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.

[thumbnail of HS2016-SA-EP-FlorianBitterlin-CyrillSchenkel-DefektePaketeErkennen.pdf]
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
Depositing User: HSR Deposit User
Contributors:
Contribution
Name
Email
Thesis advisor
Huser, Hansjörg
UNSPECIFIED
Date Deposited: 09 Mar 2017 13:24
Last Modified: 23 Mar 2017 07:58
URI: https://eprints.ost.ch/id/eprint/552

Actions (login required)

View Item
View Item