Projekte
Ein wesentlicher Bestandteil des Masterstudiengangs ist das "forschende Lernen". Dazu werden die Studierenden im Rahmen von Projekten angeleitet, komplexere Fragestellungen aus der angewandten Mathematik und Physik zu bearbeiten. Mögliche Projektthemen sind hier aufgelistet. Die Vorschlagsliste wird zyklisch aktualisiert. Es besteht auch die Möglichkeit mit eigenen Ideen ein Projektthema zur Bearbeitung vorzuschlagen.
Für mehr Informationen auf den Titel klicken!
Ein Podcast im FHWS Fokus Orange über ein erfolgreiches Projekt (Schach spielender Roboter) können Sie hier sehen.
Kamerabasierte Erkennung von Defekten bei industriellen Mehrwegbehältern

Mehrwegbehälter sind ein wichtiger Baustein für eine nachhaltige Industrieproduktion. Spezielle Anlagen bereiten gebrauchte Industriebehältnisse (z.B. Boxen, Container) so auf, dass sie wiederverwendet werden können. Der Aufbereitungsprozess ist bisher nur in Ansätzen automatisiert.
Im Verbundforschungsprojekt „Digitales Behältermanagement mit der Anwendung von Computer Vision“ (DIBCO) möchten wir den Aufbereitungsprozess von Industriebehältnissen stärker automatisieren. Neben der FHWS sind die Unternehmen Sprintbox (Behälteraufbereitung), TAF Industriesysteme (Automatisierung) und Lobster (IT/Logistik) beteiligt.
In einem Teilprojekt sollen Defekte und Verschmutzungen der Mehrwegbehälter mit Hilfe eines Computer Vision-Systems erkannt werden.
Im ausgeschriebenen Masterprojekt soll, basierend auf Methoden der Computer Vision z.B. Deep Learning, ein System zur Erkennung von bestimmten Defekten/Verschmutzungen implementiert und getestet werden.
Sie sollten gute Programmierkenntnisse und Kenntnisse im Bereich maschinelles Lernen, Bildverarbeitung und/oder KI mitbringen. Das Projekt eignet sich auch sehr gut für ein Team aus zwei Studierenden.
Kontakt: Prof. Dr. Storath
Aufbau, Inbetriebnahme und Modellierung des Lidars Lite-V3 von Garmin
Lidar (Light Detection and Ranging) ist eine der Schlüsseltechnologien, um autonomes Fahren zukünftig zu ermöglichen. Im Rahmen des Projekts soll der optische Entfernungsmesser Lidar Lite-V3 von Garmin aufgebaut und in Betrieb genommen werden. Das Lidar Lite-V3 wird zusammen mit dem Mikrocontroller Arduino betrieben. Erfahrungen mit dem Arduino sind deshalb von Vorteil. Mit dem Lidar Lite-V3 können Messungen bis hin zu Distanzen von ca. 40 m mit einer Präzision von rund 3 cm vorgenommen werden.
In einer zweiten Phase soll das Lidar in Matlab bzw. mit Python modelliert und Simulationen durchgeführt werden.
Kontakt: Prof. Dr. Walter

Vermessung verschiedener Oberflächen mit dem Streulichtmessgerät Mini-Diff V2
Das Mini-Diff V2 der Firma Light Tec ist ein kompaktes und tragbares Streulichtmessgerät, mit dem beliebige Oberflächen vermessen werden können. Mit dem Gerät kann sowohl in Reflektion (BRDF, bi-directional reflection distribution function) als auch in Transmission (BTDF, bi-directional transmission distribution function) gemessen werden. Hierzu werden Messungen im blauen, grünen und roten Spektralbereich für verschiedene Einfallswinkel der Strahlung durchgeführt.
Die mit dem Mini-Diff V2 gemessenen Streufunktionen können in andere Programme exportiert werden.
Ziel des Projektes ist es, einen Katalog von Streufunktionen verschiedenster Oberflächen anzulegen und diese Streufunktionen so aufzubereiten, dass diese nachfolgend in optischen Simulationen verwendet werden können.
Kontakt: Prof. Dr. Walter

Verwendung von gemessenen Streufunktionen in Streulichtsimulationen mit dem Software-Paket FRED
FRED (Hersteller: Photon Engineering) ist ein Raytracing-Programm um optomechanische Streulichtrechnungen durchzuführen. Im Rahmen des Projekts sollen nach einer kurzen Einarbeitungsphase verschiedene Streufunktionen implementiert und Simulationen durchgeführt werden. Standort des Projekts ist aufgrund der benötigten Rechnerkapazitäten und aus Lizenzgründen zwingend Schweinfurt. Das Projekt kann nur von einer Person bearbeitet werden.
Kontakt: Prof. Dr. Walter

