Publikace detail

Multiple Objects Localization Using Image Segmentation with U-Net

Autoři: Štursa Dominik | Doležel Petr | Honc Daniel

Rok: 2021

Druh publikace: článek ve sborníku

Název zdroje: Proceedings of the 2021 23rd International Conference on Process Control, PC 2021

Název nakladatele: IEEE (Institute of Electrical and Electronics Engineers)

Místo vydání: New York

Strana od-do: 180-185

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Lokalizace více objektů pomocí segmentace obrazu pomocí U-Net	řesná lokalizace objektů v průmyslovém prostředí je významnou úlohou ovlivňující následné procesy pro aplikaci pick and place. Jedním z řešení, jak efektivně zajistit úspěch této úlohy, je využití moderních metod strojového vidění. Strojové vidění je stále velmi rozvíjející se téma, v němž se stále více uplatňují přístupy založené na konvolučních neuronových sítích. A tak je v tomto příspěvku navržen inovativní inženýrský přístup založený na konvolučních neuronových sítích pro úlohu lokalizace objektu. Přístup je založen na atypické segmentaci obrazu, kde jsou jednotlivé objekty reprezentovány dvěma barevnými gradientními kruhy. Tyto kruhy představují významné části objektu, jako je jeho střed nebo zakončení. Každý typ objektu (třída) je určen specifickou barvou. Pomocí vyhledávače lokálních maxim jsou všechny kruhy v obraze transformovány na body. Se znalostí těchto bodů se vypočítají souřadnice a rotace. Navržený přístup byl testován na legitimním lokalizačním problému se 100% přesností, více než 99,52% odvolávkou na polohovou úlohu a s průměrnou úhlovou odchylkou 6 minut na objekt.	Strojové vidění; lokalizace objektu; U-Net; konvoluční neuronová síť
eng	Multiple Objects Localization Using Image Segmentation with U-Net	Precise object localization in an industrial environment is a significant task affecting follow-up processes for a pick and place application. One of the solutions to effectively ensure the success of this task is to use modern methods of machine vision. Machine vision is still a highly evolving topic, in which the use of approaches based on convolutional neural networks is rising. And so in this contribution, an innovative engineering approach based on convolutional neural networks is proposed for an object localization task. The approach is based on an atypical image segmentation, where the individual objects are represented by two colored gradient circles. These circles represent significant parts of the object like its center or ending. Each object type (class) is determined by a specific color. By use of a local maxima finder, all circles in an image are transformed to points. With knowledge of these points the coordinates and rotations are calculated. The proposed approach was tested on a legitimate localization problem with 100% precision, more than 99.52% recall on the positioning task and with an average of 6 minutes angle variance per object.	Machine Vision; Object Localization; U-Net; Convolutional Neural Network

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte