You are here: Home → Proceedings
Document Actions

Citation and metadata

Back to the article.

Recommended citation

Thiel M, Hinckeldeyn J, Kreutzfeldt J (2018). Deep-Learning-Verfahren zur 3D-Objekterkennung in der Logistik. Logistics Journal : Proceedings, Vol. 2018. (urn:nbn:de:0009-14-47541)

Download Citation

Endnote

%0 Journal Article
%T Deep-Learning-Verfahren zur 3D-Objekterkennung in der Logistik
%A Thiel, Marko
%A Hinckeldeyn, Johannes
%A Kreutzfeldt, Jochen
%J Logistics Journal : Proceedings
%D 2018
%V 2018
%N 01
%@ 2192-9084
%F thiel2018
%X Die zuverlässige Erkennung von Objekten in Sensordaten ist Grundvoraussetzung für die Autonomisierung logistischer Prozesse. Insbesondere die Erkennung von Objekten in 3D-Sensordaten ist für flexible autonome Anwendungen wichtig. Für die Objekterkennung in 2D-Bilddaten stellen auf neuronalen Netzen basierenden Deep-Learning-Verfahren den Stand der Technik dar. Dieser Beitrag diskutiert verschiedene aktuelle Ansätze, Deep-Learning-Verfahren auch für die 3D-Objekterkennung zu nutzen. Wesentliches Merkmal dieser Ansätze ist die Verwendung von Punktwolken als Eingangsdaten, gegebenenfalls nach vorheriger Segmentierung oder Umwandlung in Voxelgitter. Beispielhafte Anwendungen in der Logistik sind autonome Flurförderzeuge und Kommissionierroboter. Herausforderungen für einen Einsatz bestehen in fehlenden Trainingsdaten, hohen erforderlichen Rechenleistungen für Echtzeitanwendungen und einer noch nicht ausreichenden Erkennungsgenauigkeit.
%L 620
%K Deep Learning
%K Autonome Systeme
%K 3D-Objekterkennung
%K Punktwolke
%R 10.2195/lj_Proc_thiel_de_201811_01
%U http://nbn-resolving.de/urn:nbn:de:0009-14-47541
%U http://dx.doi.org/10.2195/lj_Proc_thiel_de_201811_01
Download

Bibtex

@Article{thiel2018,
  author = 	"Thiel, Marko
		and Hinckeldeyn, Johannes
		and Kreutzfeldt, Jochen",
  title = 	"Deep-Learning-Verfahren zur 3D-Objekterkennung in der Logistik",
  journal = 	"Logistics Journal : Proceedings",
  year = 	"2018",
  volume = 	"2018",
  number = 	"01",
  keywords = 	"Deep Learning; Autonome Systeme; 3D-Objekterkennung; Punktwolke",
  abstract = 	"Die zuverl{\"a}ssige Erkennung von Objekten in Sensordaten ist Grundvoraussetzung f{\"u}r die Autonomisierung logistischer Prozesse. Insbesondere die Erkennung von Objekten in 3D-Sensordaten ist f{\"u}r flexible autonome Anwendungen wichtig. F{\"u}r die Objekterkennung in 2D-Bilddaten stellen auf neuronalen Netzen basierenden Deep-Learning-Verfahren den Stand der Technik dar. Dieser Beitrag diskutiert verschiedene aktuelle Ans{\"a}tze, Deep-Learning-Verfahren auch f{\"u}r die 3D-Objekterkennung zu nutzen. Wesentliches Merkmal dieser Ans{\"a}tze ist die Verwendung von Punktwolken als Eingangsdaten, gegebenenfalls nach vorheriger Segmentierung oder Umwandlung in Voxelgitter. Beispielhafte Anwendungen in der Logistik sind autonome Flurf{\"o}rderzeuge und Kommissionierroboter. Herausforderungen f{\"u}r einen Einsatz bestehen in fehlenden Trainingsdaten, hohen erforderlichen Rechenleistungen f{\"u}r Echtzeitanwendungen und einer noch nicht ausreichenden Erkennungsgenauigkeit.",
  issn = 	"2192-9084",
  doi = 	"10.2195/lj_Proc_thiel_de_201811_01",
  url = 	"http://nbn-resolving.de/urn:nbn:de:0009-14-47541"
}
Download

