Embedded Softwareentwicklung C/C++ und KI (Deep Learning + Computer Vision) Python

Glienicke/Nordbahn, Deutschland

Deutschland

Diplom-Ingenieur (FH)

Glienicke/Nordbahn, Deutschland

Deutschland

Diplom-Ingenieur (FH)

Profilanlagen

Skills

Embedded Softwareentwicklung C/C++Maschinelles Lernen Python deep learning Computer Vision

Programmiersprachen und Werkzeuge

Primär:
C/C++, Python
KI mit Machine Learning: Scikit learn (Numpy, Pandas),
Deep Learning: Keras/TensorFlow
Computer Vision: OpenCV und Adaptive Vision
Enterprise Architect: UML / SysML
STM32 Cortex M1/M3/M4/M7 bspw. STM32F303, NXP iMX RT 117x, AM335x ARM Cortex-A8, ESP32
Capl (Canoe + VT-System)
Schnittstellen: Seriell (bspw. RS485), SPI, CAN, Bluetooth low energy (BLE)

Sekundär:
MATLAB / Simulink

Eigenes Repository
https://github.com/embmike

Branchenerfahrung
Automobil (Automotive), Verkehrstechnik, Nachrichtentechnik , Train und IT

Bildung
Ausbildung:
Energieanlagenelektroniker

Studium:
An der Fachhochschule für Technik und Wirtschaft in Berlin, Fachrichtung
Elektrotechnik, Studiengang Automatisierungstechnik
Abschluss: Diplom-Ingenieur (FH), Prädikat "gut bestanden"

Weiterbildung
Qualifizierungen 2021: Robotics Software Engineer (Udacity), https://graduation.udacity.com/confirm/R9JHTW9K
Build your own home service roboter: Gazebo, ROS with C++ : Kalman filter, Monte Carlo Localization, Graph SLAM, Path Planning (A* Search)

Qualifizierungen 2020: Computer Vision Nanodegree (Udacity), https://graduation.udacity.com/confirm/YPNKTEWC
Libraries: OpenCV + PyTorch; Image recognition: CNN + LSTM; Object tracking and localization: Kalman filter, Graph SLAM, Bayes Filter Grid Localization

Qualifizierungen 2018: Intro to Machine Learning with Keras/Tesorflow (Udacity)
Libraries: Scikit learn + Keras/Tensorflow, Machine Learning: Unsupervised Learning + Supervised Learning + Deep Learning

Qualifizierungen 2012: Systems Engineering mit SysML (inkl. OCSMP-Zertifizierung)

Qualifizierungen 2010: Funktionale Sicherheit ISO 26262 (bei TÜV Süd)

Qualifizierungen 2009: ISTQB Certified Tester: Advanced Level - Test Manager

Qualifizierungen 2006: AutomationDesk Basic and Advanced Training (bei dSpace)

Qualifizierungen 2005: ISTQB Certified Tester: Foundation Level

Website

Sprachen

DeutschMutterspracheEnglischgut

Projekthistorie

Firmware: Zentrales Raumbelüftung und -Klimatisierungs-Steuergerät mit C und ARM-Cortex-M7

TROX GmbH

Industrie und Maschinenbau

1000-5000 Mitarbeiter

Programmierung der Software
Funktions- und Treiberentwicklung
- Modbus-RTU
- RTOS: ThreadX
- Verbesserung der Software-Architektur
- Einführung von Unittest
- Realisierung und Einführung von ThreadX-Event-Analysen mit TraceX
- Schulung : Good Code Smells for C

Technik
Mikrocontroller: STM32H733 - Single Core ARM Cortex M7
Programmiersprache: C (Version 20)
Entwicklungsumgebung: Visual Studio mit VisualGDB und STMCubeMX
Entwicklungsprozess: Scrum mit Azure DevOps
Versionsverwaltung: Azure DevOp Git
Bildsystem: Azure DevOp
Unittest: Google Test und Moc
Softwaredesign: Enterprise Architect
Dokumentation: Azure DevOp Wiki

Firmware: Entwicklung einer Laufzeitumgebung für eine neue Mikrocontroller-Plattform in C++17 und ARM-Cortex-M7

SMA

Industrie und Maschinenbau

1000-5000 Mitarbeiter

Programmierung der Software
Funktionen, bspw.
- Integration der "IEC 60730 Class B Safety Library" in die Software
- Treiber für externe Peripherie: ADC ADS131, TMP116, ...
- Treiber-Anpassung für interne Peripherie: SPI, Timer (PWM) , CAN, I2C, DMA, ...
- Digitale Signalverarbeitung: Algorithmen Messgrößenauswertung
- RTOS: MicroC/OS-II

Technik
Mikrocontroller: NXP iMX RT 1170 - Dual Core ARM Cortex M7 und M4, NXP KV4 - Cortex M4
Programmiersprache: C++ (Version 17), Inline Assembler
Entwicklungsumgebung: Rowley CrossWorks, (Prototyping mit MCUXpresso IDE und Visual Studio Code)
Entwicklungsprozess: Scrum mit Jira
Versionsverwaltung: Bitbucket Git
Bildsystem: Jenkins
Unittest: Google Test und Moc
Integrationstest: Aqua und NXP Freemaster, Saleae-Logic-Analyzer, R&S Oszillioskop
Softwaredesign: Enterprise Architect
Dokumentation: Markdown (*.md) mit Visual Studio Code, Plugins: Markdown PDF, ...

PRIVAT - Service Home Roboter: Bilderkennung von Kameravideos mit Raspberry PI/Linux/ROS/C++17/ Python

Privat - Eigenes Projekt

Sonstiges

< 10 Mitarbeiter

Eigenes Projekt

Projekt
Modellauto erkennt selbstständig Objekte mittels einer Kamera. Dafür wurde ein CNN mit PyTorch in Python trainiert. Die C++17-Fahrapplikation Applikation greift auf das Modell übers die PyTorch-C++-Bibliothek libtorch zu.
(Umsetzung in Python und in C++)

Aktuell seit 02/2021:

Wechsel auf Ubuntu als Entwicklungsrechner (VMWare mit Ubuntu Robo V2)
Gazebo Robosimulation
Strukturierung der C++ -Software mit ROS (Robot Operating System)
Untersuchung: Import der KI-Modelle in Matlab/Simulink (Deep-Learning-Framework) mit Codegenerierung und Einbindung in die C++ -ROS-Application.

Technik

Bilderkennung mittels Kamera und trainierten CNN mit PyTorch. CNN: Convolutional Neural Network.
IDE für Python: Jupyter Notebook in Amazon AWS (Training GPU)
IDE: Visual Studio 19 C++ mit C++17 (Templates, Thread/async/future, STL und Range-V3)
Zielrechner: Raspberry PI 4 mit Linux
Entwicklungsrechner: Windows
Modellauto: Sunfounder Smart Video Car Kit

Portfolio

Github als embmike

Meine Projekte auf Github.

https://github.com/embmike

Kontaktanfrage

Einloggen & anfragen.

Das Kontaktformular ist nur für eingeloggte Nutzer verfügbar.

Registrieren Anmelden