TIES411 Konenäkö ja kuva-analyysi (5 op)

Tällä kurssilla työskennellään konenäön ja kuva-analyysin matemaattisten teorioiden ja käytännön harjoitusten parissa. 

Kurssi suoritetaan flipattujen luentojen avulla annetussa aikataulussa. Joka toinen luento suoritetaan aikataulutetusti itseopiskellen, läsnäollen Zoomissa. Itseopiskeluluentoihin liittyy pakolliset harjoitustehtävät, ja opettaja on tavoitettavissa tuolloin Zoomissa. Lähiluennoilla käydään läpi ennakkoon itseopiskeltu materiaali opiskelijoiden tekemien harjoituksien ja kysymysten perusteella keskustellen. Itseopiskelu- ja lähiluennoilla on läsnäolovelvoite. Kurssi etenee annetussa aikataulussa, eikä sitä voi etänä suorittaa, sillä lähiluentoja ei nauhoiteta keskustelun vuoksi. Poissaolo luennoilta ilmoitetaan ennakkoon ja korvataan aiheeseen liittyvällä esseetehtävällä, joka varmistaa sen, että kaikilla on ajantaisaiset tiedot ja osaaminen laboratorioharjoituksissa. 

Laboratorioharjoituksissa käytetään konenäkökameroita ja Python ohjelmointikieltä. Laboratorioharjoitukset tehdään Spektrikuvantamisen laboratoriossa, ja niiden tarkempi ajankohta ilmoitetaan kurssin yhteydessä.


Kurssin lopuksi suoritetaan tentti TIM alustalla.


Kurssilla käytetään Python ohjelmointikieltä, joten sen perusteiden hallinta on suositeltavaa. Mikäli kurssille ilmoittautuu enemmän opiskelijoita kuin on paikkoja, ovat etusijalla opiskelijat, joille kurssi on pakollinen, ja joiden opinnot ovat pisimmällä.

Työmäärä

14*2 h Luentoja, joista puolet aikataulutettuja itseopiskeluluentoja (läsnäoloseuranta)
3*3 h Laboratorioharjoituksia
Loput itsenäistä työskentelyä kuten viikoittaiset pakolliset harjoitustehtävät sekä tenttiin valmistautumista

Kurssin jälkeen opiskelija tietää digitaalisen kuvantamisen matemaattis-fysikaaliset rajoitukset, ymmärtää konenäkösensoreiden perustoimintaperiaatteet ja osaa lukea dataa sensorilta. Opiskelija osaa soveltaa näitä tietoja käytännössä hyödyntäen ohjelmistokirjastoja.

Opiskelija osaa vähentää kuvasignaalin häiriöiden vaikutusta loppusovelluksen tarpeet huomioiden. Opiskelija tuntee modernit piirteiden irrotusmenetelmät ja hallitsee tilastollisten piirteiden ja signaalin derivaattaan perustuvien piirteiden perusperiaatteet. Piirteitä hyödyntääkseen opiskelija tuntee menetelmiä datan jatkojalostamiseen esimerkiksi kuvien yhdistämisen, 3D-mallintamisen, luokittelun, ja kohteiden tunnistamisen tarpeisiin.

Datatieteen aineopinnot tai vastaavat tiedot (erityisesti Python, sillä kurssilla ohjelmoidaan). Ohjelmointi 1 ja 2.

Oppimateriaali ja pakolliset harjoitustehtävät aukeavat viikko kerrallaan Timiin. Oppimateriaali on osittain suomenkielistä, osittain englanninkielistä.