Förderung: teilweise im Rahmen des Projekts CICAD

Ziel des Maviseg-Systems ist die Lösung des Segmentierungsproblems für Multikanalbilder. Dazu zählen Farbbilder, Bilder von Multi- und Hyperspektralkameras sowie Bilder, auf die diverse Filter und Bildverarbeitungsalgorithmen angewendet wurden, so daß zusätzlich zum Originalbild weitere, verarbeitete Bilder existieren, die für die Segmentierung verwendet werden.

Das Maviseg--System deckt alle Schritte der Segmentierung ab:

• Bildvorverarbeitung, z.B. Rauschelimination
• Bildverarbeitung, z.B. Umwandlung in geeignete Farbräume, Anwendung von Filtern, Berechnung von Features
• Datenvorverarbeitung
• Klassifikation durch einfache (z.B. Anwendung von Schwellwerten) oder komplexere (z.B. Neuronale Netze, statistische Verfahren) Klassifikatoren

Stand der Kunst bei der Verbindung von Klassifikationslernen und Bildverarbeitung in der industriellen Bildverarbeitung ist im Moment, daß große Softwarepakete zur Bildverarbeitung wie z.B. Halcon oder OpenCV eine Anzahl von Lernalgorithmen und Klassifikatoren enthalten. Diese Algorithmen beschränken sich in der Regel auf einige besonders gebräuchliche Verfahren, die teilweise so eingebunden sind, daß eine komfortable Anwendung nur für bestimmte ausgewählte Probleme unterstützt wird und eine Parametrierung und Auswahl von Datenvorverarbeitungsverfahren nur eingeschränkt möglich ist. Auf der anderen Seite existieren Softwarepakete für Maschinelles Lernen und Klassifikation, die jedoch nur mit erheblichem Zusatzaufwand für Bildverarbeitungsprobleme nutzbar sind.

Mit dem Maviseg-System wurde nun ein System entwickelt, das die Verbindung zwischen beiden Seiten herstellen soll und folgende Eigenschaften aufweist:

• Das Maviseg-System wurde auf Basis einer PlugIn-Architektur realisiert, die über die Bereitstellung von  generischen Schnittstellen für die einzelnen Arbeitsschritte  eine einfache Einbindung  bereits vorhandener und selbst entwickelter Software erlaubt.
• Das System integriert gängige Bildverarbeitungssoftware (Halcon, OpenCV), Klassifikationssoftware (C4.5, Weka)  und Softwarepakete für das Klassifikationslernen (Weka) und die Datenvorverarbeitung (Weka, eigene Pakete).
• Das System ist leicht für jeden Arbeitsschritt durch weitere Algorithmen erweiterbar. Erweiterungen werden als dlls abgelegt und dynamisch eingebunden, so daß jeder Anwender sich eine eigene Systemkonfiguration aus eigenen und fremden Erweiterungen zusammenstellen kann.
• Die grafische Oberfläche erlaubt eine komfortable Markierung der Bilder, die Eingangsdaten für die Klassifikationsalgorithmen werden automatisch aus den markierten Bildern generiert.
• Problemstellungen, bestehend aus mehreren markierten Bildern, können erstellt, geändert, gespeichert und geladen werden.

• Segmentierungslösungen, bestehend aus Bildvorverarbeitungsalgorithmen,  ausgewählten Filtern und Kanälen, Klassifikationslernern und Klassifikatoren mit ihren Parametern können einfach durchgespielt, bewertet und abgespeichert werden.

• Segmentierungsergebnisse für eine Segmentierungslösung eines Problems können quantitativ und qualitativ bewertet werden.
• Für die Auswahl geeigneter Bildverarbeitungsfilter und Bildkanäle stehen Ranker zur Verfügung, die die zur Segmentierung geeignetsten Filter und Kanäle ermitteln.

Beispiel:

Im Beispiel wurde mit weißen Kunststoffteilen verunreinigter Reis untersucht. In den zwei Bildausschnitten ist erkennbar, daß sich die im zweiten Bild untersuchte Wellenlänge (ca. 410 nm) deutlich besser zur Segmentierung eignet als die aus dem ersten (ca. 760nm). Genau die dem unteren Bild entsprechenden Kanäle wurden vom System als die zur Segmentierung geeignetsten identifiziert. Die untenstehende Abbildung zeigt das Segmentierungsergebnis unter Verwendung der vom System identifizierten besten 10 Kanäle mit einem sehr einfachen und schnellen Entscheidungsbaumklassifikator.

Das Maviseg-System wird laufend weiterentwickelt.

Weiterhin wurden dann Methoden evaluiert, weiterentwickelt und implementiert, mit denen die Ergebnisse der bisherigen Rißerkennungsverfahren verbessert werden konnten.

Ziel: Aufbau eines nachhaltigen Kompetenzzentrums für Industrielle Bildverarbeitung

Um dieses Ziel zu realisieren, beinhaltete das Projekt unter anderem:

• Forschungs- und Entwicklungsarbeiten in den Gebieten Bilderfassung, 3D-Bildverarbeitung, Systemarchitektur / Eingebettete Bildverarbeitungssysteme, Klassifikation
• Erstellung von Modell- und Experimentiersystemen
• Durchführung von kooperativen Promotionen
• Durchführung von Industrieprojekten
• Aufbau von Kooperationsbeziehungen

Das Projekt wurde als Gemeinschaftsprojekt mit Prof. Dr. Detlef Jensen, Prof. Dr. Stephan Hussmann und Prof. Dr. Reiner Nawrath durchgeführt. Im Projekt wurden 4 Doktoranden, 4 Projektingenieure sowie MitarbeiterInnen für unterstützende Aufgaben und studentische Hilfskräfte beschäftigt.

