Mögliche Themen
| Thema | Kurzbeschreibung | Abschlussart | Ansprechpartner |
|---|---|---|---|
| Multispektrale Beobachtung von Pflanzen im Bot. Garten | Wie gestresst sind Pflanzen durch unsere Verschmutzung und kann dies mittels Kamera detektiert werden? Zusammen mit FB10 und 11 werden in einer kontrollierten Umgebung Nutzpflanzen durch Erdverschmutzung gestresst. In dieser Thesis sollen Photos mit einer Multispektral-Kamera regelmäßig aufgenommen und die Daten ausgewertet werden. Keine Vorkenntnisse nötig. Bevorzugter Start: ab sofort | Bachelor / Master | Mona Goebel |
| Messdurchführung im Wald |
Zusammen mit FB10 und 11 werden Daten gesammelt, um ganzheitlich die Gesundheit von Bäumen zu Erfassen. In dieser Thesis soll ein Messaufbau geplant und durchgeführt werden. Eine Multispektralkamera soll senkrecht nach oben unterhalb der Baumkronen im Stadtwald nahe der Lichtwiese aufgestellt werden. Vorkenntnisse empfohlen: keine Bevorzugter Start: November 2024 |
Bachelor | Mona Goebel |
| Hyperspectral Super-Resolution für die Vegetationsklassifizierung | Die Kartierung von Pflanzen ist eine anspruchsvolle Aufgabe, die Wissen über die spektralen Eigenschaften der Pflanzen erfordert. Diese Eigenschaften können mit bekannten spektralen Signaturen verglichen werden, um die Pflanzen zu klassifizieren. Damit die Klassifizierung aussagekräftig ist, muss die spektrale Auflösung hoch genug sein, um verschiedene Pflanzenarten klar zu unterscheiden. Hyperspektrale Bildsensoren sind in der Fernerkundung die beste Wahl, um die gewünschte Genauigkeit zu erreichen. Sie bieten eine hohe spektrale, aber oft eine niedrige räumliche Auflösung. Für komplexe Aufgaben, bei denen feine Strukturen wichtig sind, wie bei Pflanzen, sind sowohl eine hohe räumliche als auch eine hohe spektrale Auflösung notwendig, um eine Vermischung der Spektren zu vermeiden und die Pflanzen genau zu unterscheiden. Um dieses Problem zu lösen, wurden Methoden entwickelt, die als Hyperspectral Image Super-Resolution bekannt sind. Hyperspektralbilder mit niedriger räumlicher Auflösung werden mit multispektralen oder panchromatischen Bildern fusioniert, um eine höhere räumliche Auflösung zu erzielen. | Master | Katrin Krzepek |
| Vergleich von Baum-Segmentierung tools |
In den letzten Jahren wurden zahlreiche Tools zur Segmentierung von forstlichen Punktwolken entwickelt. Eine Übersicht ist hier zu finden. In dieser Arbeit sollen die 5 auf Python basierenden Tools getestet und verglichen werden. Eine Punktwolke wird von uns zur Verfügung gestellt. Vorkenntnisse empfohlen: Github und Python |
Bachelor | Mona Goebel |
| Segmentierung seltener Klassen mit Hilfe von Basismodellen aus 2D-Bildern |
Klassifizierung und Segmentierung sind grundlegende Aufgaben im Bereich der Fernerkundung und Bildanalyse. Zu diesem Zweck werden häufig Modelle des maschinellen Lernens verwendet, die mit einem Trainingsdatensatz trainiert wurden. Die typischen Klassen eines Trainingsdatensatzes sind: Gebäude, Straßen, Wälder, Landwirtschaft, …. Aber was passiert mit bisher unbekannten Gebieten und Objekten? Im Falle von Naturkatastrophen hätten diese Modelle mit zerstörten Gebäuden, überfluteten Gebieten, verschlammten Straßen oder verbrannten Wäldern zu kämpfen. Bei der Arbeit mit Bildern von Naturkatastrophen, wie dem Ahrtal-Hochwasser im Jahr 2021, müssen diese ungewöhnlichen Gebiete mit Hilfe eines bereits trainierten maschinellen Lernmodells identifiziert werden. In dieser Arbeit soll ein Modell mit bereits verfügbaren Tools an neue Objekte angepasst werden. Es sind Programmierkenntnisse in Python und Matlab von Vorteil. |
