INTERNSHIP DETAILS

Studien-/Abschlussarbeit - Lernbasierte Registrierung ohne Kalibrierobjekt

CompanyFraunhofer-Gesellschaft
LocationStuttgart
Work ModeOn Site
PostedAugust 31, 2026
Internship Information
Core Responsibilities
The candidate will develop a learning-based approach for registering radar and camera images to improve defect detection in components. Responsibilities include analyzing existing datasets, evaluating feature correspondence methods, and implementing an adapted approach to quantify registration errors.
Internship Type
full time
Company Size
296
Visa Sponsorship
No
Language
German
Working Hours
40 hours
Apply Now →

You'll be redirected to
the company's application page

About The Company
Fraunhofer IGD is the international leading institute for applied research in visual computing. Visual computing is image- and model-based information technology and includes computer graphics and computer vision, as well as virtual and augmented reality. In simple terms, the Fraunhofer researchers in Darmstadt, Rostock, and Kiel are turning information into images and extracting information from images. In cooperation with its partners, technical solutions and market-relevant products are created. Prototypes and integrated solutions are developed in accordance with customized requirements. In doing so, Fraunhofer IGD places users at the forefront, providing them with technical solutions to facilitate computer work and make it more efficient. Owing to its numerous innovations, Fraunhofer IGD raises man-machine interaction to a new level. Man is able to work in a more result-oriented and effective way by means of the computer and visual computing developments.
About the Role

Ausschreibung für die Fachrichtungen wie z. B.: Automatisierungstechnik, Elektrotechnik, Informatik, Kybernetik, Luft- und Raumfahrttechnik, Maschinenbau, Mechatronik, Physik, Regelungstechnik, Softwareengineering, technische Informatik oder vergleichbare.

 

Zur Defektprüfung von Bauteilen wird ein Verfahren entwickelt, dass zwei Sensoren kombiniert. Während eine Kamera für die Oberflächeninspektion zuständig ist, erkennt ein bildgebendes Radar (SAR) Defekte im Materialinneren.
Beide Sensoren nehmen dasselbe Bauteil auf, ihre Aufnahmen unterscheiden sich jedoch stark voneinander. Um die Bilder gemeinsam auswerten zu können, müssen sie deckungsgleich übereinandergelegt werden. Derzeit erfolgt dies über eine einmalige geometrische Kalibrierung mit einer Referenzgeometrie. Diese Lösung setzt einen unveränderten Aufbau voraus und ist in einer Produktionsumgebung nur eingeschränkt praktikabel.


Gegenstand dieser Arbeit ist die Frage, ob sich diese Zuordnung lernen lässt. Für Bildpaare derselben Modalität existieren bereits leistungsfähige Verfahren zur Merkmalskorrespondenz, etwa LoFTR oder SuperGlue. Ihre Übertragbarkeit auf das Paar Radar/Kamera wurde jedoch bislang nicht untersucht.
Die Arbeit ist im Forschungsteam Bildverarbeitung am Fraunhofer IPA in Stuttgart angesiedelt. Datensatz, Vorverarbeitung und Auswertungspipeline liegen bereits vor.

 

Hier sorgen Sie für Veränderung

  1. Zunächst machen sie sich mit dem vorhandenen Datensatz vertraut
  2. Verfahrensbewertung zur Merkmalskorrespondenz und Analyse des Verhaltens zwischen den beiden Modalitäten
  3. Entwicklung eines angepassten Ansatzes auf die vorliegenden Daten
  4. Bewertung der Ergebnisse im Vergleich zur bestehenden Kalibrierung. Registrierfehler in Pixeln quantifizierbar
  5. Saubere und nachvollziehbare Dokumentation des Vorgehens und der Ergebnisse
Key Skills
Image ProcessingComputer VisionRadar TechnologyMachine LearningFeature CorrespondenceData AnalysisAutomation TechnologySoftware EngineeringPythonAlgorithm Development
Categories
EngineeringScience & ResearchTechnologySoftware