You are here: Home → Proceedings
Document Actions

Citation and metadata

Back to the article.

Recommended citation

Dümmel J, Hochstein M, Glöckle J, Furmans K (2019). Effizientes Labeln von Artikeln für das Einlernen Künstlicher Neuronaler Netze. Logistics Journal : Proceedings, Vol. 2019. (urn:nbn:de:0009-14-49804)

Download Citation

Endnote

%0 Journal Article
%T Effizientes Labeln von Artikeln für das Einlernen Künstlicher Neuronaler Netze
%A Dümmel, Johannes
%A Hochstein, Maximilian
%A Glöckle, Johannes
%A Furmans, Kai
%J Logistics Journal : Proceedings
%D 2019
%V 2019
%N 12
%@ 2192-9084
%F dümmel2019
%X Gefaltete Neuronale Netze (CNN) wurden in den letzten Jahren auf Grund ihrer hohen Erkennungsgenauigkeit sowie ihrer hohen Erkennungsgeschwindigkeit zunehmend in der Objekterkennung eingesetzt. Trotz einer schnellen und zuverlässigen Klassifizierung besteht einer ihrer größten Nachteile darin, dass das Training eines solchen Netzes sehr zeitaufwendig ist. Der Grund dafür ist, dass abhängig von der Komplexität des zu erkennenden Objekts mehrere hundert bereits klassifizierte Lernbilder benötigt werden. Das Erstellen dieser Lernbilder erfolgt bisher überwiegend manuell. Aus diesem Grund wurde am Institut für Fördertechnik und Logistiksysteme (IFL) ein Assistenzsystem entwickelt, welches das Einlernen neuer Objekte gegenüber der klassischen manuellen Methode um ein Vielfaches beschleunigt.
%L 620
%K Assistenzsystem
%K Label
%K Objekterkennung
%K Tiefenbild
%K künstliche neuronale Netze
%R 10.2195/lj_Proc_duemmel_de_201912_01
%U http://nbn-resolving.de/urn:nbn:de:0009-14-49804
%U http://dx.doi.org/10.2195/lj_Proc_duemmel_de_201912_01
Download

Bibtex

@Article{dümmel2019,
  author = 	"D{\"u}mmel, Johannes
		and Hochstein, Maximilian
		and Gl{\"o}ckle, Johannes
		and Furmans, Kai",
  title = 	"Effizientes Labeln von Artikeln f{\"u}r das Einlernen K{\"u}nstlicher Neuronaler Netze",
  journal = 	"Logistics Journal : Proceedings",
  year = 	"2019",
  volume = 	"2019",
  number = 	"12",
  keywords = 	"Assistenzsystem; Label; Objekterkennung; Tiefenbild; k{\"u}nstliche neuronale Netze",
  abstract = 	"Gefaltete Neuronale Netze (CNN) wurden in den letzten Jahren auf Grund ihrer hohen Erkennungsgenauigkeit sowie ihrer hohen Erkennungsgeschwindigkeit zunehmend in der Objekterkennung eingesetzt. Trotz einer schnellen und zuverl{\"a}ssigen Klassifizierung besteht einer ihrer gr{\"o}{\ss}ten Nachteile darin, dass das Training eines solchen Netzes sehr zeitaufwendig ist. Der Grund daf{\"u}r ist, dass abh{\"a}ngig von der Komplexit{\"a}t des zu erkennenden Objekts mehrere hundert bereits klassifizierte Lernbilder ben{\"o}tigt werden. Das Erstellen dieser Lernbilder erfolgt bisher {\"u}berwiegend manuell. Aus diesem Grund wurde am Institut f{\"u}r F{\"o}rdertechnik und Logistiksysteme (IFL) ein Assistenzsystem entwickelt, welches das Einlernen neuer Objekte gegen{\"u}ber der klassischen manuellen Methode um ein Vielfaches beschleunigt.",
  issn = 	"2192-9084",
  doi = 	"10.2195/lj_Proc_duemmel_de_201912_01",
  url = 	"http://nbn-resolving.de/urn:nbn:de:0009-14-49804"
}
Download

