Abschlussarbeit: Self-Supervised Learning zur Umgebungslichtkompensation von Hyperspektral Imaging

Stelle frei: Ab sofort

Beschreibung

Das Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB ist Europas größtes Institut für angewandte Forschung auf dem Gebiet der Bildgewinnung und -auswertung. In der Abteilung Sichtprüfsysteme (SPR) werden neue Technologien der multimodalen Bildgewinnung und intelligenten Bildauswertung entwickelt und in innovativen Systemen zur automatischen Sichtprüfung für die Industrie umgesetzt.

Du hast Lust, deine Abschlussarbeit bei uns zu schreiben? Dann bewirb dich jetzt! Nur zehn Minuten Fußweg vom Campus Süd des KIT entfernt, wartet deine Chance, Teil unserer renommierten Forschungseinrichtung zu werden.

Was Du bei uns tust:

Beschreibung

Hyperspectral Imaging (HSI) ist eine Schlüsseltechnologie bei der automatisierten Inspektion von Agrarprodukten. Sie erlaubt es, chemische und physikalische Eigenschaften von Materialien sichtbar zu machen – auch solche, die für das menschliche Auge unsichtbar sind. So können z. B. Nährstoffgehalte in Pflanzen oder Qualitätsmerkmale von Lebensmitteln nicht-invasiv erkannt werden.

Unter Laborbedingungen mit konstanter Beleuchtung und standardisierter Weißreferenz ist HSI bereits etabliert. In realen Outdoor-Szenarien – wie sie z. B. in der Präzisionslandwirtschaft oder bei autonomen Umweltmonitoringsystemen vorkommen – führen jedoch stark schwankende Lichtbedingungen zu erheblichen Herausforderungen. Klassische Referenzmethoden stoßen hier an ihre Grenzen. Diese Arbeit soll einen Beitrag leisten, HSI unter freiem Himmel robuster und praxistauglicher zu machen.
Ziel dieser Arbeit ist es, ein Verfahren zu entwickeln, das mittels zusätzlichem Umgebungslichtsensor und Machine Learning – insbesondere Self-Supervised Learning – eine automatische Umgebungslichtkompensation erlaubt. Die Methode soll unter realen Outdoor-Bedingungen validiert und mit konventionellen Weißreferenz-gestützten Verfahren verglichen werden.

Aufgabenstellung

Im Rahmen dieser Arbeit soll zunächst ein Überblick über bestehende Korrekturverfahren sowie Self-Supervised Learning-Ansätze in der hyperspektralen Bildverarbeitung erarbeitet werden. Anschließend wird eine eigene Messkampagne mit einem Hyperspektralsensor und einem Umgebungslichtspektrometer durchgeführt, um Daten unter variablen Lichtbedingungen zu erfassen. Basierend auf diesen Daten soll ein Self-Supervised Learning-Verfahren zur Umgebungslichtkorrektur aus der Literatur implementiert und ggf. weiterentwickelt werden. Abschließend wird das entwickelte Verfahren