*** Status fertig *** --- Angabe der Prüfungsordnung (ohne Angabe: PO 2011) *** PO 2024 *** ------------------------------------------------------------------ --- --- Vorlage für Modulbeschreibungen --- --- Version: 2.0 --- --- Allgemeine Hinweise: --- --- - Kommentare beginnen mit --- und werden komplett ignoriert --- --- - Wichtige Schlüsselwörter beginnen mit *** und dürfen nicht --- verändert oder gelöscht werden!!! --- --- - Die Eingaben müssen immer in den leeren Zeilen nach *** erfolgen. --- --- - Für einen Zeilenumbruch muss eine Leerzeile eingegeben werden. --- ------------------------------------------------------------------ *** Studiengang und Semester --- --- --- Das Semester wird davor geschrieben, auch Semesterbereiche möglich --- Wenn das Modul in mehreren Studiengängen verwendet wird, werden diese --- durch Komma getrennt aufgeführt. --- --- 5BaI, 7BaIP 5BaI, 7BaIP, 5BaE, 7BaEP *** Modulbezeichnung --- Name laut Modulliste verwenden Maschinelles Sehen *** Englische Modulbezeichnung Machine Vision *** Modulsprache Deutsch *** Modulkuerzel MASS *** *** Art --- nur Alternativen: Pflichtfach, Wahlpflichtfach --- --- Beispiele: --- Pflichtfach --- Wahlpflichtfach --- Pflichtfach Vertiefung Technische Informatik --- Wahlpflichtfach Zertifikat Data Science BaI: Wahlpflichtfach Zertifikat Data Science BaIP: Wahlpflichtfach Zertifikat Data Science BaE: Wahlpflichtfach BaEP: Wahlpflichtfach *** ECTS-Punkte --- nur Zahl angeben --- Beispiele: --- 5 --- 7,5 5 *** Studentische Arbeitsbelastung --- Angabe als x Stunden Kontaktzeit und y Stunden Selbststudium --- Format: x, y 60, 90 *** Voraussetzungen (laut Prüfungsordnung) --- nur Modulbezeichnungen aufführen, z.B. Java 1 BI: Mathematik 1 BIPV: Mathematik 1 BET: Grundlagen der Mathematik 1 BETPV: Grundlagen der Mathematik 1 *** Empfohlene Voraussetzungen --- zusätzliche Module, die nicht in Prüfungsordnung als Voraussetzung stehen --- nur Modulbezeichnungen aufführen, z.B. Java 1 BI: Algorithmen und Datenstrukturen, Mathematik 2 BIPV: Algorithmen und Datenstrukturen, Mathematik 2 BET: Grundlagen der Mathematik 2, Lineare Algebra und Vektoranalysis BETPV: Grundlagen der Mathematik 2, Lineare Algebra und Vektoranalysis *** Pruefungsform und -dauer --- Alternativen: --- Klausur 1,5h --- Klausur 1,5h oder mündliche Prüfung --- Mündliche Prüfung --- Erstellung und Dokumentation von Rechnerprogrammen Klausur 1,5h oder mündliche Prüfung oder Studienarbeit *** Lehrmethoden und Lernmethoden --- Alternativen: Vorlesung, Praktikum, Seminar, Studentische Arbeit --- Falls Modul aus mehreren Veranstaltungen besteht, werden diese durch --- Komma getrennt aufgeführt. Vorlesung, Praktikum *** Modulverantwortlicher --- Vorname abgekürzt, keine Titel --- Beispiel: F. Rump C. Koch *** Qualifikationsziele --- Fließtext eingeben --- siehe Vorgaben in der Dokumentation Maschinelles Sehen (engl. Machine Vision) ist ein Teilbereich des maschinellen Lernens im Grenzbereich zwischen Informatik und den Ingenieurwissenschaften, aufbauend auf Algorithmen aus der digitalen Bild- und Signalverarbeitung. Das Modul zielt darauf ab, den Studierenden grundlegende Kenntnisse und Fähigkeiten im Bereich der Bildverarbeitung und des maschinellen Sehens zu vermitteln. Die Studierenden sollen in der Lage sein, komplexe visuelle Daten einzuordnen und maschinell analysieren, interpretieren und verarbeiten zu lassen. Sie sollen die Grundlagen moderner Algorithmen und Techniken des maschinellen Sehens verstehen und anwenden können. Darüber hinaus sollen sie in der Lage sein, einfache Bildverarbeitungsaufgaben in verschiedenen Anwendungsbereichen im industriellen Umfeld praktisch zu lösen. *** Lehrinhalte --- Fließtext eingeben Das Modul kombiniert theoretische Grundlagen mit praktischen Übungen und Projekten, um den Studierenden ein umfassendes Verständnis der Bildverarbeitung und des maschinellen Sehens zu vermitteln. Als Software-Werkzeug zur Analyse und Visualisierung von Bild- und Sensordaten dient hierbei Python oder Matlab/Simulink. Stichworte: Anwendungsgebiete und Entwicklung des maschinellen Sehens, Bildsensorik, optische Abbildung, Bildvorverarbeitung durch Signalfilterung, Kontrastverbesserung und Rauschunterdrückung, morphologische Operatoren, Verfahren zur Bildsegmentierung, Merkmalsextraktion, Mustererkennung mittels k-Nearest-Neighbor-Algorithmus, Bayes-Klassifikator und Neuronalen Netzen *** Literatur --- Format: Heun, V.: Grundlegende Algorithmen, Vieweg, 2000. --- Mehrere Literaturangaben durch Leerzeilen trennen! Gonzalez, R.C. und Woods, R.E.: Digital Image Processing, Prentice Hall, 4rd edition, 2017 Szeliski, R.: Computer Vision: Algorithms and Applications, Springer, 2nd edition 2022 Corke P.: Robotics, Vision and Control, Springer Verlag Berlin, 2013 ------------------------------------------------------------------ --- --- Hier beginnt die Aufzählung der einzelnen Lehrveranstaltungen --- des Moduls (z.B. Vorlesung und Praktikum). --- --- Falls mehrere Lehrveranstaltungen vorgesehen sind, bitte die --- entsprechenden Bereiche auskommentieren. --- ------------------------------------------------------------------ *** Titel der Lehrveranstaltung --- Beispiel: Praktikum Informationssysteme Maschinelles Sehen *** Dozent --- Vorname abgekürzt, keine Titel --- Beispiel: F. Rump C. Koch *** SWS --- Zahl angeben 2 *** Titel der Lehrveranstaltung --- Beispiel: Praktikum Informationssysteme Praktikum Maschinelles Sehen *** Dozent --- Vorname abgekürzt, keine Titel --- Beispiel: F. Rump C. Koch *** WiMi T. Leune *** SWS --- Zahl angeben 2