Open Access

Das Testen stellt in der Informatik eine große Herausforderung dar. Für ein unmittelbares Feedback nach einer Änderung am Programmcode verwendet die TDT AG ein Testsystem, welches automatisiert Tests auf verschiedenen von der Firma entwickelten und auf OpenWRT-basierenden Routern über die Kommandozeilen ausführt. Ziel dieser Arbeit ist es, das bestehende System so zu erweitern, dass auch das Testen der Weboberflächen der Router automatisiert durchgeführt werden kann. Um die notwendigen Anforderungen dafür zu ermitteln, wurden Interviews mit den Experten der TDT AG geführt. Daraus ergab sich, dass der Schwerpunkt auf dem funktionalen Testen liegt. Zudem muss ein Tool, das Weboberflächen automatisiert testen kann, mit dem in der Firma verwendeten Robot Framework kompatibel sein. Aus diesem Grund beschränkte sich die weitere Untersuchung auf die Tools Selenium und Playwright. In einem direkten Vergleich der beiden Kandidaten in Bezug auf die Kriterien aus den Interviews zeigte sich Playwright durch die Fähigkeit des Testens von einem Webkit-basierten Browser, was in der Linux- Entwicklungsumgebung der TDT AG mit Selenium nicht möglich ist, als der bessere Kandidat. Playwright wurde daher in das automatisierte Testsystem der Firma integriert. Eine abschließende Evaluierung, bei der verschiedene Testfälle implementiert wurden, konnte zeigen, dass die Integration des Tools die wesentlichen Anforderungen erfüllt und der TDT AG einen Rahmen zum automatisierten Weboberflächentesten bereitstellt.

This work primarily focuses on improving registration procedures within augmented reality (AR) applications, by analyzing the reliability of point cloud reconstruction as a preprocessing step. Therefore, a state-of-the-art, transformer base network is utilized. For the training process a comprehensive dataset specifically designed for training deep learning models is created. This dataset will be tailored to the task of reconstructing partial liver views for augmented reality guidance in medical applications. The validation process for this dataset will be two-fold: • Deep Learning Network Training: The created dataset will be used to train a state-of-the-art deep learning network, specifically a transformer-based model, the “PoinTr”-network. This training will evaluate the dataset's effectiveness in facilitating accurate point cloud reconstruction. • Testing with Real-World Scenarios: A separate testing dataset, meticulously designed to reflect various real-world conditions encountered in AR guidance, such as variations in point cloud density, occlusions, and sensor noise, will be used to assess the performance of the trained model. This evaluation will analyze the model's ability to generate accurate reconstructions under diverse and potentially challenging scenarios.

Der Einsatz von Kameraanwendungen zur Überwachung von staubigen, rauen und gefährlichen Industrieumgebungen, wie sie beispielsweise in Sandstrahlkabinen, bei Lackierprozessen oder in der Holzverarbeitung auftreten, ist aufgrund der Einwirkung auf die empfindlichen Linsensysteme nach wie vor problembehaftet. In diesem Artikel wird, am Beispiel der Dekontamination beim Kernkraftwerksrückbau, die Entwicklung und der Test eines Kamerasystems beschrieben, mit dessen Hilfe eine optische Begutachtung von Prozessen unter schwierigsten Umgebungsbedingungen unterstützt werden kann. Dazu wird die Kamera so mit Druckluft umströmt, dass der Sichtbereich der Kamera von Partikeln freigehalten wird und der Arbeitsbereich prozessbegleitend überwacht werden kann.

Die vorliegende Arbeit erforscht, in welcher Hinsicht belastende Lebenserfahrungen von Studierenden im Studium der Sozialen Arbeit an der Hochschule Landshut präsent sind und dieses beeinflussen. Zur Bearbeitung des Themas wurde mit einem Mixed-Methods-Ansatz gearbeitet. Hierbei wurden die Studierenden des Bachelorstudienganges der Sozialen Arbeit mit Hilfe einer anonymisierten Online-Umfrage zu den Arten sowie den Auswirkungen potenziell belastender Erfahrungen befragt. Insgesamt nahmen daran 145 Studierende teil. Des Weiteren wurden Expert*inneninterviews mit zwei Lehrpersonen der Hochschule Landshut geführt. Die Ergebnisse der Empirie werden anhand von Erkenntnissen aus der wissenschaftlichen Literatur gemessen und mit ihnen verglichen. Aus der Diskussion der Theorie mit den Ergebnissen der Forschung lässt sich ableiten, dass Studierende der Sozialen Arbeit mit hoher Wahrscheinlichkeit belastende Erfahrungen gemacht haben und diese das Potenzial haben, im Studium noch einmal aufgegriffen zu werden und unangenehme Emotionen hervorzurufen. Trotz eines Bewusstseins der Lehrpersonen für diesen Zustand zeigt sich, dass eine Bearbeitung jener Emotionen zwar essenziell für den späteren Beruf der Sozialen Arbeit ist, sich allerdings im Rahmen des Studiums durch verschiedene Faktoren eingeschränkt sieht. Hierbei wird deutlich, dass alle am Ausbildungsprozess beteiligten Personen und Institutionen eine Verantwortung für das Erlernen emotionaler Kompetenzen im Sozialarbeitsstudium tragen. Aus dieser Arbeit lässt sich ableiten, dass ein Bewusstsein für potenzielle Belastungen unter den Studierenden wichtig ist und neben bestehenden Ressourcen ein Bedarf an breiter und besser ausgebauten Unterstützungssystemen an der Hochschule besteht.