Echtzeit-Objekterkennung mit Deep Learning. Implementierung eines Convolutional Neural Network basierten Detektors zur Qualitätskontrolle (PDF)

Bachelorarbeit aus dem Jahr 2019 im Fachbereich Ingenieurwissenschaften - Wirtschaftsingenieurwesen, Note: 1,3, Leuphana Universität Lüneburg (Institut für Produkt- und Prozessinnovation), Sprache: Deutsch, Abstract: Die vorliegende Arbeit beschäftigt 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 für die Implementierung in der Lernfabrik der Leuphana Universität geeignet ist. Der Objektdetektor soll zur Qualitätskontrolle im Rahmen eines Planspiels eingesetzt werden und aufzeigen wie die visuelle Inspektion durch Methoden der künstlichen 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 Mass für die Genauigkeit eines Objektdetektors darstellt. Anhand dieser Werte werden Rückschlüsse auf die Auswirkungen der Parameter gezogen und ein finaler R-CNN Detektor trainiert. Durch die systematische Auswahl der Hyperparameter des Faster R-CNN Detektors können die Objekte sehr zuverlässig detektiert werden. Zur besseren Einordnung der Ergebnisse in einen grösseren Kontext wird der You Only Look Once (YOLO) Detektor in verkürzter 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 für die endgültige Implementierung in der Lernfabrik geeignet ist.