Kohärente L2S THz Bildgebungssysteme

• Antragsteller: Professor Dr.-Ing. Peter Haring Bolívar
• Fachliche Zuordnung: Kommunikationstechnik und -netze, Hochfrequenztechnik und photonische Systeme, Signalverarbeitung und maschinelles Lernen für die Informationstechnik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459284860

Die zunehmende Leistungsfähigkeit kohärenter Bildgebungssysteme im mm-Wellen- und THz-Frequenzbereich hat den Weg für einen breiten Einsatz solcher Sensortechnologien geebnet. Das Anwendungspotenzial ist enorm, da mit diesen Wellenlängen Information in optisch unzugänglichen Situationen aufgenommen werden kann, z.B. bei der Szenenüberwachung unter beliebigen Umgebungsbedingungen, bei der zerstörungsfreien Prüfung von Materialien und Strukturen, bei robusten Bildgebungsysteme für autonome Mobilitätsplattformen oder bei sicherheitsrelevanten Bildgebungssystemen an Flughafenkontrollen. In all diesen Anwendungsszenarien hat kohärente Bildgebung den Vorteil, dass sie grundsätzlich in der Lage ist, 3D-Objekt- und Szeneninformationen direkt aus Phasendaten abzuleiten. Diese Vorteile werden jedoch um den grundsätzlichen Preis aller kohärenten Abbildungssysteme erreicht, dass Interferenzartefakten wie Mehrwege-Interferenzen und Speckles, die Bildgebung signifikant stören. Angesichts dieser grundsätzlichen Beschränkung ist die Anwendung solcher Systeme nach wie vor herausfordernd. In diesem Projekt sollen auf künstlicher Intelligenz basierende Ansätze eingesetzt werden, um solche grundlegenden Beschränkungen kohärenter Bildgebungssysteme aufzulösen. In einem weiteren Schritt sollen lernbasierte Verfahren eingesetzt werden, um intelligente adaptive Systeme, die eine deutlich höhere Leistungsfähigkeit hinsichtlich Bildgebungsqualität und Erkennungsperformanz erreichen, realisieren zu können. Gemäß der L2S Idee ein echtes End-to-End-Lernparadigma entlang der gesamten Systemrealisierungs- und Bildanalyse-Pipeline zu etablieren, sind folgende Ziele vorgesehen:- Lernen, wie physikalisches Wissen genutzt werden kann, um adaptive synthetische Bilderzeugungsansätze zu entwickeln, die die Bildqualität verbessern und szenenabhängige Interferenzartefakte für kohärente 3D-Bildgebung korrigieren.- Ein grundlegendes Verständnis entwickeln für die auf maschinellem Lernen basierenden Segmentierung von rekonstruierten 3D-THz-Bilddaten, die von „sparsen“ Beleuchtungs- und Sensoranordnungen stammen, einschließlich differenzieller Bildgebungsmodi.- Erforschen inwieweit eine lernbasierte Erkennung direkt aus sensorischen Rohdaten erreicht werden kann, ohne den aufwendigen Zwischenschritt der synthetischen 3D Rekonstruktion zu benötigen. - Lernen, wie eine Aufgabenabhängige adaptive Systemanpassung Bildgebungs- und Erkennungsfähigkeiten maximieren und gleichzeitig den Aufwand für Hardware und Datenerfassung minimieren kann.Diese Ziele werden experimentell mit THz-Bildgebungssystemen angegangen, die auf MIMO (multiple-input multiple-output) FMCW (frequency-modulated continuous-wave) synthetischen Bild¬rekonstruk-tions¬an¬sätzen basieren, um eine maximale Variabilität der Systemkonfiguration und der Beleuchtungssignale zu ermöglichen. Das System dient als Testszenario für die von den Partnern entwickelten L2S-Methoden.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5336: KI-FOR Lernen optimaler Bilddatensensorik