Csatlakozóházak objektumdetektálása, annak alkalmazhatósága az iparban
Object detection of connectors and its application in industry
Keywords:
deep learning, computer vision, automation, connectors, object detection, /, mélytanulás, gépi látás, automatizálás, csatlakozóházak, objektumdetektálásAbstract
Object detection and positioning are of particular importance in industrial environments (e.g., robotization, quality assurance). Deep learning has achieved outstanding results in this field in recent years, and we investigated the applicability of these methods for small and medium-sized companies through the detection and pose estimation of connector housing. Emphasis was placed on robustness, liquidity and investment costs for small-scale production.
Kivonat
Az objektumdetektálás és pozíciómeghatározás az ipari környezetben kiemelt fontossággal bír (pl.: robotizálás, minőségbiztosítás). A deep learning (mélytanulás) ilyen téren az elmúlt években kiemelkedő eredményeket ért el, ezen módszerek kis- és középvállalkozások számára való alkalmazhatóságát vizsgáltuk kutatásunkban csatlakozóházak detektálásán és pozíciómeghatározásán keresztül. Kiemelt fontosságot tulajdonítva a robosztusságnak, likviditásnak és beruházási költségeknek kisszériás gyártások esetén.
References
Z.-Q. Zhao, P. Zheng, S.-t. Xu, X. Wu Object detection with deep learning: a review IEEE Trans. Neural Netw. Learn. Syst. (2019)
J. Redmon, S. Divvala, R. Girshick, A. Farhadi You only look once: unified, real-time object detection 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (2016), pp. 779-788, 10.1109/CVPR.2016.91 (Utolsó letöltés: 2023.01.27.)
J. Redmon, A. Farhadi YOLO9000: better, faster, stronger https://arxiv.org/abs/1612.08242v1 (Utolsó letöltés: 2023.01.12.)
J. Redmon, A. Farhadi YOLOv3: an incremental improvement https://arxiv.org/abs/1312.2249 (2018) (Utolsó letöltés: 2023.01.11.)
A. Bochkovskiy, C.-Y. Wang, H.-Y.M. Liao YOLOv4: optimal speed and accuracy of object detection https://arxiv.org/abs/2004.10934 (2020) (Utolsó letöltés: 2023.01.18.)
C.-Y. Wang, A. Bochkovskiy, H.-Y. M. Liao YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors (2022) https://arxiv.org/abs/2207.02696 (Utolsó letöltés: 2023.01.12.)
D. Thuan Evolution of YOLO algorithm and YOLOv5: the state-of-the-art object detection algorithm (2021)
