04.09.2026 aktualisiert

**** ******** ****
Premiumkunde
100 % verfügbar

Computer Vision | KI/ML | Embedded Systems | Agentic KI

Wien, Österreich
Weltweit
Doktorat, Elektronikentwicklung
Wien, Österreich
Weltweit
Doktorat, Elektronikentwicklung

Profilanlagen

Project Portfolio - EN.pdf
Projekt Portfolio - DE.pdf
Resume_ObaidKhalid-EN.pdf
Resume_ObaidKhalid-DE.pdf

Über mich

Mit 20 Jahren Erfahrung entwickle und deploye ich produktionsreife Computer Vision-, Deep Learning- und Edge-KI-Modelle. Auf Edge-Hardware (NVIDIA Jetson, Raspberry Pi, Orange Pi, NXP) liefere ich robuste Lösungen für Mobilität, Automotive, Überwachung und kritische Infrastrukturen.

Skills

AI AgentsGitHub CopilotLLMAzure FunctionsMLOpsC (Programmiersprache)HTMLJavaKünstliche IntelligenzComputer VisionAtlassian JiraHTML5Automotive ElectronicsAvionicsUbuntuCSSCUDAContinuous DeliveryContinuous IntegrationEmbedded SystemsEmbedded LinuxEmbedded BetriebssystemeEmbedded SoftwareWindows EmbeddedGitHubUi-DesignH.264Hardware-DesignPythonNetwork SecurityModbusMQTTNetwork Information ServicesNode.jsObjekterkennungOpenCVScrumSoftware ArchitectureRaspberry PiTensorFlowAzure Machine LearningRfpsSchematische ErfassungSensorfusionSoftware DesignSystem DesignDocker ContainerCctvProject EngineeringPyTorchOffice365React.jsTransfer LearningFlaskIT-ArchitekturDeep LearningConvolutional Neural NetworksB2b SoftwareGitSensorikYoctoScript LanguageSchematische DarstellungHardware AccelerationReact NativePcb LayoutAutomotive SoftwareQA-TestsSoftware CodingRestful ApisApi-ManagementDockerHardware-Debugging
  1. KI & Computer Vision
  2. Deep Learning & Objekterkennung: PyTorch- & ONNX-Design, Ultralytics YOLO, TensorFlow, Objekterkennung, Bildsegmentierung.
  3. Tracking & Fusion: Single (SOT) & Multi-Object Tracking (MOT), Multi-Kamera-Tracker-Fusion, Trajektorien-Handoffs, Ziel-Wiedererfassung & Zustandsspeicherung (Object Memory).
  4. 3D- & Geometrie-Vision: Stereo Visual Odometry (SVO), Disparitäts-Tiefenschätzung, 3D-Punktwolken, Feature-Tracking, Posenschätzung.
  5. Klassische CV & Sensorik: OpenCV-Algorithmen, Tag-/Nacht-Invarianz (EO/IR) & visuelle Sensorfusion.
  6. Optimierung & Deployment: TensorRT, NVIDIA VPI, ONNX Runtime, Algorithm-to-Production Deployment.
  7. Embedded Hardware-Systeme
  8. Plattformen & Hardware: NVIDIA Jetson-Familie (Xavier, Orin), Raspberry Pi 5, Orange Pi, NXP-Plattformen.
  9. Software & Validierung: Embedded Linux, Yocto, Edge-GPU-Beschleunigung, Low-Compute Deployment & In-Field-Hardware-Validierung.
  10. Sensorintegration: Stereokameras, Thermal-/IR-Sensoren, 3D-Punktwolken, Onboard-Edge-Hardware.
  11. Software Engineering
  12. Programmiersprachen: C++, Python, CUDA, C, MATLAB, Shell-Scripting, JavaScript (Node.js, HTML5/CSS3).
  13. Robotik & Middleware: ROS / ROS 2, Robotersteuerungs-Architekturen, Pfadplanung & Perzeptionslogik.
  14. Anwendungsarchitektur: Asynchrone Aufgabenverarbeitung (Redis, RQ), FastAPI-Webdienste, Fetch-API.
  15. DevOps, Cloud & API
  16. Cloud- & Telemetrie-Pipelines: RESTful-API-Integrationen (JSON/XML), Cloud-to-Edge-Pipelines, Azure ML, automatisierte Web-/PDF-Berichterstellung.
  17. CI/CD & Infrastruktur: Docker, Git, GitHub, CI/CD-Deployment-Pipelines.
  18. Tools & Dokumentation: VS Code, SpiraTeams, MS Visio, LaTeX, Systemarchitektur-Diagramme.
  19. Technische Führung & Projektabwicklung
  20. Ausschreibungsmanagement (Tendering): End-to-End-Tender-Management, technische Konzepte, Scopes of Work (SOW), Method Statements, Architekturspezifikationen.
  21. Programm- & Finanzplanung: Technische Kostenmodellierung, Zeitplanung, Risikoanalysen & Mitigationsstrategien, QA/QC-Compliance.
  22. Projektabwicklung & Management: Projektleitung, cross-funktionale Teamführung, Proof-of-Concept-Entwicklung (PoC) & In-Field-Validierung.
  23. KI-Workflows & Agentische KI: Effizienzsteigerung via Claude Code & GitHub Copilot; Deployment von LLMs, VLMs & Multi-Agenten-Systemen.