RIS

TY  - JOUR
AU  - Dümmel, Johannes
AU  - Hochstein, Maximilian
AU  - Glöckle, Johannes
AU  - Furmans, Kai
PY  - 2019
DA  - 2019//
TI  - Effizientes Labeln von Artikeln für das Einlernen Künstlicher Neuronaler Netze
JO  - Logistics Journal : Proceedings
VL  - 2019
IS  - 12
KW  - Assistenzsystem
KW  - Label
KW  - Objekterkennung
KW  - Tiefenbild
KW  - künstliche neuronale Netze
AB  - Gefaltete Neuronale Netze (CNN) wurden in den letzten Jahren auf Grund ihrer hohen Erkennungsgenauigkeit sowie ihrer hohen Erkennungsgeschwindigkeit zunehmend in der Objekterkennung eingesetzt. Trotz einer schnellen und zuverlässigen Klassifizierung besteht einer ihrer größten Nachteile darin, dass das Training eines solchen Netzes sehr zeitaufwendig ist. Der Grund dafür ist, dass abhängig von der Komplexität des zu erkennenden Objekts mehrere hundert bereits klassifizierte Lernbilder benötigt werden. Das Erstellen dieser Lernbilder erfolgt bisher überwiegend manuell. Aus diesem Grund wurde am Institut für Fördertechnik und Logistiksysteme (IFL) ein Assistenzsystem entwickelt, welches das Einlernen neuer Objekte gegenüber der klassischen manuellen Methode um ein Vielfaches beschleunigt.
SN  - 2192-9084
UR  - http://nbn-resolving.de/urn:nbn:de:0009-14-49804
DO  - 10.2195/lj_Proc_duemmel_de_201912_01
ID  - dümmel2019
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>dümmel2019</b:Tag>
<b:SourceType>ArticleInAPeriodical</b:SourceType>
<b:Year>2019</b:Year>
<b:PeriodicalTitle>Logistics Journal : Proceedings</b:PeriodicalTitle>
<b:Volume>2019</b:Volume>
<b:Issue>12</b:Issue>
<b:Url>http://nbn-resolving.de/urn:nbn:de:0009-14-49804</b:Url>
<b:Url>http://dx.doi.org/10.2195/lj_Proc_duemmel_de_201912_01</b:Url>
<b:Author>
<b:Author><b:NameList>
<b:Person><b:Last>Dümmel</b:Last><b:First>Johannes</b:First></b:Person>
<b:Person><b:Last>Hochstein</b:Last><b:First>Maximilian</b:First></b:Person>
<b:Person><b:Last>Glöckle</b:Last><b:First>Johannes</b:First></b:Person>
<b:Person><b:Last>Furmans</b:Last><b:First>Kai</b:First></b:Person>
</b:NameList></b:Author>
</b:Author>
<b:Title>Effizientes Labeln von Artikeln für das Einlernen Künstlicher Neuronaler Netze</b:Title>
<b:Comments>Gefaltete Neuronale Netze (CNN) wurden in den letzten Jahren auf Grund ihrer hohen Erkennungsgenauigkeit sowie ihrer hohen Erkennungsgeschwindigkeit zunehmend in der Objekterkennung eingesetzt. Trotz einer schnellen und zuverlässigen Klassifizierung besteht einer ihrer größten Nachteile darin, dass das Training eines solchen Netzes sehr zeitaufwendig ist. Der Grund dafür ist, dass abhängig von der Komplexität des zu erkennenden Objekts mehrere hundert bereits klassifizierte Lernbilder benötigt werden. Das Erstellen dieser Lernbilder erfolgt bisher überwiegend manuell. Aus diesem Grund wurde am Institut für Fördertechnik und Logistiksysteme (IFL) ein Assistenzsystem entwickelt, welches das Einlernen neuer Objekte gegenüber der klassischen manuellen Methode um ein Vielfaches beschleunigt.</b:Comments>
</b:Source>
</b:Sources>
Download

ISI

PT Journal
AU Dümmel, J
   Hochstein, M
   Glöckle, J
   Furmans, K
TI Effizientes Labeln von Artikeln für das Einlernen Künstlicher Neuronaler Netze
SO Logistics Journal : Proceedings
PY 2019
VL 2019
IS 12
DI 10.2195/lj_Proc_duemmel_de_201912_01
DE Assistenzsystem; Label; Objekterkennung; Tiefenbild; künstliche neuronale Netze
AB Gefaltete Neuronale Netze (CNN) wurden in den letzten Jahren auf Grund ihrer hohen Erkennungsgenauigkeit sowie ihrer hohen Erkennungsgeschwindigkeit zunehmend in der Objekterkennung eingesetzt. Trotz einer schnellen und zuverlässigen Klassifizierung besteht einer ihrer größten Nachteile darin, dass das Training eines solchen Netzes sehr zeitaufwendig ist. Der Grund dafür ist, dass abhängig von der Komplexität des zu erkennenden Objekts mehrere hundert bereits klassifizierte Lernbilder benötigt werden. Das Erstellen dieser Lernbilder erfolgt bisher überwiegend manuell. Aus diesem Grund wurde am Institut für Fördertechnik und Logistiksysteme (IFL) ein Assistenzsystem entwickelt, welches das Einlernen neuer Objekte gegenüber der klassischen manuellen Methode um ein Vielfaches beschleunigt.
ER
Download

