Bei der Visualisierung von Repowering-Projekten von Windenergieanlagen (WEA) mittels Augmented Reality (AR) müssen bestehende Anlagen im Kamerabild erkannt und entfernt werden (Diminished Reality, DR).

Ziel der Abschlussarbeit ist es, ein generatives, neuronales Netz auszuwählen, zu trainieren und zu evaluieren, das weit entfernte Windenergieanlagen im Kamerabild eines mobilen Geräts (Smartphone) erkennen kann.

Technisch herausfordernd sind hier die kleine Form der Anlagen im Kamerabild und die eingeschränkte mobile Hardware (Ziel: möglichst geringe Latenzzeit).

Bestandteile der Arbeit sind:

• die Aufarbeitung der relevanten Literatur (Repowering von Windenergieanlagen (WEA), AR/DR, Künstliche Neurone Netze (KNN) für Objekterkennung/-segmentierung, Probleme/Lösungen bei kleinen Objekten, KNN auf mobilen Endgeräten)
• die Auswahl eines geeigneten Netzes,
• die Datensuche und –augmentierung,
• das Training des Netzes und
• die Evaluation des Ergebnisses.

Einstiegsliteratur:

• Einstiegs-Literatur/erster Überblick:
  • A Review of Lightweight Object Detection Algorithms for Mobile Augmented Reality
• Probleme bei kleinen Objekten:
  • Towards Large-Scale Small Object Detection: Survey and Benchmarks
• Lösungen bei kleinen Objekten (aus anderen Bereich, wie Verkehr)
  • MobileDenseNet: A new approach to object detection on mobile devices
  • EdgeDuet: Tiling Small Object Detection for Edge Assisted Autonomous Mobile Vision
  • The Power of Tiling for Small Object Detection
  • Small Object Detection in Traffic Scenes for Mobile Robots: Challenges, Strategies, and Future Directions
  • Single stage architecture for improved accuracy real-time object detection on mobile devices