論文の概要: Fully-Automated Packaging Structure Recognition in Logistics Environments

• arxiv url: http://arxiv.org/abs/2008.04620v1
• Date: Tue, 11 Aug 2020 10:57:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 11:44:43.659288
• Title: Fully-Automated Packaging Structure Recognition in Logistics Environments
• Title（参考訳）: 物流環境における全自動包装構造認識
• Authors: Laura D\"orr, Felix Brandt, Martin Pouls, Alexander Naumann
• Abstract要約: 包装構造認識の完全自動化手法を提案する。 我々のアルゴリズムは深層学習モデルに基づいており、より正確に畳み込みニューラルネットワークを用いて画像のセグメント化を行う。 テストケースの約85%でパッケージ構造を正しく認識することができ、さらに一般的なパッケージタイプに注目する場合(91%)にさらに多くのパッケージ構造を認識できることを示す。
• 参考スコア（独自算出の注目度）: 60.56493342808093
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Within a logistics supply chain, a large variety of transported goods need to be handled, recognized and checked at many different network points. Often, huge manual effort is involved in recognizing or verifying packet identity or packaging structure, for instance to check the delivery for completeness. We propose a method for complete automation of packaging structure recognition: Based on a single image, one or multiple transport units are localized and, for each of these transport units, the characteristics, the total number and the arrangement of its packaging units is recognized. Our algorithm is based on deep learning models, more precisely convolutional neural networks for instance segmentation in images, as well as computer vision methods and heuristic components. We use a custom data set of realistic logistics images for training and evaluation of our method. We show that the solution is capable of correctly recognizing the packaging structure in approximately 85% of our test cases, and even more (91%) when focusing on most common package types.
• Abstract（参考訳）: 物流サプライチェーン内では、多くの異なるネットワークポイントで、さまざまな輸送品を扱い、認識し、チェックする必要がある。 多くの場合、パケットのアイデンティティやパッケージング構造を認識または検証するために、大規模な手作業が関与します。 一つの画像に基づいて1つまたは複数の搬送ユニットが局所化され、各搬送ユニットの特性、総数、包装ユニットの配置が認識されるパッケージ構造認識の完全自動化手法を提案する。 我々のアルゴリズムは、深層学習モデル、より正確に畳み込みニューラルネットワーク、例えば画像のセグメンテーション、コンピュータビジョン手法やヒューリスティックコンポーネントに基づいています。 本手法の訓練と評価には,現実的な物流画像のカスタムデータセットを使用する。 テストケースの約85%でパッケージ構造を正しく認識することができ、さらに一般的なパッケージタイプに注目する場合(91%)にさらに多くのパッケージ構造を認識できることを示す。

関連論文リスト

• Towards Packaging Unit Detection for Automated Palletizing Tasks [5.235268087662475]
  本稿では、合成データに基づいて完全に訓練されたこの課題に対するアプローチを提案する。 提案手法はスパースおよび低品質センサデータを扱うことができる。 我々は、さまざまな小売商品で現実世界のデータについて広範な評価を行う。
  論文  参考訳（メタデータ） (2023-08-11T15:37:38Z)
• VISTA: Vision Transformer enhanced by U-Net and Image Colorfulness Frame Filtration for Automatic Retail Checkout [0.7250756081498245]
  ビデオシーケンスから個々のフレームをセグメント化し分類することを提案する。 セグメンテーション法は、統一された単一製品アイテムと手作業のセグメンテーションと、エントロピーマスキングからなる。 我々のベストシステムは、AIシティチャレンジ2022トラック4で3位を獲得し、F1スコアは0.4545である。
  論文  参考訳（メタデータ） (2022-04-23T08:54:28Z)
• An Improved Deep Learning Approach For Product Recognition on Racks in Retail Stores [2.470815298095903]
  小売店における自動製品認識は、コンピュータビジョンとパターン認識の領域における重要な現実世界のアプリケーションである。 我々は、Faster-RCNNベースのオブジェクトローカライザとResNet-18ベースのイメージエンコーダからなる2段階物体検出認識パイプラインを開発した。 各モデルは、より優れた予測のために適切なデータセットを使用して微調整され、各クエリイメージ上でデータ拡張が行われ、ResNet-18ベースの製品認識モデルを微調整するための広範なギャラリーセットが作成される。
  論文  参考訳（メタデータ） (2022-02-26T06:51:36Z)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• Simple multi-dataset detection [83.9604523643406]
  複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。 データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。 私たちのアプローチは手動の分類学の調整を必要としません。
  論文  参考訳（メタデータ） (2021-02-25T18:55:58Z)
• Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
  インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。 境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。 実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
  論文  参考訳（メタデータ） (2021-02-16T17:58:57Z)
• An Image Processing Pipeline for Automated Packaging Structure Recognition [60.56493342808093]
  単一RGB画像に基づく標準化された物流出荷のためのパッケージング構造の自動認識のための認知システムを提案する。 コントリビューションには、適切なシステム設計の記述と、関連する実世界のデータに対する評価が含まれている。
  論文  参考訳（メタデータ） (2020-09-29T07:26:08Z)
• Fusion of Global-Local Features for Image Quality Inspection of Shipping Label [6.458496335718508]
  グローバルな特徴と局所的な特徴を組み合わせた入力画像品質検証手法を提案する。 実撮影および生成画像に関する実験結果から,提案手法が他の手法よりも優れた性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-26T08:25:34Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。