Sprachen

DeutschgutEnglischverhandlungssicher

Projekthistorie

Automatisierte Kratzererkennung via plattformübergreifendes Smartphone-Video

Internet und Informationstechnologie

  1. Übersicht: Eine Kombination aus klassischer Bildverarbeitung und KI-basierten Segmentierungsmodellen identifiziert Kratzer und Karosserieschäden, die mit bloßem Auge schwer erkennbar sind. Das System verarbeitet einfache Rundum-Videos von Fahrzeugen jeder Größe (vom Kleinwagen bis zum SUV), aufgenommen mit einem Standard-Smartphone. Die Ergebnisse werden in einem Prüfbericht zusammengestellt, der jeden Mangel an seiner exakten Position auf einem branchenüblichen Fahrzeugzustandsdiagramm markiert.
  2. Status: Proof of Concept (seriennah)
  3. Zielgruppe: Gebrauchtwagenkäufer, Autovermietungen, Flottenmanagement, Leasinggesellschaften, Autohäuser und Kfz-Versicherungen.
  4. Hauptmerkmale:
  5. Mobile-First-Inspektion: Vollständige Schadensbeurteilung aus einem einzigen Smartphone-Video – ganz ohne Spezialhardware oder Scanner.
  6. Hybride Vision-Pipeline: Kombiniert klassische Computer Vision mit Deep-Learning-Segmentierung zur Präzisionserkennung feiner Kratzer.
  7. Automatisierte Zustandsberichte: Generiert sofort strukturierte PDF- und Webberichte mit exakter Schadenskartierung auf einem Zustandsdiagramm.
  8. Flexible Bereitstellung: Nahtlos als Cloud-Webanwendung oder direkt auf ressourcenarmer Edge-Hardware einsetzbar.
  9. Kostenoptimierte Präzision: Liefert professionelle Inspektionsqualität zu einem Bruchteil herkömmlicher Hardware-Kosten.

Edge-KI-Infrastruktur-Inspektionssystem

Internet und Informationstechnologie

  1. Übersicht: Ein speziell entwickeltes Computer-Vision-Modell erkennt Gleisanomalien in Echtzeit über eine Einzelkamera und ein Edge-Gerät. Ob in der Fahrerkabine oder am Unterboden montiert: Es identifiziert Fremdkörper (Tierkadaver, Müll, Flaschen), Wildwuchs sowie Infrastrukturschäden (Risse, Schienenbrände). Da das System auf regulären Zügen mitfährt, entfallen teure Spezial-Inspektionsfahrzeuge. Erkannte Anomalien werden per RESTful API (JSON/XML) in die Cloud übertragen und lösen automatische Warnmeldungen aus.
  2. Status: Proof of Concept (seriennah)
  3. Zielgruppe: Eisenbahnbetreiber, Infrastruktur-Instandhalter, Straßen- & Flughafenbetreiber (FOD-Erkennung) sowie Inspektionsdienstleister.
  4. Hauptmerkmale:
  5. Multi-Klassen-Gleisinspektion: Single-Pass-Erkennung von Hindernissen, Bewuchs und strukturellen Schienenschäden.
  6. Maßgeschneiderte KI-Architektur: Speziell entwickelte PyTorch/ONNX-Modelle zur Präzisionsklassifizierung von Gleisanomalien.
  7. Edge-Ausführung im Regelbetrieb: Läuft auf Einzelkamera und Embedded-GPU direkt im Zug – ganz ohne Spezialfahrzeuge.
  8. Hardwareübergreifend validiert: Benchmark-getestet und einsatzbereit auf NVIDIA Jetson Xavier und Jetson Orin.
  9. Automatisierte Cloud-Alarme: RESTful-API-Anbindung zur Echtzeit-Übertragung von Benachrichtigungen an Wartungssysteme.

