- Titel
- Synthetische Trainingsdatengenerierung und Objekterkennung mit Deep Learning für Mixed Reality-Anwendungen mit Digitalen Zwillingen
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:l189-qucosa2-839607
- Konferenz
- 19. AALE-Konferenz. Luxemburg, 08.03.-10.03.2023
- Quellenangabe
- Tagungsband AALE 2023
Herausgeber: Hochschule für Technik, Wirtschaft und Kultur Leipzig
Erscheinungsort: Luxemburg
Erscheinungsjahr: 2023
ISBN: 978-3-910103-01-6 - Erstveröffentlichung
- 2023
- DOI
- https://doi.org/10.33968/2023.29
- Abstract (DE)
- Die Fähigkeit von Maschinen, Gegenstände über Kamerabildern und Videosequenzen wahrzunehmen, ermöglicht neue Formen der Mensch-Maschine-Interaktion. Bislang wird der breite Einsatz von Objekterkennung mit Deep Learning Algorithmen in der Automatisierungstechnik durch die aufwändige Datenakquise und den daraus resultierenden Mangel an Daten für das Training künstlicher neuronaler Netze gehemmt. Insbesondere die Kombination von Methoden der Objekterkennung mit Mixed Reality-Technologien und realdatengetriebenen Digitalen Zwillingen wird in Zukunft zahlreiche Anwendung im industriellen Kontext finden. Dieser Beitrag stellt ein Konzept für die Generierung synthetischer Trainingsdaten für die Objekterkennung mit Deep Learning auf Basis von Digitalen Modellen über das Training künstlicher neuronaler Netze bis hin zur Mixed Reality-Anwendung vor. Durch die automatisierte Generierung der synthetischen Trainingsdaten soll der Prozess der Trainingsdatenakquise bedeutend beschleunigt und die Qualität der Trainingsergebnisse gegenüber der Verwendung manuell erstellter Trainingsdaten erhöht werden. Die Tragfähigkeit des vorgestellten Konzeptes wird durch eine Realisierung in der am Virtual Automation Lab (VAL) der Hochschule Esslingen entwickelten Digital Twin as a Service Plattform (DTaaSP) sowie anhand von zwei Anwendungsbeispielen aufgezeigt.
- Freie Schlagwörter (DE)
- Künstliche Intelligenz, Synthetische Trainingsdaten, Objekterkennung, Digitaler Zwilling, Mixed Reality
- Herausgeber (Institution)
- Hochschule für Technik, Wirtschaft und Kultur Leipzig
- Version / Begutachtungsstatus
- publizierte Version / Verlagsversion
- URN Qucosa
- urn:nbn:de:bsz:l189-qucosa2-839607
- Veröffentlichungsdatum Qucosa
- 03.03.2023
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY 4.0