Hyperspektrale Datenverarbeitung
Jede Farbe des Spektrums birgt ein Geheimnis und verschlüsselt verborgene Details, die mit Hilfe der hyperspektralen Bildgebung betrachtet werden können. Diese Projektarbeit beschäftigte sich daher mit der Aufnahme hyperspektraler Daten von Methylenblaulösungen, deren Spektrenextraktion und der Klassifizierung dieser mittels Algorithmen zur Mustererkennung des maschinellen Lernens.
SD-VIS-OCT System
Die optische Kohärenztomographie (engl.: „optical coherence tomography“, kurz: OCT), profitiert hierbei in jüngster Zeit von zunehmender Beliebtheit unter den Forschern aufgrund des breiten Anwendungsgebiets, der Vorteilhaftigkeit und des erheblichen Zukunftspotentials. Ziel dieser Arbeit war der OCT-Einzelaufbau im sichtbaren Bereich des Lichtspektrums (engl.: „visible“, kurz: VIS) zur Erzielung höherer Auflösungen.
Aufbau eines kostengünstigen OCT-Systems
Die optische Kohärenztomografie (OCT) ist eine hochauflösende Methode zur mehrdimensionalen Visualisierung von Strukturen unterhalb des für uns Sichtbaren. Das studentische Projekt umfasste die Entwicklung und Verbesserung eines solchen OCT-Aufbaus.
Aufbau eines "OpenFlexure" Mikroskops
Das Betrachten der faszinierenden Welt des Mikrokosmos bedarf einem wesentlichen Werkzeug – dem Mikroskop. Professionelle Aufbauten können jedoch eine beträchtliche Kostenbelastung verursachen, sind schwer und oftmals nicht modular. Vor diesem Hintergrund probierten sich zwei Studenten am Aufbau eines Open-Source-Projekts mit dem Titel „OpenFlexure Microscope“.
Hochdurchsatz-Bildgebungs- und Spektroskopiesystem
Die Raman-Spektroskopie als markierungsfreier Bildgebungsansatz erfuhr vor allem im vergangenen Jahrzehnt große Aufmerksamkeit in der Forschung und sogar bei therapeutischen Anwendungen. Diese Masterarbeit setzte sich das Ziel der Entwicklung einer LabVIEW-Software für die multimodale Mikroskopie-Bildgebung mit hohem Durchsatz und die Sammlung von Raman-Spektren biologischer Zellen.
Verbesserung der Auflösung von Bilddaten der optischen Mikroskopie
Das Super-Resolution-Generative-Adversarial-Network (SRGAN) ist ein neuartiges „Deep Learning“-Verfahren, das die Erzeugung fotorealistischer Details bis zu einer 4-fachen Auflösungssteigerung ermöglicht. Vor diesem Hintergrund setzte sich diese Bachelorthesis das Ziel der Gewinnung eines empirischen Verständnisses für das SRGAN.
DE 
EN