Visuelle Odometrie zur Zuggeschwindigkeitsmessung in GPS-freien Umgebungen

Transport und Logistik

  1. Übersicht: Ein Stereo-Visuelles Odometriesystem, das die Zuggeschwindigkeit direkt über ein Onboard-Stereokamerapaar schätzt. Es bietet Schienenfahrzeugen eine autarke Geschwindigkeitsreferenz überall dort, wo Satellitenortung an Grenzen stößt – etwa in Tunnels, auf Brücken, in dichten städtischen Korridoren, Bahnhofshallen, U-Bahnen und Depots. Auf Embedded-GPU-Hardware entwickelt, wandelt es Videodaten in ein zuverlässiges Echtzeit-Geschwindigkeitssignal ohne externe Infrastruktur um.
  2. Status: Im Praxiseinsatz
  3. Zielgruppe: Eisenbahnbetreiber sowie Integratoren für Signal- und Zugsteuerungstechnik
  4. Hauptmerkmale:
  5. Echtzeit-Stereo-Visuelle-Odometrie: Ermittelt Fahrzeugbewegung und -geschwindigkeit aus 3D-Punktwolken via Feature-Tracking und Frame-zu-Frame-Posenschätzung.
  6. Infrastrukturunabhängige Telemetrie: Agiert völlig autonom und ermittelt die Geschwindigkeit rein visuell – ohne Abhängigkeit von GPS, Gleisbalisen oder externen Signalen.
  7. Modulare ROS 2-Architektur: Basiert auf ROS 2 Middleware für latenzarme Kommunikation und nahtlose Integration in Onboard-Zugsysteme.
  8. Praxiserprobte Zugintegration: Vollständig auf operativen Schienensystemen unter realen Einsatzbedingungen getestet und integriert.
  9. Empirisch validierte Genauigkeit: Gegen Referenzdaten (Ground Truth) abgeglichen; erreicht bis zu ~85 % Genauigkeit in aktiven Feldversuchen.

Zielverfolgung auf mobilen Plattformen für Tag & Nacht

  1. Übersicht: Ein auf einer bewegten Plattform montiertes Trackingsystem, das ausgewählte Ziele (Fahrzeuge, Personen, Tiere) in Echtzeit erkennt und verfolgt – mit identischer Leistung bei Tag und Nacht. Klassische Bewegungsschätzung, Kurz-/Langzeit-Tracker, KI-Erkennung und Zustandsspeicherung (Object Memory) meistern Herausforderungen wie Verdeckungen, Lichtwechsel, komplexe Hintergründe sowie Skalierungsänderungen. Der Algorithmus skaliert unverändert von ressourcenleichten bis zu hochleistungsfähigen Embedded-GPUs und macht jede mobile Plattform zum autarken Trackingsensor.
  2. Status: Im Praxiseinsatz
  3. Zielgruppe: Systemintegratoren für Sicherheitstechnik, Anbieter mobiler Überwachungslösungen sowie Organisationen mit Sicherheitsaufgaben (Polizei, Feuerwehr und Rettungsdienste).
  4. Hauptmerkmale:
  5. Einheitliche Multi-Klassen-Pipeline: Erkennt und verfolgt verschiedenste Zielkategorien (Fahrzeuge, Fußgänger, Wildtiere) innerhalb einer einzigen End-to-End-Verarbeitungsarchitektur.
  6. Tag/Nacht-Beleuchtungsinvarianz: Arbeitet nahtlos unter extremen Lichtbedingungen – von hellem Tageslicht bis zu kompletter Dunkelheit – ohne jegliche manuellen Anpassungen.
  7. Einer Codebasis: Läuft auf der gesamten NVIDIA Jetson-Familie und skaliert von energiesparenden Embedded-Modulen bis hin zu hochleistungsfähigen Edge-GPUs.
  8. Bewegungsszenarien:
  9. Feste Plattform, bewegtes Ziel
  10. Bewegte Plattform, stationäres Ziel
  11. Bewegte Plattform, bewegtes Ziel

Multi-Kamera-Zielverfolgung für CCTV-Systeme in Unternehmen

Internet und Informationstechnologie

  1. Übersicht: Ein Framework zur Multi-Kamera- und Multi-Algorithmen-Tracker-Fusion für die kontinuierliche Einzel- und Mehrzielverfolgung in komplexen Videoüberwachungsnetzen. Durch die dynamische Fusion räumlicher Kamera-Feeds und komplementärer Tracking-Pipelines erzielt die Plattform eine deutlich höhere Genauigkeit und Trajektorienstabilität als isolierte Tracking-Modelle.
  2. Status: Forschung und Entwicklung
  3. Zielgruppe: Integratoren für Sicherheits- und Überwachungssysteme, Betreiber kritischer Infrastrukturen sowie Sicherheitsbehörden mit großflächigen CCTV-Netzwerken.
  4. Hauptmerkmale:
  5. Kameraübergreifende Tracker-Fusion: Führt mehrströmige räumliche Feeds mit Multi-Modell-Tracking-Algorithmen zusammen, um eine kontinuierliche Zielzustandsschätzung aufrechtzuerhalten.
  6. Duale SOT/MOT-Funktionen: Verarbeitet sowohl isoliertes Einzelziel-Tracking (SOT) als auch dichtes Mehrziel-Tracking (MOT) innerhalb einer einheitlichen Pipeline.
  7. Verifikation an Realdaten: Ausführlich getestet mit komplexen Überwachungsvideos aus der Praxis unter Verdeckungen, Bildrauschen und niedriger Kameraauflösung.
  8. Hohe Tracking-Performance: Erzielt eine Leistungssteigerung von ~90 % bei Genauigkeit und Zielwiedererfassung gegenüber isolierten Tracking-Baselines.

Portfolio

Kontaktanfrage

Einloggen & anfragen.

Das Kontaktformular ist nur für eingeloggte Nutzer verfügbar.

RegistrierenAnmelden