Studien- und Abschlussarbeiten

Motivation & Ziel der Arbeit

Bei der hochgenauen, endoskopischen Rekonstruktion komplexer Geometrien ist eine
Kombination verschiedener Einzelmessungen (Stitching) unerlässlich. Die robuste und
genaue Ausrichtung (Registrierung) aller Messungen zueinander stellt hierbei ein
anspruchsvolles technisches Problem dar. Im Rahmen einer Masterarbeit soll durch
Feature-Matching homologer Bildpunkte in benachbarten, überlappenden Bildpaaren eine
Registrierung der korrespondierenden Punktwolken erfolgen. In einer vorangegangenen
studentischen Arbeit wurde hierfür ein Versuchsaufbau entwickelt, welcher nun um die
Projektion externer Features durch Laserspeckle ergänzt werden soll. Um Drifteffekte
durch serielle Registrierung zu kompensieren soll anschließend die Gesamtheit aller
Starrkörpertransformationen durch eine Pose-Graph-Optimierung verbessert werden.

Motivation & Ziel der Arbeit

Eine wesentliche technologische Grenze bei dem Einsatz von faseroptischen 3D Endoskopen
ist durch den Tiefenschärfebereich gegeben. Insbesondere die eingesetzten Mikrooptiken in
Verbindung mit kurzen Arbeitsabständen und schmalen Aperturen schränken den
rekonstruierbaren Messbereich stark ein. Am IMR wird daher auch an dem endoskopischen
Einsatz fluidoptischer, verstimmbarer Optiken geforscht. Im Rahmen einer Masterarbeit soll
daher auf bestehenden optischen Designs, Platinen, Schaltungen, etc. aufbauend ein
angepasster Sensor entstehen und evaluiert werden. Hierfür gilt es insbesondere den
Kalibriervorgang anzupassen und für jede Fokusstellung ein Kameraparameterset zu
interpolieren und einem gemeinsamen Koordinatensystem zuzuweisen. Anschließend soll
dieser neuartige, fokusadaptive Triangulationssensor an geeigneten Experimenten evaluiert
werden.

Motivation & Ziel der Arbeit

Ziel dieser Arbeit ist die Weiterentwicklung der Machine Learning basierten Bildregistrierung.
Dafür soll die bestehende Implementierung z. B. durch eine Fully Convolutional Umsetzung
erweitert und verbessert werden. Es sollen zusätzliche Netzarchitekturen wie Pyramid
Networks oder Spatial Transformer Networks implementiert und untersucht werden.
Der Hintergrund ist, dass, wie bei einem Panorama-Foto, mehrere Mikroskop-Aufnahmen zu
einem Gesamtbild zusammengesetzt werden um eine größere Fläche auswerten und
charakterisieren zu können. Hierbei ist ein möglichst kleiner Fehler beim Zusammensetzen
essenziell.
In dieser Arbeit sind also Aspekte von Bildverarbeitung, Oberflächenmesstechnik und
Machine Learning wichtig. Grundkenntnisse auf diesen Gebieten und dem Programmieren
(mit Python) allgemein sind empfehlenswert.

Im Bereich der Fertigungsmess- und Regelungstechnik werden aktuell keine studentische Arbeiten angeboten.

Im Bereich der Fertigungsmess- und Regelungstechnik werden aktuell keine studentische Arbeiten angeboten.