Echtzeit-Objekterkennung mit Deep Learning. Implementierung eines Convolutional Neural Network basierten Detektors zur Qualitätskontrolle [German]

By Marie Gondeck

Bachelorarbeit aus dem Jahr 2019 im Fachbereich Ingenieurwissenschaften - Wirtschaftsingenieurwesen, Note: 1,3, Leuphana Universit?t L?neburg (Institut f?r Produkt- und Prozessinnovation), Sprache: Deutsch, Abstract: Die vorliegende Arbeit besch?ftigt sich mit der Detektion von Objekten auf Basis von Convolutional Neural Networks. Es wird untersucht, ob der Faster Region-based Convolutional Neural Network (R-CNN) Detektor f?r die Implementierung in der Lernfabrik der Leuphana Universit?t geeignet ist. Der Objektdetektor soll zur Qualit?tskontrolle im Rahmen eines Planspiels eingesetzt werden und aufzeigen wie die visuelle Inspektion durch Methoden der k?nstlichen neuronalen Netze optimiert werden kann. Der Faster R-CNN wird zu diesem Zweck mit unterschiedlichen Hyperparametern trainiert. Nach jedem Trainingsdurchlauf wird der Detektor mit einem ihm unbekannten Datensatz getestet und die generierten Vorhersagen anhand der Average Precision bewertet, die ein Ma f?r die Genauigkeit eines Objektdetektors darstellt. Anhand dieser Werte werden R?ckschl?sse auf die Auswirkungen der Parameter gezogen und ein finaler R-CNN Detektor trainiert. Durch die systematische Auswahl der Hyperparameter des Faster R-CNN Detektors k?nnen die Objekte sehr zuverl?ssig detektiert werden. Zur besseren Einordnung der Ergebnisse in einen gr? eren Kontext wird der You Only Look Once (YOLO) Detektor in verk?rzter Form vorgestellt. Nach der Betrachtung in Zusammenhang mit dem YOLO-Detektor wird die ver-gleichsweise langsame Vorgehensweise der R-CNN Architektur deutlich. Der Schluss wurde gezogen, dass dieser nicht f?r die endg?ltige Implementierung in der Lernfabrik geeignet ist.

• Format: Paperback
• Language: German
• ISBN: 3346145727
• ISBN13: 9783346145727
• Release Date: April 2020
• Publisher: Grin Verlag
• Length: 78 Pages
• Weight: 0.25 lbs.
• Dimensions: 0.2" x 5.8" x 8.3"