Automatisches erkennen von defekten Packungen - Deep Learning mit TensorFlow

Bitterlin, Florian and Schenkel, Cyrill (2016) Automatisches erkennen von defekten Packungen - Deep Learning mit TensorFlow. Student Research Project thesis, HSR Hochschule für Technik Rapperswil.

[img]
Preview
Text
HS2016-SA-EP-FlorianBitterlin-CyrillSchenkel-DefektePaketeErkennen.pdf

Download (16MB) | Preview

Abstract

In der Intigena Produktions AG werden Produktverpackungen, die von den Verpackungsstationen nicht korrekt verschlossen werden oder sonstige Schäden aufweisen von Hand aussortiert. Das manuelle Aussortieren verlangsamt den Produktionsprozess. Deshalb soll dieser Arbeitsschritt automatisiert werden. Dazu werden im Rahmen dieser Machbarkeitsstudie die genauen Anforderungen an eine Software für die Klassifizierung von Packungen in defekte und intakte, zusammengetragen und ein Prototyp erstellt, der diese Anforderungen so gut wie möglich erfüllt. Der Prototyp analysiert Aufnahmen der Packungen und verwendet einen Deep Learning Algorithmus für die Klassifizierung. Dieses Dokument präsentiert einen Prototyp einer solchen Software, der mittels TensorFlow und Inception v3 sehr nahe an die im ersten Teil erarbeiteten Anforderungen heran kommt. Der Prototyp kann 300 Packungen in der Minute klassifizieren. Damit wird die Mindestanforderung von 120 Packungen in der Minute übertroffen. Die geforderte Genauigkeit wird nicht vollständig erreicht. Insbesondere werden zuviele Packungen als defekt eingestuft.

Item Type: Thesis (Student Research Project)
Subjects: Area of Application > Business oriented
Area of Application > Industry
Area of Application > Healthcare, Medical Sector
Area of Application > Enterprise Resource Planning (ERP) > Supply Chain Management
Technologies > Programming Languages > C++
Technologies > Programming Languages > Python
Brands > Google
Divisions: Bachelor of Science FHO in Informatik > Student Research Project
Creators:
CreatorsEmail
Bitterlin, FlorianUNSPECIFIED
Schenkel, CyrillUNSPECIFIED
Contributors:
ContributionNameEmail
Thesis advisorHuser, HansjörgUNSPECIFIED
Depositing User: HSR Deposit User
Date Deposited: 09 Mar 2017 13:24
Last Modified: 23 Mar 2017 07:58
URI: http://eprints.hsr.ch/id/eprint/552

Actions (login required)

View Item View Item