論文の概要: Embedded Planogram Compliance Control System
- arxiv url: http://arxiv.org/abs/2401.06690v1
- Date: Fri, 12 Jan 2024 16:54:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 18:59:43.547680
- Title: Embedded Planogram Compliance Control System
- Title（参考訳）: 埋め込みプラングラムコンプライアンス制御システム
- Authors: M. Erkin Y\"ucel, Serkan Topalo\u{g}lu, Cem \"Unsalan
- Abstract要約: 小売業界は、高度なパターン認識とコンピュータビジョン技術から恩恵を受ける可能性のある、オープンで困難な問題をいくつか提示している。
本研究では,この問題に対処するための組込みシステムを提案する。
本システムでは,1台のカメラモジュールによる画像の取得と転送,コンピュータビジョンによる物体検出,シングルボードコンピュータ上での深層学習など,4つの重要なコンポーネントで構成されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The retail sector presents several open and challenging problems that could
benefit from advanced pattern recognition and computer vision techniques. One
such critical challenge is planogram compliance control. In this study, we
propose a complete embedded system to tackle this issue. Our system consists of
four key components as image acquisition and transfer via stand-alone embedded
camera module, object detection via computer vision and deep learning methods
working on single board computers, planogram compliance control method again
working on single board computers, and energy harvesting and power management
block to accompany the embedded camera modules. The image acquisition and
transfer block is implemented on the ESP-EYE camera module. The object
detection block is based on YOLOv5 as the deep learning method and local
feature extraction. We implement these methods on Raspberry Pi 4, NVIDIA Jetson
Orin Nano, and NVIDIA Jetson AGX Orin as single board computers. The planogram
compliance control block utilizes sequence alignment through a modified
Needleman-Wunsch algorithm. This block is also working along with the object
detection block on the same single board computers. The energy harvesting and
power management block consists of solar and RF energy harvesting modules with
suitable battery pack for operation. We tested the proposed embedded planogram
compliance control system on two different datasets to provide valuable
insights on its strengths and weaknesses. The results show that our method
achieves F1 scores of 0.997 and 1.0 in object detection and planogram
compliance control blocks, respectively. Furthermore, we calculated that the
complete embedded system can work in stand-alone form up to two years based on
battery. This duration can be further extended with the integration of the
proposed solar and RF energy harvesting options.
- Abstract（参考訳）: 小売部門は、高度なパターン認識とコンピュータビジョン技術から恩恵を受ける可能性のある、オープンで挑戦的な問題をいくつか提示している。
そのような重要な課題の1つは、プラノグラムコンプライアンス制御である。
本研究では,この問題に対処するための組み込みシステムを提案する。
本システムでは,スタンドアロンの組み込みカメラモジュールによる画像取得と転送,コンピュータビジョンによる物体検出,シングルボードコンピュータで作業するディープラーニング手法,シングルボードコンピュータで再び作業するプラングラムコンプライアンス制御方法,組込みカメラモジュールに付随するエネルギー回収と電力管理ブロックという4つの重要なコンポーネントからなる。
ESP-EYEカメラモジュールに画像取得・転送ブロックを実装する。
オブジェクト検出ブロックは、深層学習法および局所特徴抽出としてのYOLOv5に基づいている。
我々はRaspberry Pi 4,NVIDIA Jetson Orin Nano,NVIDIA Jetson AGX Orinをシングルボードコンピュータとして実装した。
計画図コンプライアンス制御ブロックは、修正されたニードルマン・ウォンシュアルゴリズムを通じてシーケンスアライメントを利用する。
このブロックは、同じシングルボードコンピュータ上のオブジェクト検出ブロックとも連携している。