Laufzeit: 01/2007-12/2008

Förderung: Land Schleswig-Holstein

Inhalt:

• Pilotprojekt für Promotionen an Fachhochschulen: Promotion von zwei Doktoranden im Bereich Bildverarbeitung an der FH Westküste in Kooperation mit der Universität Lübeck.
• Wurde überführt in Projekt CICAD und damit ausgebaut auf insgesamt 4 Doktoranden.

Modul:  Elemente der Informatik (C), Elemente der Informatik (P)

Kurzbeschreibung: Vermittlung grundlegender Informatik- und Programmierkenntnisse für Ingenieure. Für EI-Studierende liegt der Schwerpunkt auf C++, der primären Sprache für eingebettete Systeme. Für Studierende anderer Studiengänge steht die Verarbeitung und Analyse von Daten mit Python im Vordergrund. In beiden Veranstaltungen werden Grundlagen der Funktionsweise von Software und der Verarbeitung und Speicherung von Daten vermittelt.

Kurzbeschreibung:

• Vermittlung grundlegender Kenntnisse auf dem Gebiet der Algorithmen und Datenstrukturen: Komplexität, Such- und Sortieralgorithmen, Dynamische Datenstrukturen, Containerdatentypen.
• Methoden und Aspekte des Softwareengineering mit Schwerpunkt objektorientierte Entwicklung, Vorgehensmodelle und Qualitätsmanagement.
• Durchführung eines Softwareprojektes in Kleingruppen in einem agilen Entwicklungsprozess.

Kurzbeschreibung: Einführung in die Grundlagen der Speicherung, Analyse und Visualisierung von Daten. Relationale und NoSQL-Datenbanken, Ermittlung statistischer Kenngrößen, Grundlagen der Visualisierung.

Modul: 8549

Kurzbeschreibung: Auch Ingenieure und Ingenieurinnen, die ein Studium anderer Fachrichtungen als Informatik absolviert haben, stehen oft vor der Aufgabe, Software zu entwickeln, die höchsten Qualitäts- und Sicherheitsanforderungen genügen muß. Gerade in der Automatisierung, bei eingebetteten Systemen, in der Energie- und Kommunikationstechnik darf Software nicht versagen, da die Folgen zum Teil katastrophal sein können. Der Kurs soll Studierende für die Probleme zuverlässiger und sicherer Software sensibilisieren und Kenntnisse, Methoden und Werkzeuge für die Entwicklung guter und besserer Systeme vermitteln. Einen besonderen Schwerpunkt bilden dabei Standards und Best Practices in typischen Ingenieurbereichen wie dem Fahrzeugbau und dem Bereich der sicherheitskritischen Systeme.

Im Bereich der Professur Datenverarbeitung sind ständig Themen für Abschlußarbeiten verfügbar. Es gibt Themen, die in Zusammenarbeit mit und bei Partnerfirmen bearbeitet werden, sowie hochschulinterne Themen aus dem Bereich aktueller Forschung und Entwicklung. Es werden vorrangig Themen aus der Informatik, der Bildverarbeitung oder im Spezialbereich der intelligenten Systeme angeboten. Sie können aber auch gern eigene Themen vorschlagen.

Für Ihre Abschlußarbeit müssen Sie keine über den normalen Stoff Ihres Bachelor- oder Masterstudiums hinausgehenden Kenntnisse mitbringen. Ihren Starttermin bestimmen Sie selbst. Sie werden persönlich betreut und erhalten kontinuierlich Feedback. 

Wenn Sie Interesse an einer Abschlußarbeit im Gebiet Datenverarbeitung haben, kontaktieren Sie mich am besten einige Wochen vor dem von Ihnen gewünschten Starttermin.

Fuzzing Framework für das Deutsche Zentrum für Luft- und Raumfahrt

Bearbeitet von: Dennis Pfau

Abschluß im Jahr: 2017

Thema: 

Entwurf und Implementierung eines Fuzzing Frameworks für das verteilte Tasking Framework des Deutschen Zentrums für Luft- und Raumfahrt

In der Raumfahrt werden besonders hohe Qualitätsanforderungen an die Software an Bord der Raumfahrzeuge gestellt. Softwarefehler können zu sehr hohen finanziellen Verlusten, bis hin zum Verlust des gesamten Raumfahrzeugs führen. Durch die große räumliche Entfernung zwischen Geräten und Heimatbasis ist eine Korrektur von fehlerhaftem Verhalten sehr schwierig oder unmöglich. Fuzzing ist eine Möglichkeit, Software zu testen. In der Arbeit wurde ein an die Architektur der Software des DLR angepaßtes Fuzzing Framework entwickelt.

Abbildung: Foto und resultierendes Porträt

Eine Beta-Version der App kann freiwilligen Feuerwehren auf Anfrage zur Verfügung gestellt werden.

Als Beispiel wurde in der Arbeit eine Demo-Applikation zur Bedienung einer Maschine zum Bedrucken von T-Shirts erstellt, die als Messeprototyp verwendet wurde. Klicken Sie auf die Abbildung für das Demovideo !

In der Bachelorarbeit wurde untersucht, inwieweit sich die TOF-Technologie zur Vermessung von Pferden eignet. Dabei wurden die Genauigkeit und das Verhalten bei unterschiedlichen Fellfarben bestimmt.

Daher wird in verschiedenen Anwendungen das gesamte Spektrum untersucht, um herauszufinden, bei welcher Lichtfarbe oder unter Verwendung welcher Filter ein Objekt am besten von anderen Objekten unterscheidbar ist.

In der Arbeit wurde eine Datenbank für Spektren erstellt und eine Retrieval-Funktion mittels eines speziellen Ähnlichkeitsmaßes implementiert.