在高占用密度的建筑和拆除废物的基于传感器的表征,使用合成训练数据和深度学习
Felix Kronenwett1, Georg Maier1, Norbert Leiss2
1Fraunhofer IOSB, Institute of Optronics, System Technologies and Image Exploitation, Karlsruhe, Germany.
概括
深度学习模型有效地检测建筑和拆除废弃物 (CDW) 组件,即使在密集,重叠的材料流中. 合成数据生成显著帮助培训,使强大的回收 (RC) 应用程序.
科学领域:
- 计算机视觉 计算机视觉
- 废物管理 废物管理
- 人工智能的人工智能
背景情况:
- 基于传感器的监测对于有效回收 (RC) 建筑和拆除废弃物 (CDW) 至关重要.
- 精确的材料流特征对于优化加工厂和分类至关重要.
- 高材料吞吐量和对象重叠挑战了传统的检测算法.
研究的目的:
- 评估深度学习对象检测架构 (更快的R-CNN,YOLOv3,SSD) 用于CDW特征.
- 在高占用密度和粒子重叠的条件下评估检测性能.
- 引入和验证一种用于生成CDW对象检测的合成训练数据的方法.
主要方法:
- 研究了Faster R-CNN,YOLOv3和SSD用于检测CDW中的和砂混合物.
- 开发了一种用于生成合成训练图像的新方法,以绕过手动标签.
- 在合成数据上训练的测试模型与现实世界的CDW图像相对应,并分析了推断时间.
主要成果:
- 深度学习模型证明了其适用于CDW特征的适用性,性能优于传统方法.
- 合成数据生成方法被证明是成功的,可以在真实图像上进行有效的模型训练.
- 分析了有关占用密度,粒子重叠和实时推断要求的性能.
结论:
- 深度学习对象检测是强大的CDW监控和回收的有希望的方法.
- 合成数据生成为训练检测模型提供了一种有效的替代手动标签.
- 进一步的研究可以完善架构和合成数据组成,以改善CDW的表征.