Mods

<mods>
  <titleInfo>
    <title>Effizientes Labeln von Artikeln für das Einlernen Künstlicher Neuronaler Netze</title>
  </titleInfo>
  <name type="personal">
    <namePart type="family">Dümmel</namePart>
    <namePart type="given">Johannes</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Hochstein</namePart>
    <namePart type="given">Maximilian</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Glöckle</namePart>
    <namePart type="given">Johannes</namePart>
  </name>
  <name type="personal">
    <namePart type="family">Furmans</namePart>
    <namePart type="given">Kai</namePart>
  </name>
  <abstract>Gefaltete Neuronale Netze (CNN) wurden in den letzten Jahren auf Grund ihrer hohen Erkennungsgenauigkeit sowie ihrer hohen Erkennungsgeschwindigkeit zunehmend in der Objekterkennung eingesetzt. Trotz einer schnellen und zuverlässigen Klassifizierung besteht einer ihrer größten Nachteile darin, dass das Training eines solchen Netzes sehr zeitaufwendig ist. Der Grund dafür ist, dass abhängig von der Komplexität des zu erkennenden Objekts mehrere hundert bereits klassifizierte Lernbilder benötigt werden. Das Erstellen dieser Lernbilder erfolgt bisher überwiegend manuell. Aus diesem Grund wurde am Institut für Fördertechnik und Logistiksysteme (IFL) ein Assistenzsystem entwickelt, welches das Einlernen neuer Objekte gegenüber der klassischen manuellen Methode um ein Vielfaches beschleunigt.</abstract>
  <subject>
    <topic>Assistenzsystem</topic>
    <topic>Label</topic>
    <topic>Objekterkennung</topic>
    <topic>Tiefenbild</topic>
    <topic>künstliche neuronale Netze</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>2019</number>
      </detail>
      <detail type="issue">
        <number>12</number>
      </detail>
      <date>2019</date>
    </part>
  </relatedItem>
  <identifier type="issn">2192-9084</identifier>
  <identifier type="urn">urn:nbn:de:0009-14-49804</identifier>
  <identifier type="doi">10.2195/lj_Proc_duemmel_de_201912_01</identifier>
  <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-14-49804</identifier>
  <identifier type="citekey">dümmel2019</identifier>
</mods>
Download

Full Metadata

Bibliographic Citation Logistics Journal : referierte Veröffentlichungen, Vol. 2019, Iss. 12
Title

Effizientes Labeln von Artikeln für das Einlernen Künstlicher Neuronaler Netze (ger)
Author Johannes Dümmel, Maximilian Hochstein, Johannes Glöckle, Kai Furmans
Language ger
Abstract Gefaltete Neuronale Netze (CNN) wurden in den letzten Jahren auf Grund ihrer hohen Erkennungsgenauigkeit sowie ihrer hohen Erkennungsgeschwindigkeit zunehmend in der Objekterkennung eingesetzt. Trotz einer schnellen und zuverlässigen Klassifizierung besteht einer ihrer größten Nachteile darin, dass das Training eines solchen Netzes sehr zeitaufwendig ist. Der Grund dafür ist, dass abhängig von der Komplexität des zu erkennenden Objekts mehrere hundert bereits klassifizierte Lernbilder benötigt werden. Das Erstellen dieser Lernbilder erfolgt bisher überwiegend manuell. Aus diesem Grund wurde am Institut für Fördertechnik und Logistiksysteme (IFL) ein Assistenzsystem entwickelt, welches das Einlernen neuer Objekte gegenüber der klassischen manuellen Methode um ein Vielfaches beschleunigt. Convolutional neural networks (CNN) have been increasingly used in object detection in recent years due to their high detection accuracy and high detection speed. Despite fast and reliable classifications, one of the biggest disadvantages is that the training of such a network is very time consuming. The reason for this is that, depending on the complexity of the object to be detected, several hundred already classified learning images are required. Until now, the creation of these learning images was mainly done manually. For this reason, an assistance system was developed at the Institute for Material Handling and Logistics (IFL), which accelerates the learning of new objects considerably compared to the traditional manual method.
Subject Assistenzsystem, Label, Objekterkennung, Tiefenbild, künstliche neuronale Netze
DDC 620
Rights fDPPL
URN: urn:nbn:de:0009-14-49804
DOI https://doi.org/10.2195/lj_Proc_duemmel_de_201912_01