Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage Probleme aus folgenden Themengebieten zu lösen: Bildverarbeitung: Maschinelles Sehen, Computer Sehen, Kantenerkennung, Regionenbeschreibung und Merkmalsextraktion, Tiefenbildaufnahme und Methoden und Tiefenbildbearbeitung, Methoden zur 2D und 3D Objekterkennung, Gestalttheorie, Deep Learning und Machine Learning,Tiefenbildverarbeitung, kognitives Sehen; Schwerpunkte im Bereich der Robotik: kognitive Robotik, situiertes Sehen für Roboter, und Robotersysteme.

Schwerpunkte in folgenden Themengebieten der Bildverarbeitung: Maschinelles Sehen, Computer Sehen, Kantenerkennung, Regionenbeschreibung und Merkmalsextraktion, Objektverfolgung, Tiefenbildaufnahme und Methoden und Tiefenbildbearbeitung, Methoden zur 2D und 3D Objekterkennung, Gestalttheorie, Tiefenbildverarbeitung, kognitives Sehen; Schwerpunkte im Bereich der Robotik: kognitive Robotik, situiertes Sehen für Roboter, und Robotersysteme.

• Robots, robot tasks, cognitive robots, machine vision, vision applications; computer/machine/situated vision, and machine vision basics: camera, images, Filtering, SSD, Canny
• Machine Vision Features: Industrial/mobile/cognitive robotics, sensors used in robotics;
• Interest Points: Harris, DoG
• Object recognition 2D: SIFT, SURF
• Geometry Stereo: geometry, basic calibration, stereo vision 
• 3D Camera Systems: Other methods to obtain 3D images
• Attention
• Ransac
• 3D Vision Methods: voxel grids, neighbours, integral images, surface normal, differential geometry, Gestalt, Clustering
• Object recognition in 3D: NARF, VFH, ESF, ..., examples, learning from CAD data
• Deep learning: concept, introduction, applications, object categorisation
• Open problems: human vision vs. robot vision, what works and open challenges

Die Lehrinhalte werden den Studierenden in der Form von Vorträgen unterstützt durch Folien präsentiert und zur Verfügung gestellt. Zur Vertiefung und Anwendung des theoretischen Wissen, sind 5 Programmierübungen zu Themen der Vorlesung abzugeben. Die Übungen sind in Python mit den populären Bibliotheken OpenCV, Open3D und NumPy umzusetzen. Die Abgabe und Bewertung erfolgt über TUWEL.

Einführung und erste Vorlesung: 4.10. 13:00-16:00

Information für Studierende des Masterstudiums Embedded Systems: Da es für die zweite LVA des Moduls „Machine Vision in Embedded Systems“ eine Teilnahmebeschränkung gibt, werden wir auch in der LVA „Machine Vision“ die Anzahl der teilnehmenden Studierenden aus dem Masterstudium Embedded Systems begrenzen. Diese Maßnahme soll sicherstellen, dass alle Studierenden, die „Machine Vision“ abgeschlossen haben, auch die LVA „Robot Vision for Embedded Systems“ besuchen können und somit das Modul vervollständigen können. Die Teilnehmer für Studierende des Masterstudiums Embedded Systems ist auf 10 Personen begrenzt. Die Vergabe der Plätze erfolgt nach dem First come, first served-Prinzip.

Positive Abgabe aller Programmierübungen; Danach mündliche Prüfung. Gewichtung: Übung 60%, Mündliche Prüfung 40%.

Prüfungen werden sowohl in Anwesenheit als AUCH online mit  Zoom angeboten. Ob es sich bei einem Termin um einen Anwesenheitstermin oder Online-Termin handelt, entnehmen Sie den Informationen in TISS bei den Einzelterminen.

Prüfungskandidat*innen werden in Zeitslots von einer halben Stunde eingeteilt. Der jeweilige Zeitslot wird nach Ende der Abmeldefrist an die Kandidat*innen per Mail gesendet. Zu Online Prüfungen wird lediglich eine Webcam zum Identitätsnachweis benötigt. Der öffentliche Link wird auch auf TISS zur Verfügung gestellt. Kandidat*innen mit Einschränkungen im Bezug auf zeitliche Verfügbarkeit oder fehlende technische Infrastruktur sollten uns vor dem Prüfungstermin per Mail kontaktieren.

Python Kenntnisse sind empfohlen. Hilfreich ist Einführung in Robotik, z.B. 376.040 Fachvertiefung Bildverarbeitung und Robotik.