Programmieraufgabe Kuka-Roboter
Optimale Steuerung eines Roboters
Integration eines Parallelgreifers in einem Kuka-Knickarmroboter
Implementierung einer mathematischen Methode der Bildverarbeitung in OpenCV
OpenCV ist eine offene Softwarebibliothek für Computer Vision und Bildverarbeitung. Im Projekt soll eine bestehende mathematische Methode der Bildverarbeitung (z.B. Bildsegmentierung) für OpenCV umgesetzt werden. Das Projekt setzt Grundkenntnisse in C++ voraus.
Kontakt: Prof. Dr. Storath
Objekterkennung für Pick&Place Anwendungen (Robotics) mit Stereo-Kamera und HALCON-Software
Die Automatisierung von Pick&Place-Vorgängen ist eine Paradedisziplin für die 3D-Bildverarbeitung, denn eine schnelle und zuverlässige Teileerkennung ist die Grundlage, um Handhabungsprozesse mit dem Roboter zu lösen. Mit Hilfe von Stereo-Kameras (hier Ensenso) und spezieller Software (hier HALCON) kann man die Form, Größe und Lage der Objekte erkennen und diese Informationen an die Robotersteuerung weitergeben. So wird auch der Griff auf ungeordnete Teile in einer Kiste, das sogenannte Bin-Picking, möglich.
Kontakt: Prof. Dr. Zirkelbach
Vergleich numerischer Algorithmen zur Berechnung fraktionaler Integrale
Für die numerische Berechnung von Integralen nicht-ganzzahliger Ordnung gibt es eine Reihe von klassischen und gut verstandenen Ansätzen, die jedoch den Nachteil eines relativ hohen Rechenaufwands haben. Um dieses Problem zu umgehen, wurden Varianten vorgeschlagen, die diesen Rechenaufwand erheblich reduzieren. Allerdings ist nicht ganz klar, wie sich die Modifikationen der Methoden auf die Ergebnisgenauigkeit auswirken. Außerdem gibt es komplett neuartige Algorithmen, die auf vollständig anderen Konstruktionsprinzipien beruhen als die klassischen. Auch hier ist unklar, wie die Genauigkeit der Näherungslösungen von den Parametern der Algorithmen abhängt. In diesem Projekt sollen einige ausgewählte Algorithmen der verschiedenen Typen implementiert und mit Hilfe von geeigneten Testbeispielen genauer untersucht und miteinander verglichen werden.
Kontakt: Prof. Dr. Diethelm
Optimale Materialausnutzung von Stahlblechen im Karosseriebau
Ein wesentlicher Prozessschritt im Karosseriebau der Fahrzeugindustrie ist das Tiefziehen von Blechteilen. Hierbei werden geeignet geformte Blechstücke (sog. Platinen) aus einem sehr langen ebenen Blechband, dem sog. Coil, ausgeschnitten und unter Einwirkung von Zug- und Druckkräften in einer Presse in die gewünschte gekrümmte Form gebracht. Dieses Projekt betrachtet den Teilprozess des Ausschneidens der Platine aus dem Coil. Untersucht werden soll, wie die auszuschneidenden Stücke so auf dem Coil angeordnet werden können, dass das Material möglichst gut ausgenutzt wird und wenig Verschnitt entsteht.
Kontakt: Prof. Dr. Diethelm
Compressed Sensing in der digitalen Radarsignalverarbeitung
Compressed Sensing ist ein Verfahren zur Rekonstruktion dünnbesetzter Signale durch Lösung unterbestimmter linearer Gleichungssysteme mithilfe von Methoden aus der Optimierung. Aufgrund der zahlreichen Anwendungsgebiete überall dort, wo man Zeit bei der Aufnahme von Daten einsparen möchte, erfreut sich Compressed Sensing stark wachsender Beliebtheit. Beispielsweise soll Compressed Sensing eine höhere Antennen-Drehgeschwindigkeit bei Wetterradarsystemen ermöglichen, ohne dass die Datenqualität stark darunter leidet.
In diesem Projekt sollen die Grundzüge von Compressed Sensing erlernt werden und mögliche Anwendungen auf die Radarsignalverarbeitung wie Rauschunterdrückung oder Pulskompression durch Implementierung eines Lösungsverfahrens untersucht werden.
Kontakt: Prof. Dr. Bodewig
Deep Learning zum optimalen Partitionieren von Bildern
Partitionieren von Bildern, d.h. Aufteilen in kleinere zusammenhängende Bereiche, ist ein häufig vorkommender Arbeitsschritt bei der Bildverarbeitung und Bilderkennung. Verfahren zum Finden von optimalen Partitionen führen allerdings häufig auf rechenintensive Optimierungsprobleme (sog. NP-schwere Probleme). Die Aufgabe im Projekt ist es, die Rechenzeit mittels Deep Learning zu verkürzen.
Dazu entwerfen und trainieren Sie ein mehrschichtiges neuronales Netz (deep neural network),
das die Ergebnisse der rechenintensiven Verfahren sinnvoll annähert.
(Das Projekt kann von einem oder von zwei Studierenden bearbeitet werden.)
Kontakt: Prof. Dr. Storath