Deeltijd
Nederlands
Arnhem
30.0
2 september 2024 t/m 2 februari 2025 -- open
Hugo Arends

Voor inhoudelijke informatie:
Hugo Arends
E-mail: hugo.arends@han.nl
Tel: 06 55208761

Inschrijven? Goed om te weten!
- Bij minoren die starten in september vindt, ná de inschrijfperiode in de maand maart, een loting plaats in april áls er op dat moment meer inschrijvingen zijn dan beschikbare plaatsen.
- Bij minoren die starten in februari vindt, ná de inschrijfperiode in de maand oktober, een loting plaats in november áls er op dat moment meer inschrijvingen zijn dan beschikbare plaatsen.

Bij de minoren waar nog plaats is, geldt daarna tot aan de sluiting van de inschrijfperiode:
zodra een minor vol is, wordt deze gesloten, vol = vol.

Daarnaast geldt dat als het aantal aanmeldingen na vier weken ruim onder de norm ligt; deze minor mogelijk wordt teruggetrokken. Dus heb je interesse, meld je direct aan.

Schrijf je op tijd in!

Let op: 
Voor HAN studenten geldt dat zij zich, in geval van uitloten of geen doorgang van de eerste keuze NA de periode van besluitvorming (deze duurt een volledige maand), kunnen herinschrijven. Dit kan alleen op de dan nog beschikbare minoren die plaatsen vrij hebben.

Ook dan geldt: zodra een minor vol is, wordt deze gesloten.

Een goed overzicht van de HAN minoren kun je vinden in de minoren app! De app is bereikbaar via: http://www.minoren-han.nl/

Ben je benieuwd hoe beeldverwerkingsalgoritmen kunnen bepalen wat er op een afbeelding staat? En hoe je die kennis gebruikt om een technische oplossing te realiseren? Volg dan de minor Embedded Vision and Machine Learning bij de Hogeschool van Arnhem en Nijmegen!

  • Hoe tel je het aantal ogen van een dobbelsteenworp met een camera?
  • Hoe kun je met een camera handbewegingen omzetten in een muisbesturing?
  • Hoe bepaal je kentekengegevens uit een langsrijdend voertuig?
  • Hoe pas je vision algoritmes toe op embedded systemen?
  • Wat is kunstmatige intelligentie en hoe pas je dat toe bij beeldverwerking?

Onderwerpen

De student krijgt een uitgebreide behandeling van onderwerpen op het gebied van beeldherkenning, beeldverwerking en objectclassificatie met behulp van kunstmatige intelligentie. Er wordt gekozen voor een praktische aanpak met verschillende hardware platformen, zoals PC en embedded systeem. De student leert om vision algoritmes en classificatiemethoden toe te passen bij het bedenken van oplossingen voor gegeven opdrachten en voor eigen ideeën.

Er wordt gebruik gemaakt van software tools zoals OpenCV, Matlab, Qt en een IDE voor het ontwikkelen van applicaties voor Cortex-M microcontrollers. Deze softwaretools worden geprogrammeerd in de programmeertalen Python en C/C++. De student gebruikt deze tools en programmeertalen om zowel zelfstandig als projectmatig een systeem te ontwikkelen en te realiseren waarmee camerabeelden worden ingelezen, worden (voor)bewerkt en gevonden objecten worden geclassificeerd met behulp van kunstmatige intelligentie.

Blokminor

Deze minor is een blokminor. De minor wordt 1 keer per jaar als een blok in het 1e semester aangeboden.

Soort minor

Dit is een verdiepende minor. In een verdiepende minor specialiseer je je verder binnen je eigen beroep(profiel).

De minor kent drie vakken en een project. De drie vakken bestaan ieder voor een deel uit theorie en voor een deel uit opdrachten. De leerdoelen worden hieronder per vak beschreven:

Vak 1

  • Kan op/met een PC/Laptop de volgende Image acquisition bewerkingen uitvoeren en beargumenteren: camera, lens, lighting and interfaces.
  • Kan in OpenCV de volgende Enhancment operatoren toepassen: Image algebra, geometric operators, Synthetic images and contrast manipulation .
  • Kan in OpenCV de volgende Segmentation operatoren toepassen: thresholding, labeling and blob measurement.
  • Kan in OpenCV de volgende Feature extraction operatoren toepassen: filters, edge detection, binary morphology and color image processing.
  • Kan in OpenCV de volgende Classification operatoren toepassen: blob analysis, neural networks, blob matchers.
  • De student is in staat om een set vision operatoren te implementeren in de ANSI-C programmeertaal gebaseerd op een functionele beschrijving en rekening houdend met beperkingen zoals performance en geheugengebruik.
  • De student is in staat om een vision probleem op te lossen met een embedded systeem gebruikmakend van deze zelf geïmplementeerde operatoren: het classificeren van de drie figuren cirkel, vierkant en driehoek. De student demonstreert de oplossing.
  • De student is in staat om de functionele werking en de technische realisatie van een unieke operator te beschrijven in een korte en to-the-point PowerPoint presentatie.
  • De student is in staat om een unieke vision operator te realiseren in de ANSI-C programmeertaal en de werking ervan te demonstreren.