Master | Kevin Qiu und Rewanth Ravindran mit Ko-Betreuung durch das Fraunhofer IOSB |
| Bestimmung von Baumparametern mittels LiDAR-3D-Punktwolken | Die Methoden des Machine Learnings verändern die Möglichkeiten der Fernerkundung für verschiedene Umweltanwendungen – von der Überwachung der Abholzung von Wäldern bis hin zur Erkennung von Rissen im Polareis. Durch das Aufkommen des Laserscannings (LiDAR) mittels Drohnen ist die Qualität der Details in den Daten in städtischen, landwirtschaftlichen oder forstwirtschaftlichen Kontexten höher als je zuvor. 3D-Punktwolken aus LiDAR-Daten und Modelle des Machine Learnings stellen eine sehr leistungsfähige Kombination dar, mit der sich nützliche Informationen wie die Segmentierung von Baumkronen oder die Schätzung der Biomasse von Stämmen und Ästen mit relativ hoher Genauigkeit ermitteln lassen. Bevor das Modell für den jeweiligen Zweck eingesetzt werden kann, muss es trainiert werden, indem es mit gelabelten Trainingsdaten gefüttert wird. Die Erzeugung von Trainingsdaten durch die händische Kartierung von Hunderten von Baumkronen in Luftbildern ist zeitaufwändig, arbeitsintensiv und lästig. Aber welche anderen Möglichkeiten gibt es, wenn nicht genügend Trainingsdaten für die Erstellung eines neuen Modells vorhanden sind? Können wir bereits vorhandene Universal-Modelle, die für die Bildsegmentierung entwickelt wurden (siehe SAM von Meta AI), für unsere Anwendungen nutzen? Können wir diese Modelle mit Hilfe bestehender Methoden minimal anpassen, so dass wir eine bessere Genauigkeit bei der Schätzung der Baumparameter erzielen? Dies sind Fragen, die in dieser Masterarbeit adressiert werden sollen. (Betreuung auf Englisch) | Master | Rewanth Ravindran und Kevin Qiu mit Ko-Betreuung durch das Fraunhofer IOSB |
| Eigener Vorschlag zum Thema 3D Punktwolken, Laserscannen, Mobile Mapping |
Wenn Sie sich für die Arbeit mit Daten von 3D-Sensorsystemen interessieren, aber die vorgestellten Themen nicht ganz Ihren Interessen/Anforderungen/Qualifikationen entsprechen, nehmen Sie einfach Kontakt mit uns auf. In den meisten Fällen werden wir in der Lage sein, ein Thema für Sie zu finden, das Ihren spezifischen Interessen und Fähigkeiten entspricht, sowohl auf Bachelor- als auch auf Master-Ebene. Zurzeit konzentrieren wir uns vor allem auf die Erfassung, automatische Rekonstruktion und alle Arten von Analysen von zwei bestimmten Arten von Umgebungen: Innenräume von Gebäuden und Wälder. Wir sind aber auch flexibel gegenüber anderen Anwendungsszenarien, wenn Sie eine konkrete Idee mitbringen. |
Bachelor / Master | Mona Goebel |
| Klassifikation von gescannten Gebäudebruchstücken zur Rekonstruktion historischer Gebäude | Die Bruchstücke einer jüdischen Bima wurden mittels Laserscanning erfasst. Aus diesen Bruchstücken wurde manuell das gesamte Gebäude rekonstruiert. In dieser Arbeit sollen Punktwolken der lasergescannten Bruchstücke mittels neuronaler Netze (z. B. PointNet++) als Gebäudeteile klassifiziert werden. Dies dient als erster Schritt um ein Zusammenpuzzeln der Bruchstücke zu vereinfachen. | Master | Jakob Schmidt |
| Stand: 02.04.2025 | |||