Mustererkennung in Multibeam Sonarbildern mit Hilfe des OpenCV Frameworks

Status: completed
Supervisor: Horst Hellbrück , Torsten Teubler
Student: Manfred Constapel

Topic

Das Aussenden von Schallwellen und das anschließende Messen von Reflektionen wird für bildgebende Verfahren genutzt. In der Medizin spricht man von Ultraschall, im maritimen Umfeld von Sonar. In der Medizin gibt es bereits Verfahren zur Mustererkennung in Ultraschallbildern. In dieser Arbeit soll untersucht werden, wie sich ausgewählte Verfahren zur Mustererkennung aus der Medizin für die Mustererkennung in Sonarbildern eignen.

Details

Im Rahmen des BOSS Projektes soll ein Schwarm autonomer Unterwasserfahrzeuge (AUV) entwickelt werden. Ein entscheidender Faktor bei der Entwicklung von autonomen Fahrzeugen ist deren Fähigkeit, Informationen über ihre Umwelt zu sammeln, um diese Informationen für ihr autonomes Verhalten zu nutzen. Typischerweise wird das Sonar bei autonomen maritimen Fahrzeugen nicht für das autonome Verhalten verwendet, sondern nur zur Aufzeichnung von Daten während autonomer Missionen. Die aufgezeichneten Daten werden in der Regel dann offline ausgewertet. In dieser Arbeit sollen Methoden aus der Bildverarbeitung, unter Zuhilfenahme des OpenCV Frameworks, genutzt werden, um die Sonarbilder direkt auf dem Fahrzeug zu untersuchen und für das autonome Verhalten des Fahrzeugs verfügbar zu machen. Das Verhalten könnte beispielsweise das selbstständige Auftauchen eines AUV sein, dass einen definierten Fund mit dem Sonar erkannt hat und diesen dann via Satellitenkommunikation meldet. Die medizinische Bildverarbeitung hat verschiedene Verfahren hervorgebracht, wie z.B. die syntaktische Mustererkennung (z.B. Ogiela et al.), die möglicherweise erfolgversprechend auf Sonarbilder angewendet werden können. Ziel dieser Arbeit es mindestens ein Verfahren zur Mustererkennung zu implementieren und zu zeigen, dass man damit definierte Muster in Sonarbildern erkennen kann.

Tasks

  • Beispieldaten Imagenex 837B stehen zur Verfügung und sollen für die Arbeit genutzt werden.
  • Weiterhin sollen mit dem Imagenex 837B Sonar Testdaten von bekannten Objekten erzeugt werden, um diese dann mit dem entwickelten Verfahren zu untersuchen.
  • Die Dokumentation des Projektes erfolgt in schriftlicher Form.
  • Weiterhin soll aus dem Projekt eine Veröffentlichung, vorzugsweise auf der Studierendentagung, entstehen.

Requirements

  • Solide Programmierkenntnisse in C/C++ und einer weiteren Programmiersprache
  • Grundkenntnisse in Bildverarbeitung und des OpenCV Frameworks
  • Bereitschaft, sich in neue Themengebiete einzuarbeiten

Abschlussarbeiten aus dem Bereich Privacy und Security

Die genaue Aufgabenstellung bzw. der Schwerpunkt kann individuell abgestimmt werden. Bei Interesse wenden Sie sich bitte an Dorina Gumm (dorina.gumm@th-luebeck.de).

Gamedesign for Security and Privacy (GSP)

Spielerisch lernen: Wie funktioniert Cross-Site-Scripting? Wie kann ein Identitätsdiebstahl erfolgen? Wie können Plattformzugänge gesichert werden? Warum sollte man Kommunikation verschlüsseln? Entwickeln Sie Spiele, mit denen Sie die Spieler an Themen aus dem Bereich Sicherheit, Selbstschutz und Privacy heranführen.

In dem GSP-Projekt geht es um die Frage, wie o.g. Themen mittels Gamification erlebbar und damit einem breiteren Adressatenkreis zugänglich gemacht werden können. Ziel ist es, die Awareness für diese Themen in der Gesellschaft als auch in Unternehmen zu fördern (Digitale Mündigkeit). Wenn Sie daran Interesse haben, können Sie sich diesen Themen im Rahmen von Design- und Praxisprojekten sowie Abschlussarbeiten widmen.

Datenschutz, Datenhandel und Datenanalyse (D3)

Datenschutz und Usability: Datenschutz wird öffentlich häufig als Innovationshemmer dargestellt, der Funktionsumfang und Usability von Anwendungen beeinträchtigt. Ist dem wirklich so? Wie können Anwendungen datenschutz- und benutzungsfreundlich entwickelt werden? Welche Mechanismen zur Anonymisierung/Pseudonymisierung gibt es und wie können sie im Design-Prozess berücksichtigt werden?

Mit Daten den Fachbereich gestalten: Mit öffentlichen Daten können hilfreiche Tools für den Alltag, spezielle Aufgaben oder das Gemeinwohl entwickelt werden (z.B. ÖPNV-Fahrpläne, Wetterdaten für Wassersportgebiete, Feinstaubmessungen). Mit welcher Art Daten könnte die Lehre und der Alltag am Fachbereich verbessert werden? Wie könnten diese in Web-Anwendungen genutzt und aufbereitet werden? Welche gesellschaftlichen Fragen sind damit verbunden?

Lernprozesse mit Daten unterstützen: Unter den Schlagworten Learning Analytics und Educational Datamining werden derzeit Ansätze diskutiert, wie Lernende automatisiert beim Lernen unterstützt werden können. Dazu werden viele persönliche Daten erhoben, aus denen der Lernstand und Lernbedarfe analysiert werden sollen. Hieraus ergeben sich Fragen bezüglich des Datenschutzes, der Verlässlichkeit der Ergebnisse als auch bzgl. gesellschaftlicher Fragestellungen (z.B. der Rolle von Lehrenden, Anforderungen an Lernende, Stellenwert von Bildungsmaßnahmen u.ä.).