Einsatz von Methoden der Computer Vision zur automatisierten Erkennung von (fahrenden) Zügen
Machine Learning, Bilderkennung, IoT, Digitaler Zwilling, Bauwerksmonitoring, Einplatinencomputer
Bachelorarbeit, Masterarbeit, Studienarbeit (WiBi)
In aktuellen Forschungsprojekten, die sich mit dem Bereich des Predictive Maintenance und des Monitorings von Eisenbahnbrücken beschäftigen, ist die Zugerkennung der überfahrenden Züge häufig eine Herausforderung. Im Rahmen einer Abschlussarbeit soll untersucht werden, wie diese mittels Methoden der Bilderkennung in Verbindung mit einfachen Einplatinencomputern wie Raspberry Pis identifiziert bzw. klassifiziert werden können.
Im Bereich des Predictive Maintenance und dem Bauwerksmonitoring werden mithilfe von Sensoren, meist auch in Form einer live Überwachung, Daten eines Bauwerks erhoben und hinsichtlich möglicher Änderungen der Tragstruktur analysiert. Hierbei kann es sich z.B. um Infrastrukturbauwerke wie Eisenbahnbrücken handeln. Eine sich bei der Messung ergebende Herausforderung für die Bewertung von äußerlichen Lasteinwirkungen ist u.a. die Bestimmung der einwirkenden Lastgröße.
Z.B. im Rahmen des Forschungsprojekts ZEKISS werden Eisenbahnbrücken mit Sensorik instrumentiert und die Messergebnisse ausgewertet. Die Ermittlung der Lasteinwirkung bei einer Überfahrt eines Zuges ist jedoch aufgrund des komplexen Systems der Netzbetreiber nicht immer trivial zu ermitteln.
Es soll daher ein Konzept entwickelt werden, mithilfe dessen eine automatisierte Zugerkennung möglich ist. In einem ersten Schritt ist hinsichtlich verschiedener Zugtypen zu unterscheiden (Güter- oder Personenverkehr). Dies könnte z.B. mithilfe von (bestehenden) Bilderkennungsalgorithmen aus dem Bereich des Maschine Learnings durchgeführt werden. Die verwendete Hardware soll, aufgrund der Replizierbarkeit auf eine Vielzahl von Brücken, möglichst einfach und kostengünstig gehalten werden. In Frage könnte daher beispielsweise ein Einplatinencomputer wie der Raspberry Pi mit entsprechendem Kameramodul für die Bildaufnahme und Erweiterungsmöglichkeiten für zusätzliche Komponenten (wie Laser und Dioden) kommen. Die Klassifizierung von Zugtypen könnte alternativ oder parallel auch mittels Lichtschranken durchgeführt werden, welche durch die jeweiligen vorbeifahrenden Wagen ausgelöst wird. Durch den Einsatz von zwei Lichtschranken würde sich zusätzlich die Länge der einzelnen Wagen sowie die Geschwindigkeit des Zuges messen lassen.
In einem nächsten Schritt könnte die Zugnummer mittels Bilderkennungsalgorithmen erfasst werden. Herausforderungen, wie die Aufnahme scharfer Bilder von bewegten Zügen, gilt es im Rahmen der Abschlussarbeit zu identifizieren und analysieren.
Betreuer
Jascha Brötzmann, M.Sc.
Voraussetzungen
Interesse an Methoden der KI, Bilderkennung sowie Einplatinencomputer
Beginn
Ab sofort
