dc.identifier.uri |
http://dx.doi.org/10.15488/11539 |
|
dc.identifier.uri |
https://www.repo.uni-hannover.de/handle/123456789/11628 |
|
dc.contributor.author |
Müller, Patrik
|
eng |
dc.contributor.author |
Gembarski, Paul Christoph
|
eng |
dc.contributor.author |
Lachmayer, Roland
|
eng |
dc.contributor.editor |
Corves, Burkhard
|
|
dc.contributor.editor |
Gericke, Kilian
|
|
dc.contributor.editor |
Grote, Karl-Heinrich
|
|
dc.contributor.editor |
Lohrengel, Armin
|
|
dc.contributor.editor |
Löwer, Manuel
|
|
dc.contributor.editor |
Nagarajah, Arun
|
|
dc.contributor.editor |
Rieg, Frank
|
|
dc.contributor.editor |
Scharr, Gerhard
|
|
dc.contributor.editor |
Stelzer, Ralph
|
|
dc.date.accessioned |
2021-11-25T10:14:27Z |
|
dc.date.available |
2021-11-25T10:14:27Z |
|
dc.date.issued |
2020 |
|
dc.identifier.citation |
Müller, P.; Gembarski, P.C.; Lachmayer, R.: Detektion von Konstruktionsfehlern durch eine automatisierte Objekterkennung mittels Deep Learning. In: Corves, B.; Gericke, K.; Grote, K.-H. et al. (Hrsg.): 18. Gemeinsames Kolloquium Konstruktionstechnik 2020. Essen : Universität Duisburg-Essen, 2020 (KT-Kolloquium ; 18), S. 101-112 |
eng |
dc.description.abstract |
In der Produktentwicklung gelten diverse Richtlinien, an denen sich Ingenieure orientieren. Letztendlich sind aber die Erfahrungen des jeweiligen Anwenders dafür verantwortlich, ob eine Konstruktion korrekt gestaltet wird. Dieser Beitrag bietet einen Ansatz zur automatisierten Anwendung dieses Erfahrungswissens durch die Objekterkennung mittels Deep Learning. Dafür wird ein neuronales Netz anhand eines Beispiels so trainiert, dass es gießgerechte Gestaltungsmerkmale in einer Konstruktion erkennt und klassifiziert. Die Objekterkennung wird mithilfe des YOLOv4-Algorithmus realisiert, indem zweidimensionale Schnittansichten des Bauteils vom neuronalen Netz analysiert werden. Des Weiteren werden zwei Methoden zur dreidimensionalen Rekonstruktion der Schnittansichten vorgestellt. Abschließend wird die Methode bewertet und kritisch gewürdigt. |
ger |
dc.language.iso |
ger |
eng |
dc.publisher |
Essen : Universität Duisburg-Essen |
|
dc.relation.ispartof |
18. Gemeinsames Kolloquium Konstruktionstechnik 2020 |
eng |
dc.relation.ispartofseries |
KT-Kolloquium;18 |
|
dc.rights |
Es gilt deutsches Urheberrecht. Das Dokument darf zum eigenen Gebrauch kostenfrei genutzt, aber nicht im Internet bereitgestellt oder an Außenstehende weitergegeben werden. |
eng |
dc.subject |
Computer Vision |
eng |
dc.subject |
Deep Learning |
eng |
dc.subject |
CNN |
eng |
dc.subject |
YOLO |
eng |
dc.subject |
YOLOv4 |
eng |
dc.subject |
AI |
eng |
dc.subject |
Custom Object Detection |
eng |
dc.subject |
Computer Vision |
ger |
dc.subject |
Deep Learning |
ger |
dc.subject |
CNN |
ger |
dc.subject |
YOLO |
ger |
dc.subject |
YOLOv4 |
ger |
dc.subject |
KI |
ger |
dc.subject |
benutzerdefinierte Objektdetektion |
ger |
dc.subject.classification |
Konferenzschrift |
ger |
dc.subject.ddc |
600 | Technik
|
eng |
dc.title |
Detektion von Konstruktionsfehlern durch eine automatisierte Objekterkennung mittels Deep Learning |
eng |
dc.type |
BookPart |
eng |
dc.type |
Text |
eng |
dc.relation.isbn |
978-3-940402-43-1 |
|
dc.relation.issn |
2510-6627 |
|
dc.relation.doi |
10.17185/duepublico/73094 |
|
dc.description.version |
publishedVersion |
eng |
tib.accessRights |
frei zug�nglich |
eng |