Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Advancing Brick Detection from Lab to Industry: A Machine Vision Approach for Robotic Applications
Autoři: Štursa Dominik | Doležel Petr | Baruque Zanon Bruno
Rok: 2024
Druh publikace: článek ve sborníku
Název zdroje: 19th International Conference on Soft Computing Models in Industrial and Environmental Applications, SOCO 2024
Název nakladatele: Springer Nature Switzerland AG
Místo vydání: Cham
Strana od-do: 82-93
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Pokrok v detekci cihel z laboratoře do průmyslu: Přístup strojového vidění pro robotické aplikace Tento článek se zaměřuje na použití systému počítačového vidění pro detekci prokládaných cihel v rámci robotického manipulačního systému a zdůrazňuje výzvy a řešení související s přechodem těchto systémů z kontrolovaného laboratorního prostředí do dynamických podmínek průmyslové výroby. Řešením praktických problémů, s nimiž se setkáváme v průmyslovém prostředí, zdůrazňujeme otázky spolehlivosti systémů detekce objektů na základě obrazu při jejich začlenění do automatizovaných procesů robotické manipulace. Studie zahrnuje vývoj a testování různých modifikovaných architektur U-Net pro detekci cihel a hodnotí jejich výkonnost v laboratorním i průmyslovém prostředí. Počítačové vidění; Detekce cihel; Průmyslová aplikace
eng Advancing Brick Detection from Lab to Industry: A Machine Vision Approach for Robotic Applications This paper focuses on the application of a computer vision system for the detection of interlacing bricks within a robotic handling system, highlighting the challenges and solutions related to transitioning these systems from controlled laboratory environments to dynamic industrial manufacturing conditions. By addressing practical problems encountered in industrial settings, we emphasize the reliability issues of image-based object detection systems when integrated into automated robotic manipulation processes. The study includes the development and testing of various modified U-Net architectures for brick detection and evaluates their performance in both laboratory and industrial environments. Computer Vision; Brick Detection; Industrial Application