Open Access

Die vorliegende Masterarbeit befasst sich mit 2 zentralen Themen der Bildverarbeitung: der Kamerakalibrierung und dem dynamischen und markerlosen Objekttracking für AR-Anwendungen in Echtzeit. Das erste Ziel ist der Vergleich zweier Kalibrierverfahren: zum einen die modellbasierte Kamerakalibrierung von OpenCV (Version 4.8.0), zum anderen die pixelbasierte Kalibrierung vom Labor für Computerassistierte Medizin der Hochschule Offenburg. Unterschiedliche Kameras und Objektive wurden mit beiden Verfahren kalibriert. Um einen objektiven Vergleich zu ermöglichen, wurden die 3D-Daten der pixelbasierten Kalibrierung als Eingangsdaten für das modellbasierte Verfahren verwendet. Es zeigte sich, dass dadurch die Parameter der modellbasierte Kalibrierung limitiert sind. Um dieser Beschränkung entgegenzuwirken, wurde eine erweiterte Algorithmik implementiert. Für den Vergleich wurden die relativen Unterschiede beider Ansätze pixelweise im Arbeitsbereich der Kamera analysiert und dargestellt. Dabei zeigte sich, dass die modellbasierte Kalibrierung für hochgenaue Anwendungen im Hundertstel-Bereich -- vor allem im Randbereich -- unzureichend und die pixelbasierte Kalibrierung klar überlegen ist. Das zweite Ziel ist die Forschung mit dem Ziel eines dynamischen und markerlosen Objekttrackings für AR-Anwendungen in Echtzeit, das auf einem monokularen Kamerasystem basiert. Nach einer Analyse des Stands der Technik wurde dazu ein Konzept entwickelt, dass es ermöglicht, Objekte zu tracken, sofern dessen CAD-Modell bekannt ist. Hierzu wird in Form einer merkmalbasierten Registrierung das Kamerabild der AR-Brille mit dem CAD-Modell verglichen, um daraus anschließend die Pose des Objekts zu bestimmen. Zu diesem Zweck wurden verschiedene Verfahren getestet. Als derzeit bestes Verfahren erwies sich die Kombination von XFeat als Merkmalsdetektor und -deskriptor mit LightGlue zur Merkmalszuordnung und GC-RANSAC zur Optimierung. Dieses Verfahren ermöglicht präzises Tracking, benötigt jedoch eine leistungsstarke GPU für die Echtzeitberechnung, selbst bei geringer Kameraauflösung.

This thesis presents a comprehensive approach to enhancing the security of embedded control systems. In the era of Industry 4.0, where the convergence of operational and information technologies increases vulnerability to cyberattacks, traditional manual and error-prone methods for establishing trust in industrial networks are no longer adequate. Focusing on temperature control units manufactured by Peter Huber Kältemaschinenbau, this work identifies limitations in existing solutions—particularly regarding certificate management, usability, and scalability—and proposes novel frameworks, one integrating semi-automated and the other automated certificate provisioning with mutual authentication. This thesis examines various approaches grounded in key concepts like Public Key Infrastructure and utilizing established protocols such as TLS and EST. By minimizing reliance on external infrastructure, these approaches aim to simplify the configuration process for non-technical users while also enhancing overall security through robust authentication, improved certificate management, and strict access control. A systematic evaluation that considers criteria such as security, usability, scalability, and deployment complexity assesses whether the proposed schemes meet the stringent requirements of industrial environments. Threat modeling and real-world validation confirm that the selected approach effectively mitigates potential cyber threats while ensuring reliable device-to-device authentication. Ultimately, this thesis presents an accessible authentication framework that links advanced cryptographic techniques with the practical needs of industrial control systems, paving the way for more secure and resilient industrial networks.

Digital holographic multiwavelength sensor systems integrated in the production line on multi-axis systems such as robots or machine tools are exposed to unknown, complex vibrations that affect the measurement quality. To detect vibrations during the early steps of hologram reconstruction, we propose a deep learning approach using a deep neural network trained to predict the standard deviation of the hologram phase. The neural network achieves 96.0% accuracy when confronted with training-like data while it achieves 97.3% accuracy when tested with data simulating a typical production environment. It performs similar to or even better than comparable classical machine learning algorithms. A single prediction of the neural network takes 35 µs on the GPU.

Die vorliegende Erfindung betrifft Steuer- und Regeleinheiten für eine extrakorporale Kreislaufunterstützung sowie Systeme, umfassend eine solche Steuer- und Regeleinheit und entsprechende Verfahren. Entsprechend wird eine Steuer- und Regeleinheit (10) für eine extrakorporale Kreislaufunterstützung vorgeschlagen, welche dazu eingerichtet ist eine Messung eines EKG-Signals (12) eines unterstützten Patienten über einen vorgegebenen Zeitraum zu empfangen und für die extrakorporale Kreislaufunterstutzung bereitzustellen, wobei das EKG- Signal (12) für jeden Zeitpunkt innerhalb eines Herzzyklus eine Signalhöhe aus mindestens einer EKG-Ableitung (14A, 14B) umfasst. Die Steuer- und Regeleinheit (10) umfasst eine Auswerteeinheit (16), welche dazu eingerichtet ist, eine Signaldifferenz (18) einer Signalhöhe eines aktuellen Zeitpunkts (12A) und einer Signalhöhe des vorhergehenden Zeitpunkts (12B)zu bestimmen und die Signaldifferenz (18) mit einem vorgegebenen Schwellenwert (20) zu vergleichen. Die Steuer- und Regeleinheit (10) ist weiterhin dazu eingerichtet, das EKG-Signal (22) beim Überschreiten des Schwellenwerts (20) für den aktuellen Zeitpunkt und eine vorgegebene Anzahl von nachfolgenden Zeitpunkten (28) mit einer vorgegebenen Signalhöhe (30) bereitzustellen.

The present invention relates to control units for extracorporeal circulatory support as well as systems comprising such a control unit and corresponding methods. Accordingly, a control unit (10) for an extracorporeal circulatory support is suggested, which is configured to receive a measurement of an ECG signal (12) of a supported patient over a predetermined period of time and to provide said measurement for the extracorporeal circulatory support, wherein the ECG signal (12) comprises a signal level from at least one ECG lead (14A, 14B) for each time point within a cardiac cycle. The control unit (10) comprises an evaluation unit (16) which is configured to determine a signal difference (18) of a signal level of a current time point (12A) and a signal level of the preceding time point (12B) and to compare the signal difference (18) with a predetermined threshold value (20). The control unit (10) is further configured to provide the ECG signal (22) with a predetermined signal level (30) for the current time point and a predetermined number of subsequent time points (28), when the threshold value (20) is exceeded.