RIS

TY  - JOUR
AU  - Thiel, Marko
AU  - Hinckeldeyn, Johannes
AU  - Kreutzfeldt, Jochen
PY  - 2018
DA  - 2018//
TI  - Deep-Learning-Verfahren zur 3D-Objekterkennung in der Logistik
JO  - Logistics Journal : Proceedings
VL  - 2018
IS  - 01
KW  - Deep Learning
KW  - Autonome Systeme
KW  - 3D-Objekterkennung
KW  - Punktwolke
AB  - Die zuverlässige Erkennung von Objekten in Sensordaten ist Grundvoraussetzung für die Autonomisierung logistischer Prozesse. Insbesondere die Erkennung von Objekten in 3D-Sensordaten ist für flexible autonome Anwendungen wichtig. Für die Objekterkennung in 2D-Bilddaten stellen auf neuronalen Netzen basierenden Deep-Learning-Verfahren den Stand der Technik dar. Dieser Beitrag diskutiert verschiedene aktuelle Ansätze, Deep-Learning-Verfahren auch für die 3D-Objekterkennung zu nutzen. Wesentliches Merkmal dieser Ansätze ist die Verwendung von Punktwolken als Eingangsdaten, gegebenenfalls nach vorheriger Segmentierung oder Umwandlung in Voxelgitter. Beispielhafte Anwendungen in der Logistik sind autonome Flurförderzeuge und Kommissionierroboter. Herausforderungen für einen Einsatz bestehen in fehlenden Trainingsdaten, hohen erforderlichen Rechenleistungen für Echtzeitanwendungen und einer noch nicht ausreichenden Erkennungsgenauigkeit.
SN  - 2192-9084
UR  - http://nbn-resolving.de/urn:nbn:de:0009-14-47541
DO  - 10.2195/lj_Proc_thiel_de_201811_01
ID  - thiel2018
ER  -
Download

Wordbib

<?xml version="1.0" encoding="UTF-8"?>
<b:Sources SelectedStyle="" xmlns:b="http://schemas.openxmlformats.org/officeDocument/2006/bibliography"  xmlns="http://schemas.openxmlformats.org/officeDocument/2006/bibliography" >
<b:Source>
<b:Tag>thiel2018</b:Tag>
<b:SourceType>ArticleInAPeriodical</b:SourceType>
<b:Year>2018</b:Year>
<b:PeriodicalTitle>Logistics Journal : Proceedings</b:PeriodicalTitle>
<b:Volume>2018</b:Volume>
<b:Issue>01</b:Issue>
<b:Url>http://nbn-resolving.de/urn:nbn:de:0009-14-47541</b:Url>
<b:Url>http://dx.doi.org/10.2195/lj_Proc_thiel_de_201811_01</b:Url>
<b:Author>
<b:Author><b:NameList>
<b:Person><b:Last>Thiel</b:Last><b:First>Marko</b:First></b:Person>
<b:Person><b:Last>Hinckeldeyn</b:Last><b:First>Johannes</b:First></b:Person>
<b:Person><b:Last>Kreutzfeldt</b:Last><b:First>Jochen</b:First></b:Person>
</b:NameList></b:Author>
</b:Author>
<b:Title>Deep-Learning-Verfahren zur 3D-Objekterkennung in der Logistik</b:Title>
<b:Comments>Die zuverlässige Erkennung von Objekten in Sensordaten ist Grundvoraussetzung für die Autonomisierung logistischer Prozesse. Insbesondere die Erkennung von Objekten in 3D-Sensordaten ist für flexible autonome Anwendungen wichtig. Für die Objekterkennung in 2D-Bilddaten stellen auf neuronalen Netzen basierenden Deep-Learning-Verfahren den Stand der Technik dar. Dieser Beitrag diskutiert verschiedene aktuelle Ansätze, Deep-Learning-Verfahren auch für die 3D-Objekterkennung zu nutzen. Wesentliches Merkmal dieser Ansätze ist die Verwendung von Punktwolken als Eingangsdaten, gegebenenfalls nach vorheriger Segmentierung oder Umwandlung in Voxelgitter. Beispielhafte Anwendungen in der Logistik sind autonome Flurförderzeuge und Kommissionierroboter. Herausforderungen für einen Einsatz bestehen in fehlenden Trainingsdaten, hohen erforderlichen Rechenleistungen für Echtzeitanwendungen und einer noch nicht ausreichenden Erkennungsgenauigkeit.</b:Comments>
</b:Source>
</b:Sources>
Download

ISI

PT Journal
AU Thiel, M
   Hinckeldeyn, J
   Kreutzfeldt, J
TI Deep-Learning-Verfahren zur 3D-Objekterkennung in der Logistik
SO Logistics Journal : Proceedings
PY 2018
VL 2018
IS 01
DI 10.2195/lj_Proc_thiel_de_201811_01
DE Deep Learning; Autonome Systeme; 3D-Objekterkennung; Punktwolke
AB Die zuverlässige Erkennung von Objekten in Sensordaten ist Grundvoraussetzung für die Autonomisierung logistischer Prozesse. Insbesondere die Erkennung von Objekten in 3D-Sensordaten ist für flexible autonome Anwendungen wichtig. Für die Objekterkennung in 2D-Bilddaten stellen auf neuronalen Netzen basierenden Deep-Learning-Verfahren den Stand der Technik dar. Dieser Beitrag diskutiert verschiedene aktuelle Ansätze, Deep-Learning-Verfahren auch für die 3D-Objekterkennung zu nutzen. Wesentliches Merkmal dieser Ansätze ist die Verwendung von Punktwolken als Eingangsdaten, gegebenenfalls nach vorheriger Segmentierung oder Umwandlung in Voxelgitter. Beispielhafte Anwendungen in der Logistik sind autonome Flurförderzeuge und Kommissionierroboter. Herausforderungen für einen Einsatz bestehen in fehlenden Trainingsdaten, hohen erforderlichen Rechenleistungen für Echtzeitanwendungen und einer noch nicht ausreichenden Erkennungsgenauigkeit.
ER
Download

