaPipe-Landmarks, multispektraler Signalverarbeitung, Denoising und gleitender Spektralanalyse.

Studentische Forschung in Robotik, Computer Vision und Machine Learning während des Studiums Robotics and Mechatronics. Implementierte ein Deep-Learning-Modell für Action Recognition mit 97%+ Genauigkeit auf einem 7-Klassen-Datensatz; evaluierte Temporal Segment Networks und SlowFast Networks mit Optical Flow, Confusion-Matrix-Analyse, Ablationsstudien und Hyperparameter-Grid-Search. Entwickelte ROS2-Lernsetup mit schlangenartigem Roboter für 150+ Studierende.

Masterstudium Photonics am Abbe Center of Photonics. Note 1,3; Top 3%; DAAD-Stipendium. Schwerpunkte: photonische Systeme, Computational Imaging, optische Mikroskopie, Biophotonik, Event-based Vision und wissenschaftliche Datenverarbeitung mit Python. Masterarbeit: sub-diffraction-limit imaging mit neuromorphem Event-Sensing; Aufbau und Programmierung eines Event-Kamera-Superresolution-Mikroskops.

Bachelorstudium Mechatronik, Robotik und Automatisierungstechnik. Note 3,6/4,0; Top 5%; Vollstipendium und Präsidentenstipendium. Aktivitäten: Undergraduate Robotics Research, Shell ECO Marathon Co-Manager/Development Lead, ROS2-Lernsetup für 150+ Studierende. Thesis: datengetriebene Transferfunktion für DC-Motor in einem Roboter mit Arduino/STM32, MATLAB/Simulink, Systemidentifikation und Echtzeit-Regelung.