Hanspeter, U. (2021). Entwicklung eines Systems zur Artikelerkennung mit Hilfe von Künstlicher Intelligenz zur Überprüfung kommissionierter Waren [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2021.95246
Diese Arbeit befasst sich mit der Erkennung von Objekten zur Überprüfung von kommissionierten Artikeln bzw. Objekten mittels Künstlicher Intelligenz. Dabei wird ein Überblick über die theoretischen Hintergründe und Funktionsweisen von Neuronalen Netzen aufgezeigt. Dieser Teil der vorliegenden Arbeit fokussiert sich auf das Einsatzgebiet der Objekterkennung und die dafür verwendeten Convolutional Neural Networks, auf denen die Erkennungsalgorithmen basieren. Dabei werden die einzelnen Bausteine und Elemente desselben beschrieben. Der zweite Teil der Arbeit bezieht sich auf die praktische Umsetzung eines Kommissionierassistenzsystemes. Dabei wurden zwei OD-Modelle (YOLOv3, YOLOv4) für die Erkennung von drei unterschiedlichen Artikeln mittels Google Colab trainiert. Diese sind für die Erkennung der Artikel zuständig, wobei YOLOv3 eine Erkennungswahrscheinlichkeit von über 82% und YOLOv4 eine Erkennungswahrscheinlichkeit von über 90% aufweist. Der dargestellte Kommissionierprozess beginnt mit der Erstellung einer Auftragsliste, in welcher die zu kommissionierenden Artikel aufgelistet sind. Anhand dieser Liste werden die Artikel bereitgestellt und mit Hilfe der OD-Modelle auf ihre Richtigkeit überprüft. Dabei wird eine Liste der erkannten Objekte erstellt und mittels eines Python-Skripts mit der Auftragsliste verglichen. Dadurch werden mögliche Differenzen erkannt. Sollte ein Fehler auftreten, müssen die falsch kommissionierten Artikel korrigiert werden und anschließend kann das OD-Modell die Artikel erneut prüfen. Sobald alle Artikel richtig kommissioniert sind, kann der nächste Auftrag bearbeitet werden. Die Umsetzung der Objekterkennung mit den OD-Modellen YOLOv3 und YOLOv4 und der Einsatz als Assistenzsystems bei der Kommissionierung hat zufriedenstellende Ergebnisse geliefert und könnte zukünftig in der Industrie angewendet werden.
de
This thesis discusses the recognition of objects for the verification of picked items or objects by using Artificial Intelligence. Thereby an overview of the theoretical background and functionality of neural networks is given. This part of the thesis focuses on the application field of object recognition and the Convolutional Neural Networks used for this purpose, on which the recognition algorithms are based on. The individual building blocks and elements of the same will be described. The second part of the thesis refers to the practical implementation of a picking assistance system. Therefore two OD models (YOLOv3, YOLOv4) for the recognition of three different items were trained by Google Colab. These are responsible for item recognition, with YOLOv3 having a recognition probability of over 82% and YOLOv4 having a recognition probability of over 90%. The illustrated picking task starts with the creation of an order list, in which the items for picking are listed. Based on this list, the items are provided and checked by correctness using the OD models. A list of recognized objects is created and compared with the order list by a Python script. With this approach, possible differences can be detected. If an error occurs, the incorrectly picked items must be corrected and afterwards the OD model can check the items again. As soon as all articles are picked correctly, the next order can be processed. The implementation of object recognition with the OD models YOLOv3 and YOLOv4 and the use as an assistance system during picking has delivered satisfying results and could be applied in the industry in the future.
en
Additional information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers