Aircraft engines periodically undergo an overhaul process during which the engine parts are dismantled and then later reassembled. When the engine components are taken apart, thousands of small parts are unfastened. To facilitate the step of engine reassembly, the small parts have to be sorted and classified. In this thesis we present a system to automatically classify small parts using convolutional neural networks. To train the neural networks, we use 3D models of the small parts to render synthetic images. The network is trained using a mixture of real images of small parts and synthetic images of their corresponding 3D models. We examine the use of a fully synthetic image set for training, as well as different ratios of real and synthetic images. Our results indicate that a convolutional neural network trained on a dataset that contains as little as 5% real images can provide a comparable classification accuracy to networks that have been trained on purely real image sets. This is advantageous in supervised learning problems targeting novel domains, where an annotated dataset of images might not be available for training.     «

Aircraft engines periodically undergo an overhaul process during which the engine parts are dismantled and then later reassembled. When the engine components are taken apart, thousands of small parts are unfastened. To facilitate the step of engine reassembly, the small parts have to be sorted and classified. In this thesis we present a system to automatically classify small parts using convolutional neural networks. To train the neural networks, we use 3D models of the small parts to render sy...     »

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...     »