Mit dem KI-Lehrlabor schaffen wir seit 2022 einen Raum für KI-bezogene Lehre und Forschung an der BTU Cottbus-Senftenberg. Insbesondere für die Betreuung von Abschlussarbeiten (B.Sc./M.Sc.) und Praktika. Wir beschäftigen studentische Hilfskräfte für laufende Forschungsprojekte, die sich vor allem mit explainable AI in den Bereichen object detection, object tracking, dataset generation und der Lösung von Differentialgleichungen mit Neuronalen Netzen beschäftigen. Außerdem bieten wir Studenten mit guten Abschlussarbeiten die Möglichkeit, gemeinsam an einer Veröffentlichung in Form eines Conference- oder eines Journalpapers zu arbeiten.

Zu unserer Ausstattung gehören:

• leistungsstarke KI-Workstations
• diverse weitere Computergeräte
• eine Fischertechnik Lernfabrik
• zwei 3D-Drucker
• mehrere fahrende Drohnen (RoboMaster EP/S1)
• mehrere fliegende Drohnen (RoboMaster TT)
• Kameras, Mikrofone und Lichtquellen

Das KI-Lernlabor ist Teil des vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Projekts KI@MINT.

Abschlussarbeitsthemen

• Programmierung der Lernfabrik (Bachelor/Master)
• Programmierung der fahrbaren Drohnen (Bachelor/Master)
• Prozessteuerung der Lernfabrik mittels Objekterkennung (Bachelor/Master)
• Kommunikation fahrende/fliegende Drohne (Master)
• Augmentation-Techniken für Trainingsdatensätze (Bachelor)
• Untersuchung von Object-Tracking Verfahren (Master)
• Bildklassifikation auf verschieden starken Computern (Bachelor/Master)
• 3D Rekonstruktion mit KI (Master)
• weitere Themen gerne auf Anfrage

Journal-, Konferenz- und Preprint-Paper

M. Khan Mohammadi, T. Schneidereit, A. Mansouri Yarahmadi, M. Breuß (Preprint 2024): Investigating training datasets of real and synthetic images for swimmer localisation with YOLO. doi.org/10.20944/preprints202402.0446.v1

S. Schneidereit, A. Mansouri Yarahmadi, T. Schneidereit, M. Breuß, M. Gebauer (2024): YOLO-based Object Detection in Industry 4.0 Fischertechnik Model Environment. Intelligent Systems and Applications. Lecture Notes in Networks and Systems, 823, pp. 1-20. doi.org/10.1007/978-3-031-47724-9_1

T. Schneidereit, M. Breuß (2023): Adaptive neural-domain refinement for solving time-dependent differential equations. Advances in Continuous and Discrete Models 2023, 42. doi.org/10.1186/s13662-023-03789-x

Erfolgreiche Abschlussarbeiten

Dustin Scharf (Studiengang Informatik)
Ein Entwurf für die Durchführung eines Praktikums zu Transformer Networks. 
Bachelorarbeit, Brandenburgische Technische Universität Cottbus-Senftenberg, 2024.

Slavomíra Schneidereit (Studiengang Maschinenbau)
Untersuchung der Objekterkennung mit Neuronalen Netzen unter Verwendung von YOLO-Modellen in einer Lernfabrik. 
Masterarbeit, Brandenburgische Technische Universität Cottbus-Senftenberg, 2022.