Thesis: Bildbasierte Objekt Segmentierung auf Embedded Kamerasystemen*
Thesis: Bildbasierte Objekt Segmentierung auf Embedded Kamerasystemen*
Waldkirch (bei Freiburg), DE, 79183
Waldkirch (bei Freiburg), DE, 79183
Sommersemester 2025 - befristet auf 3-6 Monate
In der Logistik spielt die präzise Zuordnung von erkannten Merkmalen in einem Bild (z.B. Barcodes) zu den entsprechenden Objekten (z.B. Paketen) eine zentrale Rolle. Derzeit sind jedoch nur die Positionen der Merkmale im Bild bekannt, aber nicht die des Objekts. Dies führt zu Herausforderungen bei der Zuordnung, insbesondere wenn mehrere Objekte in einem Bild dicht beieinander liegen.
Zur Verbesserung der Zuordnungsgenauigkeit soll im Bild die Objektregion identifiziert werden. Durch die Korrelation der Objektregion mit der Position des erkannten Merkmals lässt sich die Genauigkeit der Zuordnung erheblich steigern.
Ziel dieser Arbeit ist die Integration eines Demonstrators auf einem Embedded-Kamerasystem, der in der Lage ist, anhand von Bildsequenzen von Materialströmen einzelne Objekte in Echtzeit zu segmentieren und zu lokalisieren.
IHRE AUFGABEN:
- Sie analysieren und vergleichen verschiedene Lösungsansätze aus der klassischen Bildverarbeitung sowie der KI-basierten Segmentierung zur Objekterkennung
- Sie setzen eine Lösung auf einem Embedded-Kamerasystem um
- Sie evaluieren die erarbeitet Lösung in einer realen Anwendungsumgebung
IHR PROFIL:
- Sie studieren Informatik, Computer Vision, Maschinelles Lernen oder ein vergleichbares Fachgebiet
- Grundlegende Kenntnisse in Optik oder Physik
- Programmiererfahrung in Sprachen wie Python, Matlab, Lua oder C++
- Selbstständige und strukturierte Arbeitsweise sowie schnelle Auffassungsgabe
- Ihre ausgeprägte Team- und Kommunikationsfähigkeit
IHRE BEWERBUNG:
- Wir freuen uns auf Ihre Online-Bewerbung
- Sarah Disch
- Job-ID 36396
- Vertrauliche Behandlung wird zugesichert
*Der Mensch zählt, nicht das Geschlecht.
Wir setzen auf Vielfalt, lehnen Diskriminierung ab und denken nicht in Kategorien wie etwa Geschlecht, ethnische Herkunft, Religion, Behinderung, Alter oder sexuelle Identität.
Stichworte: Intern, Internship, Abschlussarbeit
Sommersemester 2025 - befristet auf 3-6 Monate
In der Logistik spielt die präzise Zuordnung von erkannten Merkmalen in einem Bild (z.B. Barcodes) zu den entsprechenden Objekten (z.B. Paketen) eine zentrale Rolle. Derzeit sind jedoch nur die Positionen der Merkmale im Bild bekannt, aber nicht die des Objekts. Dies führt zu Herausforderungen bei der Zuordnung, insbesondere wenn mehrere Objekte in einem Bild dicht beieinander liegen.
Zur Verbesserung der Zuordnungsgenauigkeit soll im Bild die Objektregion identifiziert werden. Durch die Korrelation der Objektregion mit der Position des erkannten Merkmals lässt sich die Genauigkeit der Zuordnung erheblich steigern.
Ziel dieser Arbeit ist die Integration eines Demonstrators auf einem Embedded-Kamerasystem, der in der Lage ist, anhand von Bildsequenzen von Materialströmen einzelne Objekte in Echtzeit zu segmentieren und zu lokalisieren.
IHRE AUFGABEN:
- Sie analysieren und vergleichen verschiedene Lösungsansätze aus der klassischen Bildverarbeitung sowie der KI-basierten Segmentierung zur Objekterkennung
- Sie setzen eine Lösung auf einem Embedded-Kamerasystem um
- Sie evaluieren die erarbeitet Lösung in einer realen Anwendungsumgebung
IHR PROFIL:
- Sie studieren Informatik, Computer Vision, Maschinelles Lernen oder ein vergleichbares Fachgebiet
- Grundlegende Kenntnisse in Optik oder Physik
- Programmiererfahrung in Sprachen wie Python, Matlab, Lua oder C++
- Selbstständige und strukturierte Arbeitsweise sowie schnelle Auffassungsgabe
- Ihre ausgeprägte Team- und Kommunikationsfähigkeit
IHRE BEWERBUNG:
- Wir freuen uns auf Ihre Online-Bewerbung
- Sarah Disch
- Job-ID 36396
- Vertrauliche Behandlung wird zugesichert
*Der Mensch zählt, nicht das Geschlecht.
Wir setzen auf Vielfalt, lehnen Diskriminierung ab und denken nicht in Kategorien wie etwa Geschlecht, ethnische Herkunft, Religion, Behinderung, Alter oder sexuelle Identität.
Stichworte: Intern, Internship, Abschlussarbeit