Coding-Beispiele

2021-03-01T00:00:00+00:00

Neuronale Netze und Computer Vision</h2>

Eine Auswahl von Coding-Projekten</h2>
Obwohl reines Programmieren und Debugging oft nicht meine Leidenschaft sind, erkenne ich die Bedeutung von neuronalen Netzen und anderen neueren Entwicklungen in der Computer Vision. Aus mehreren Projekten zu KI und maschinellem Lernen, die ich während meines Bachelor-Programms mitentwickelt habe, habe ich dieses ausgewählt, da ich denke, dass es gut dokumentiert ist und Schritt für Schritt erklärt, was wir dort tun.</p>

Bild-Superauflösung mittels Faltungsneuronaler Netze (Nachbildung einer Arbeit von 2016)</h3>
Bild-Superauflösung ist ein enorm wichtiges Thema in der Computer Vision. Wenn es ausreichend fortgeschritten funktioniert, könnten wir all unsere Screenshots, Selfies und Katzenbilder aus der Facebook-Ära 2006 und sogar von davor nehmen und sie auf moderne 4K-Anforderungen hochskalieren.</p>
Um ein Beispiel dafür zu geben, was im Jahr 2020, nur 4 Jahre nach der hier vorgestellten Arbeit, möglich ist, wirf einen Blick auf dieses Video von 1902:</p> </iframe>
Die von uns betrachtete Arbeit von 2016 ist deutlich bescheidener: Sie versucht nur ein einzelnes Bild hochzuskalieren, aber historisch gesehen war sie eine der ersten, die Rechenzeiten erreichte, die klein genug waren, um solche Echtzeit-Video-Hochskalierung zu ermöglichen, wie du sie im Video (von 2020) siehst oder wie sie Nvidia heutzutage zur Hochskalierung von Videospielen verwendet.</p>
Beispiel einer Super-Resolution-Aufnahme. Das neuronale Netz fügt künstlich Pixel hinzu, sodass wir unser bescheidenes Selfie endlich auf einem Werbeplakat platzieren können, ohne von unserem durch Technologie verformten und verpixelten Gesicht entsetzt zu sein.</p>

</a>
Eine niedrigauflösende Probe</p> </li>
</a>
Eine hochauflösende Probe. Dies wird auch als 'Ground Truth' bezeichnet</p> </li>
</a>
Der künstlich vergrößerte Bildausschnitt, der aus dem Algorithmus resultiert</p> </li>
</a>
Ein Graph, der eine exemplarische Verlustfunktion zeigt, die während des Trainings angewendet wurde</p> </li>
</a>
Eine qualitative Messung, die wir verwendeten, war die pixelweise Kosinus-Ähnlichkeit. Sie wird verwendet, um zu messen, wie ähnlich die Ausgabe- und Ground-Truth-Bilder sind</p> </li> </ul> </div>
Das Python-Notebook für Bild-Superauflösung in Colab</a></p>
MTCNN (Anwendung und Vergleich einer Arbeit von 2016)</h3>
Hier kannst du auch einen Blick auf ein anderes, viel kleineres Projekt werfen, bei dem wir einen eher klassischen maschinellen Lernansatz für die Gesichtserkennung nachgebaut haben. Hier verwenden wir bestehende Bibliotheken, um die Unterschiede in der Wirksamkeit der Ansätze zu demonstrieren und zu zeigen, dass Multi-task Cascaded Convolutional Networks (MTCNN) einer der leistungsfähigsten Ansätze im Jahr 2016 war. Da ich in das obige Projekt viel mehr Liebe und Arbeit investiert habe, würde ich dir empfehlen, dir dieses anzusehen, falls zwei Projekte zu viel sind.</p>
Gesichtserkennung mit einem klassischen KI-Ansatz (Nachbildung einer Arbeit von 2016)</a></p>

Plastic Recycling

2019-03-19T00:00:00+00:00

Als 3D-Druck-Enthusiast sehe ich mich regelmäßig mit dem Thema Nachhaltigkeit konfrontiert.
Die meisten 3D-gedruckten Teile werden nie recycelt und tragen eher zum globalen Müllproblem bei, als es zu reduzieren.
Das Problem liegt weniger beim Drucker selbst als bei der dimensionalen Genauigkeit</strong> und der Reinheit des Materials</strong>. Dies führt zu einer riesigen Industrie, insbesondere in Deutschland, die enorme Mengen an Neukunststoff</strong> verbraucht.</p>