Vak 2

  • Weet wat digital image processing is, kent de achtergronden, frequentiebanden en is op de hoogte van de fundamentele digital image processing stappen.
  • Is op de hoogte van Digital Image Fundamentals m.b.t. het menselijk oog, licht en het elektromagnetisch spectrum. Kent verschillende sensoren t.b.v. Image Acquisition en een simpel image formation model.
  • Kent de fysieke eigenschappen van optische instrumenten en van licht en kan deze toepassen.
  • Kan de concepten van image sampling en quantization toepassen. Kent de basale relaties tussen pixels. Kan wiskundige tools die van belang zijn voor digital image processing toepassen.
  • Kent Intensity Transformations operatoren (zoals Image Negatives, Log Transformations Power_law (Gamma) Transformations en Piecewise-Linear Transformations) en kan deze toepassen.
  • Kent Histogram Processing (zoals Histogram Equalization, Histogram Matching (Specification), Local Histogram Processing en Using Histogram Statistics for Image Enhancement) en kan deze toepassen.
  • Kent de fundamenten van Spatial Filtering en verschillende filters (zoals Smoothing Spatial Filters en Sharpening Spatial Filters) deze toepassen.
  • Kent Morphologic Image Processing operatoren (zoals Erosion, Dilation, Opening, Closing, etc.) en kan deze toepassen.
  • Kent Image Segmentation operatoren (zoals Point, Line, en Edge Detection) en verschillende methoden om te thresholden (zoals Basic Global Thresholding, Optimum Global Thresholding Using Otsu’s Method, etc.) en kan deze toepassen.
  • Kan de vorm en grenzen van een segment beschrijven dmv Statistical Moments.

Vak 3

  • Kent de toepassing van machine learning algoritmen, hun training, fijnafstemming en prestatieanalyse.
  • Kan tools gebruiken voor het ontwerpen, implementeren en evalueren van machine learning.
  • Kan data voorbereiden, een algoritmen trainen en de prestaties beoordelen van machine learning toegepast op beeldverwerking, in het bijzonder objectclassificatie.
  • Kent de toepassing van deep learning-algoritmen, hun training, afstemming en prestatieanalyse.
  • Kan tools gebruiken voor het ontwerpen, implementeren en evalueren van deep learning.
  • Kan gegevens voorbereiden, een algoritme trainen en de prestaties evalueren van deep learning toegepast op beeldverwerking, in het bijzonder objectclassificatie.

Competenties

Er wordt binnen de minor gewerkt aan alle bachelor of engineering competenties:

C1 Analyseren – niveau 3
C2 Ontwerpen – niveau 3
C3 Realiseren – niveau 3
C4 Beheren – niveau 2
C5 Managen – niveau 2
C6 Adviseren – niveau 1
C7 Onderzoeken – niveau 2
C8 Professionaliseren – niveau 2

Er wordt gewerkt binnen de beroepstaak Embedded systemen ontwikkelen

Voor wie?

De minor is vooral geschikt wanneer je Embedded Systems, Computer Techniek of Technische Informatica studeert. Studenten die Elektrotechniek of Mechatronica studeren kunnen worden toegelaten, miuts zij over voldoende programmeerervaring beschikken.

Ingangseisen

  • Je werkt graag gestructureerd en denkt analytisch.
  • Je hebt uitgebreide programmeerervaring in de programmeertalen C en C++. Zo ben je bijvoorbeeld bekend met de concepten pointers en dynamische geheugenallocatie.
  • Je beschikt over kennis en vaardigheden van een of meer van onderstaande onderwerpen:
    • Digitale technieken zoals Boolean algebra en talstelsels
    • Datacommunicatie
    • Softwareapplicaties ontwikkelen voor PC of microcontroller
    • Hogere orde beschrijvingstaal zoals Java, C# of gerelateerde programmeerervaring
    • Projectmatig werken in de techniek

Goed om te weten

Je moet rekening houden met de mogelijkheid dat de theorielessen en de tentamens in het Engels kunnen worden gegeven.

Assessment

De minor is onderdeel van de opleiding Embedded Systems Engineering; de kwaliteit van de toetsing wordt geborgd door de examencommissie van de Academy Engineering and Automotive van de HAN.

Voor de minor kan 30 studiepunten worden gehaald. De minor kent twaalf deeltentamens.

  • Vak 1 wordt getoetst d.m.v. een individueel schriftelijk tentamen en een individueel mondeling assessment.
  • Vak 2 wordt getoetst d.m.v. twee individuele schriftelijke tentamens.
  • Vak 3 wordt getoetst d.m.v. een portfolio.
  • Het project wordt getoetst a.d.h.v. de opgeleverde groepsproducten, te weten een onderzoeksrapport, een functioneel ontwerp, een technisch ontwerp, het gerealiseerde product en twee keer een product demonstratie/presentatie. De twee product demonstraties/presentaties tellen mee als vinken. De overige acht cijfers worden gebruikt om het eindcijfer van de minor vast te stellen.

Voor ieder deeltentamen worden twee kansen aangeboden

 

Lesrooster

De contacturen worden geroosterd op dinsdag van 13.00 tot 21.30 uur. Daarnaast dient er zelfstandig gewerkt te worden aan huiswerkopdrachten en aan het project.

Werkvormen

  • Projectopdracht in groepen
  • Hoorcolleges
  • Workshops

Studenten van de HAN kunnen zich eenvoudig aanmelden via OSIRIS.

Inloggen OSIRIS arrowright

  

Externe studenten kunnen zich eenvoudig aanmelden via Kies Op Maat.

Inloggen kies op maat arrowright