Filtern
Erscheinungsjahr
- 2022 (4) (entfernen)
Dokumenttyp
- Masterarbeit (4)
Sprache
- Deutsch (4)
Volltext vorhanden
- ja (4)
Gehört zur Bibliographie
- ja (4)
Schlagworte
- Akustisches Signal (1)
- Digitalübertragung (1)
- Framework <Informatik> (1)
- Mobilfunk (1)
- Optische Messtechnik (1)
Institut
In dieser Arbeit wird auf die Realisierung eines Soft- und Hardwarekonzeptes eingegangen, welches ein optisches Auswertesystem von Dartpfeilen auf einer Dartscheibe umfasst. Durch Literaturrecherche wurden Methoden und Ansätze zu optischen Bildverarbeitung erarbeitet.
Nach der Erstellung des Hardwarekonzepts, wird der mechanische Aufbau mit den ausgewählten Elektronikkomponenten durchgeführt. Mithilfe der Bildverarbeitungsbibliothek OpenCV wird in C# eine Testumgebung aufgesetzt, welche zur Findung der Einstellparameter und Erarbeitung des Auswertealgorithmus eingesetzt wird. Hierfür wird eine grafische Oberfläche erstellt, die eine benutzerfreundliche Bedienung aufweist. Der dadurch erzeugte Auswerte- und Positionierungsalgorithmus wird im nächsten Schritt in einer Software umgesetzt.
Die Resultate des Softwaretests zeigen, dass der Algorithmus funktioniert, jedoch noch Verbesserungspotenzial in Bezug auf die Genauigkeit aufweist. Zusätzlich muss ein Weg gefunden werden, die USB-BUS-Last zu minimieren beziehungsweise das simultane Einlesen von Kameras über einen USB-HUB zu vermeiden.
Künstliche Intelligenz (KI) und Cloud-Computing sind treibende Kräfte der digitalen Transformation und Erfolgsfaktoren für eine nachhaltige Wettbewerbsfähigkeit. Insbesondere der Bereich der KI-basierten Audiosignalverarbeitung weist ein hohes Potential zur Fehlererkennung von Maschinen und Anlagen auf. Jedoch scheitert die Umsetzung von KI-Projekten oftmals bereits vor Projektstart aufgrund fehlender Fachkenntnisse der Unternehmen.
Das Ziel dieser Masterarbeit ist zu zeigen, wie KI-basierte Audioklassifizierungssysteme unter Verwendung von Cloud-Services implementiert werden können. Zu diesem Zweck werden die einzelnen Phasen eines KI-Projektes, von der Datenanalyse bis hin zur Bereitstellung eines fertig trainierten Modells in der Cloud-Umgebung, betrachtet. Frühere Arbeiten haben gezeigt, dass State-of-the-Art-Audioklassifizierungs-systeme auf Konzepten wie der Fourier-Analyse, Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) basieren. Anhand dieser Methoden wurden insgesamt 33 Klassifizierungsmodelle mittels Python, PyTorch und der cloudbasierten Plattform Google Vertex AI implementiert, trainiert und verglichen. Aufgrund der dynamischen Charakteristik der Audiodateien, wurde dazu ein komplexer Datensatz der Plattform Kaggle als Entwicklungsgrundlage verwendet (BirdCLEF2022).
Das ausgewählte Modell wurde hinsichtlich der Vorhersagegenauigkeit optimiert und auf Vertex AI zur Beantwortung von Vorhersageanfragen veröffentlicht. Dabei konnte ein auf der CNN-Architektur basierendes Klassifizierungsmodell entwickelt werden, das neun unterschiedliche Klassen mit einer Vorhersagegenauigkeit von 80,4 % klassifiziert. Weitere Ideen zur Verbesserung des Ergebnisses konnten vorgestellt werden, wodurch bewiesen wird, dass schwierige Daten mit einer Vorhersagegenauigkeit von über 90 % klassifiziert werden können. Diese Masterarbeit zeigt, wie ein KI-basiertes Audioklassifizierungssystem unter Verwendung verschiedener Cloud-Dienste und State-of-the-Art-Deep-Learning-Methoden, entwickelt werden kann.