Was kann man tun?</h3>
Wir können Produkte langlebiger gestalten, Recycling-Labels aufdrucken und nur funktionale Objekte drucken. Dennoch verhindert dies nicht die Nutzung von Neukunststoffen. Recycelter Filament ist oft doppelt so teuer bei schlechterer Qualität – kein Wunder, dass er kaum Verbreitung findet.</p> </iframe>
Das Kernproblem ist die fehlende wirtschaftliche Machbarkeit</strong> eines echten Recyclings. Das exakte Identifizieren von Kunststoffarten ist extrem schwierig und noch ungelöst. Es gibt Bereitschaft zu recyceln, aber das System fehlt.</p>
Der Masterplan</h1>
Ich möchte Menschen motivieren, ihren Müll zu waschen und zu sortieren</strong>, die teuersten Schritte im Recyclingprozess. Selbst kleine Beiträge, wie meine Mutter, die Flaschendeckel sammelt, sind wertvoll.
Dies funktioniert nur in einem lokalen, dezentralen Umfeld</strong>. Existierende Recyclinganlagen können nicht 200 verschiedene Kunststoffarten trennen.</p>
Mit sauberem, sortiertem Material – etwa Flaschendeckel (HDPE) oder fehlerhafte Drucke (PET-G) – starte ich bereits im Vorteil. Jetzt müssen die Teile noch in gleichmäßige Partikel</strong> zerkleinert werden.</p>
Der Shredder</h2>
Wir bauten den Precious Plastic Shredder</strong>!</p> </iframe>
Mit diesen Open-Source-Zeichnungen konnte ich meinen eigenen, sehr gefährlichen Kunststoff-Shredder zusammenbauen.
Die Motorisierung übernahm ein alter Gartenschredder, der Motor und Verkabelung intakt hatte. Wir schnitten ihn auseinander und befestigten ihn am Shredder.</p> </iframe>
Nach Austausch der schwachen Kraftübertragungsschraube gegen einen Industrie-Kuppler waren wir startklar. Sicherheit bleibt ein Thema, ein richtiger Trichter ist in Arbeit.</p>
Der Filastruder</h2>
Der Filastruder</strong>, entworfen von Tim Elmore, bietet eine kostengünstige Möglichkeit, Filament zu extrudieren.
Die größten Herausforderungen: präzise Durchmesserkontrolle</strong> ±0,03 mm, sonst schwankt die Qualität.</p>
Motor presst Kunststoffpellets durch eine beheizte Schraube, am Ende wird durch die Düse extrudiert und der Durchmesser eingestellt. Links wickelt die Maschine das Filament auf eine Spule.</p> </iframe>
Der Filastruder wird von einem Arduino gesteuert</strong> und ist hoch konfigurierbar. Ein Lasersensor misst den Filamentdurchmesser.</p>
Machine Learning für optimale Filamentqualität</h3>
Wichtige Variablen: Wickelgeschwindigkeit, Extrusionsgeschwindigkeit, Temperatur, Kühlung.
Diese Variablen können in Echtzeit optimiert</strong> werden – ähnlich wie in kommerziellen Anlagen.</p>
</p>
Automatisierung ist nicht nur ein Jobkiller, sondern kann Umweltprobleme lösen.</p>
Dieses Projekt liegt mir sehr am Herzen und wird Teil meiner Masterarbeit</strong> sein.
Die Umsetzung erfordert viele Skills, die ich im Design & Computation Programm lerne oder noch vertiefe.</p>
Reflow Filament</a> </div>
Perpetual Plastic Project</a> </div>
Precious Plastic Community</a> </div>
Filamentive Statement zur Recycling-Herausforderung</a> </div>
Open Source Filament-Durchmesser-Sensor von Tomas Sanladerer</a> </div>
Re-Pet Shop</a> </div>

Aron Petau - machine learning

Coding-Beispiele

Neuronale Netze und Computer Vision</h2>

Plastic Recycling