Mods

<mods>
  <titleInfo>
    <title>Deep-Learning-Verfahren zur 3D-Objekterkennung in der Logistik</title>
  </titleInfo>
  <name type="personal">
    <namePart type="family">Thiel</namePart>
    <namePart type="given">Marko</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Hinckeldeyn</namePart>
    <namePart type="given">Johannes</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Kreutzfeldt</namePart>
    <namePart type="given">Jochen</namePart>
  </name>
  <abstract>Die zuverlässige Erkennung von Objekten in Sensordaten ist Grundvoraussetzung für die Autonomisierung logistischer Prozesse. Insbesondere die Erkennung von Objekten in 3D-Sensordaten ist für flexible autonome Anwendungen wichtig. Für die Objekterkennung in 2D-Bilddaten stellen auf neuronalen Netzen basierenden Deep-Learning-Verfahren den Stand der Technik dar. Dieser Beitrag diskutiert verschiedene aktuelle Ansätze, Deep-Learning-Verfahren auch für die 3D-Objekterkennung zu nutzen. Wesentliches Merkmal dieser Ansätze ist die Verwendung von Punktwolken als Eingangsdaten, gegebenenfalls nach vorheriger Segmentierung oder Umwandlung in Voxelgitter. Beispielhafte Anwendungen in der Logistik sind autonome Flurförderzeuge und Kommissionierroboter. Herausforderungen für einen Einsatz bestehen in fehlenden Trainingsdaten, hohen erforderlichen Rechenleistungen für Echtzeitanwendungen und einer noch nicht ausreichenden Erkennungsgenauigkeit.</abstract>
  <subject>
    <topic>Deep Learning</topic>
    <topic>Autonome Systeme</topic>
    <topic>3D-Objekterkennung</topic>
    <topic>Punktwolke</topic>
  </subject>
  <classification authority="ddc">620</classification>
  <relatedItem type="host">
    <genre authority="marcgt">periodical</genre>
    <genre>academic journal</genre>
    <titleInfo>
      <title>Logistics Journal : Proceedings</title>
    </titleInfo>
    <part>
      <detail type="volume">
        <number>2018</number>
      </detail>
      <detail type="issue">
        <number>01</number>
      </detail>
      <date>2018</date>
    </part>
  </relatedItem>
  <identifier type="issn">2192-9084</identifier>
  <identifier type="urn">urn:nbn:de:0009-14-47541</identifier>
  <identifier type="doi">10.2195/lj_Proc_thiel_de_201811_01</identifier>
  <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-14-47541</identifier>
  <identifier type="citekey">thiel2018</identifier>
</mods>
Download

Full Metadata

Bibliographic Citation Logistics Journal : referierte Veröffentlichungen, Vol. 2018, Iss. 01
Title

Deep-Learning-Verfahren zur 3D-Objekterkennung in der Logistik (ger)
Author Marko Thiel, Johannes Hinckeldeyn, Jochen Kreutzfeldt
Language ger
Abstract Die zuverlässige Erkennung von Objekten in Sensordaten ist Grundvoraussetzung für die Autonomisierung logistischer Prozesse. Insbesondere die Erkennung von Objekten in 3D-Sensordaten ist für flexible autonome Anwendungen wichtig. Für die Objekterkennung in 2D-Bilddaten stellen auf neuronalen Netzen basierenden Deep-Learning-Verfahren den Stand der Technik dar. Dieser Beitrag diskutiert verschiedene aktuelle Ansätze, Deep-Learning-Verfahren auch für die 3D-Objekterkennung zu nutzen. Wesentliches Merkmal dieser Ansätze ist die Verwendung von Punktwolken als Eingangsdaten, gegebenenfalls nach vorheriger Segmentierung oder Umwandlung in Voxelgitter. Beispielhafte Anwendungen in der Logistik sind autonome Flurförderzeuge und Kommissionierroboter. Herausforderungen für einen Einsatz bestehen in fehlenden Trainingsdaten, hohen erforderlichen Rechenleistungen für Echtzeitanwendungen und einer noch nicht ausreichenden Erkennungsgenauigkeit. The reliable detection of objects in sensor data is a fundamental requirement for the autonomization of logistic processes. Especially the recognition of objects in 3D sensor data is important for flexible autonomous applications. Deep learning represents the state of the art for object recognition in 2D image data. This article presents various current approaches to use deep learning for 3D object recognition. An essential feature of these approaches is the use of point clouds as input data, possibly after prior segmentation or conversion into voxel grids. Examples of applications in logistics are autonomous guided vehicles and order picking robots. The challenges for an application are a lack of training data, high computing requirements for real-time applications and an accuracy that is not yet sufficient.
Subject Deep Learning, Autonome Systeme, 3D-Objekterkennung, Punktwolke
DDC 620
Rights fDPPL
URN: urn:nbn:de:0009-14-47541
DOI https://doi.org/10.2195/lj_Proc_thiel_de_201811_01