エネルギー回収および電力管理ブロックは、動作に適した電池パックを備えた太陽およびRFエネルギー回収モジュールからなる。
提案手法を2つの異なるデータセット上で検証し,その強度と弱点について貴重な知見を得た。
その結果,本手法は対象検出ブロックのF1スコアの0.997と1.0をそれぞれ達成した。
さらに, 完全組込みシステムでは, 最大2年間をバッテリに基いて, 単独で動作可能と計算した。
この期間は、提案された太陽エネルギーとRFエネルギーの回収オプションを統合することでさらに延長することができる。
関連論文リスト
- Controlling Chaos Using Edge Computing Hardware [0.0]
非線形制御器は難しい制御問題に対処可能であることを示す。
モデルは正確だが、フィールドプログラマブルゲートアレイで評価できるほど小さい。
私たちの研究は、効率的な機械学習アルゴリズムをコンピューティング"エッジ"にデプロイする第一歩です。
論文 参考訳（メタデータ） (2024-05-08T21:11:00Z) - LeTFuser: Light-weight End-to-end Transformer-Based Sensor Fusion for
Autonomous Driving with Multi-Task Learning [16.241116794114525]
本稿では,複数のRGB-Dカメラ表現を融合させるアルゴリズムであるLeTFuserを紹介する。
認識と制御を同時に行うためには,マルチタスク学習を利用する。
論文 参考訳（メタデータ） (2023-10-19T20:09:08Z) - Non-Intrusive Electric Load Monitoring Approach Based on Current Feature
Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。
マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文 参考訳（メタデータ） (2023-08-08T04:52:19Z) - In-Distribution Barrier Functions: Self-Supervised Policy Filters that
Avoid Out-of-Distribution States [84.24300005271185]
本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。
本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
論文 参考訳（メタデータ） (2023-01-27T22:28:19Z) - DiffStack: A Differentiable and Modular Control Stack for Autonomous
Vehicles [75.43355868143209]
DiffStackは、予測、計画、制御のための、微分可能でモジュラーなスタックです。
nuScenesデータセットの結果から,DiffStackによるエンドツーエンドトレーニングは,オープンループおよびクローズループ計画の指標を大幅に改善することが示された。
論文 参考訳（メタデータ） (2022-12-13T09:05:21Z) - Planogram Compliance Control via Object Detection, Sequence Alignment,
and Focused Iterative Search [0.0]
提案手法は,オブジェクト検出,計画図コンプライアンス制御,集中的かつ反復的な探索手順に基づく。
これらの結果をもとに,提案手法の長所と短所を要約した。
論文 参考訳（メタデータ） (2022-12-02T07:10:57Z) - Self-Supervised Object Detection via Generative Image Synthesis [106.65384648377349]
本稿では,自己教師対象検出のための制御可能なGANを用いたエンドツーエンド分析合成フレームワークを提案する。
オブジェクトの合成と検出を学習するために、ボックスアノテーションを使用せずに、実世界のイメージのコレクションを使用します。
我々の研究は、制御可能なGAN画像合成という新しいパラダイムを導入することで、自己教師対象検出の分野を前進させる。
論文 参考訳（メタデータ） (2021-10-19T11:04:05Z) - Neural Network Based Lidar Gesture Recognition for Realtime Robot
Teleoperation [0.0]
移動ロボット制御のための低複雑さライダージェスチャー認識システムを提案する。
このシステムは軽量で、限られた計算能力を持つ移動ロボット制御に適している。
ライダーの使用はシステムの堅牢性に寄与し、ほとんどの屋外環境での運用を可能にしている。
論文 参考訳（メタデータ） (2021-09-17T00:49:31Z) - Long-Horizon Manipulation of Unknown Objects via Task and Motion
Planning with Estimated Affordances [26.082034134908785]
操作可能なオブジェクトの集合に関する事前知識がなくても,タスク・アンド・モーション・プランナが知的行動の計画に利用できることを示す。
この戦略により、単一のシステムが様々な実世界のマルチステップ操作タスクを実行できることを実証する。
論文 参考訳（メタデータ） (2021-08-09T16:13:47Z) - Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要なタスクである。
密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。
3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
論文 参考訳（メタデータ） (2020-07-30T16:39:22Z) - Pontryagin Differentiable Programming: An End-to-End Learning and
Control Framework [108.4560749465701]
ポントリャーギン微分プログラミングの方法論は、幅広い種類の学習と制御タスクを解決するための統一されたフレームワークを確立する。
本研究では, PDP の逆強化学習, システム識別, 制御・計画の3つの学習モードについて検討する。
マルチリンクロボットアーム,6-DoFオペレーティングクオーロレータ,6-DoFロケット搭載着陸など,多次元システムにおける学習モード毎のPDPの能力を示す。
論文 参考訳（メタデータ） (2019-12-30T15:35:43Z)
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。