Teleoperation über 5G
(2022)
Die Mobilfunktechnologie beeinflusst die Kommunikation und den Informationszugang der Menschheit seit den 1980er Jahren. Der 2017 definierte New-Radio-Standard der fünften Generation, bezeichnet als ‚5G‘, bietet fundamental neue Funktionalitäten, die mit keiner vorhergegangenen Mobilfunktechnologie vergleichbar sind. Aus diesem Grund wurde an der Fachhochschule CAMPUS 02 eine 5G-Infrastruktur errichtet, um Forschungsarbeit in den neuen Anwendungsfeldern und Einsatzszenarien zu betreiben.
Das Ziel dieser Arbeit ist die Realisierung eines ersten Anwendungsfalls in der Infrastruktur der Fachhochschule CAMPUS 02, um die Datenübertragung mit niedriger Latenz und Latenzzeitmessungen in einem 5G-Netzwerk zu untersuchen.
Zu Beginn erfolgte eine Sichtung der verfügbaren Soft- und Hardware für die Entwicklung eines Versuchsträgers, der die Anforderungen erfüllt und fernbedienbar ausgeführt werden kann. Der Aufbau bestand aus zwei USB-Webcams, montiert auf einem motorisierten Stativ. Die Steuerung erfolgte mit einem Servo-Controller-Board und einem Raspberry Pi 4, der mit einem 5G-Modem/Router verbunden war. Als Wiedergabegerät der Videoübertragung diente eine VR-Brille, die mit einem Kabel an einem Rechner angeschlossen war. Die Anforderungen an die Datenübertragung konnten durch die Nutzung des bidirektionalen WebRTC-Protokolls erfüllt werden. Dieses ermöglichte die Video- und Audioübermittlung sowie einen Datenkanal für die Übermittlung der Kopfbewegung.
Als wichtigstes Ergebnis sind die Entwicklung und Inbetriebnahme der Testanwendung zur Durchführung von Netzwerkmessungen mittels perfSONAR, einer Network-Performance-Monitoring-Software, zu nennen. Aufgrund von Limitationen technischer, infrastruktureller und zeitlicher Natur konnten nicht alle Aspekte vollumfänglich untersucht und umgesetzt werden. Basierend auf den erzielten Resultaten wurde eine Roadmap für die Rekonfiguration der 5G-Infrastruktur erstellt und weiter Entwicklungsmöglichkeiten für den Versuchsaufbau aufgezeigt.
Künstliche Intelligenz (KI) ist heutzutage ein wichtiger Teil von vielen Software-Applikationen geworden. Sie ist in Handy Apps integriert und je komplexer KI wird, umso größer ist in diesem Zusammenhang der Einfluss, den sie auf die individuelle Privatsphäre hat. Potentielle Risiken, die durch KI entstehen können, haben die Europäische Union dazu gebracht, einen Vorschlag für eine KI-Verordnung zu erarbeiten. Um die darin geforderten Risikominderungsmaßnahmen zu adressieren, hat das Fraunhofer Institut einen Leitfaden zur Gestaltung vertrauenswürdiger Künstlicher Intelligenz veröffentlicht.
Das Hauptziel dieser Masterarbeit ist es, diesen textbasierten Leitfaden in ein Software-Tool zu überführen, welches Entwicklern von KI-Applikationen hilft, den Prozess gemäß Leitfaden zu dokumentieren. Dies hilft, den Leitfaden zu vereinfachen, um einen niederschwelligen Zugang zu dem Leitfaden für viele Menschen zu ermöglichen. Weitere Ziele dieser Arbeit sind sowohl das Aufdecken von möglichen Optimierungen der Richtlinie als auch Verbesserungen des bestehenden Software-Frameworks.
Das Software-Tool wurde unter Zuhilfenahme dieses Frameworks innerhalb der Low-Code Plattform Mendix entwickelt.
Das Ergebnis ist ein Software-Tool, welches die Anforderungen an vertrauenswürdige KI vereinfacht, je nach dem Anwendungsbereich der gerade beurteilten KI-Applikation. Nach der Nutzung des Software-Tools kann ein Bericht erzeugt werden, um die erfüllten Anforderungen der Vertrauenswürdigkeit zu dokumentieren.