Flugzeugtriebwerke werden periodisch einem Überholungsprozess unterzogen, bei dem die Triebwerksteile zerlegt und später wieder zusammengebaut werden. Beim Zerlegen der Motorkomponenten werden tausende Kleinteile gelöst. Um den Schritt der Motormontage leicht zu ermöglichen, müssen die Kleinteile sortiert und klassifiziert werden.
In dieser Arbeit stellen wir ein System zur automatischen Klassifizierung von Kleinteilen unter Verwendung von gefalteten neuronalen Netzwerken vor. Um die neuronalen Netze zu trainieren, verwenden wir 3D-Modelle der kleinen Teile, um synthetische Bilder zu rendern. Das Netz wird mit einer Mischung aus realen Bildern von Kleinteilen und synthetischen Bildern ihrer entsprechenden 3D-Modelle trainiert. Wir untersuchen die Verwendung eines vollsynthetischen Bildsatzes für das Training sowie unterschiedliche Verhältnisse von realen und synthetischen Bildern.
Unsere Ergebnisse zeigen, dass ein gefaltetes neuronales Netzwerk, das mit einem Datensatz trainiert wurde, der nur 5% echte Bilder enthält, eine vergleichbare Klassifizierungsgenauigkeit wie Netzwerke bieten kann, die mit rein realen Bildsätzen trainiert wurden. Dies ist vorteilhaft bei überwachten Lernproblemen, die auf neue Bereiche abzielen, bei denen ein kommentierter Datensatz von Bildern möglicherweise nicht für das Training verfügbar ist.
«
Flugzeugtriebwerke werden periodisch einem Überholungsprozess unterzogen, bei dem die Triebwerksteile zerlegt und später wieder zusammengebaut werden. Beim Zerlegen der Motorkomponenten werden tausende Kleinteile gelöst. Um den Schritt der Motormontage leicht zu ermöglichen, müssen die Kleinteile sortiert und klassifiziert werden.
In dieser Arbeit stellen wir ein System zur automatischen Klassifizierung von Kleinteilen unter Verwendung von gefalteten neuronalen Netzwerken vor. Um die neuronalen...
»