Unpublished,
Automatische Positionserkennung und Transport verschiedener Paketsorten in der Logistik
(2020)
Abstract
Diese Arbeit beschäftigt sich mit der Erkennung verschiedener Paketsorten in der Logistik
und dem Greifen der detektieren Objekten mit einem Roboter. Ziel dieser Arbeit
ist es, Deep Learning als eine Möglichkeit der Objekterkennung zu untersuchen und die
Begrenzungen einer 2D Kamera zu testen. Um die Pakete in 2D-Bildern zu erkennen,
wird Deep Learning verwendet. Es werden verschiedene Modelle auf eigens erstellten
und gelabelten Bildern trainiert, wobei sich das Faster R-CNN mit ResNet101 Backbone
als bestes erwies, mit einem mAP von 74% und mAR von 73%. Das trainierte
Deep Learning Modell wird mit einem programmierbaren Roboterarm kombiniert und
als Gesamtsystem evaluiert. Zur Evaluation des Roboters mit dem Erkennungssystem
werden zwei Hauptexperimente durchgeführt. Im ersten Experiment werden Pakete
gleicher Größe verwendet. Im zweiten Experiment werden Pakete verschiedener Größen
verwendet. Für jedes Experiment werden die Pakete mit unterschiedlichen Abständen
evaluiert. Die Ergebnisse der Objekterkennung zeigen, dass Deep Learning ein geeigneter
Ansatz für die Erkennung verschiedener Paketsorten ist. Von insgesamt 177 Pakete
werden 94,915% Pakete mit 182 Greifversuche gegriffen.
Der Programmcode und das erstelle Datenset ist unter https://github.com/obenyaala/
BA_Object_detection zu finden.
