Original title: 6-DOF lokalizace objektů v průmyslových aplikacích
Translated title: 6-DOF Object Localization in Industrial Applications
Authors: Macurová, Nela ; Španěl, Michal (referee) ; Hradiš, Michal (advisor)
Document type: Master’s theses
Year: 2021
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [cze] [eng]
Cílem práce je navrhnout metodu, která lokalizuje objekt v bodovém mračně a co nejpřesněji odhadne 6D pózu předem známých objektů v průmyslové scéně pro bin picking. Návrh řešení je inspirován sítí PoseCNN. Součástí řešení je i simulátor scén, který generuje umělá data. Simulátor je použit k vygenerování trénovací datové sady obsahující 2 objekty pro trénování konvoluční neuronové sítě. Síť je otestována na anotovaných reálných scénách a dosahuje nízké úspěšnosti, pouze 23.8 % a 31.6 % úspěšnosti pro odhad translace a rotace pro jeden typ a pro druhý objekt 12.4 % a 21.6 %, přičemž tolerance pro správný odhad je 5 mm a 15°. Avšak použitím algoritmu ICP na odhadnuté výsledky je dosažena úspěšnost odhadu translace 81.5 % a rotace 51.8 % a pro druhý objekt 51.9 % a 48.7 %. Přínosem této práce je vytvoření generátoru a otestování funkčnosti sítě na malé objekty.  The aim of this work is to design a method for the object localization in the point could and as accurately as possible estimates the 6D pose of known objects in the industrial scene for bin picking. The design of the solution is inspired by the PoseCNN network. The solution also includes a scene simulator that generates artificial data. The simulator is used to generate a training data set containing 2 objects for training a convolutional neural network. The network is tested on annotated real scenes and achieves low success, only 23.8 % and 31.6 % success for estimating translation and rotation for one type of obejct and for another 12.4 % and 21.6 %, while the tolerance for correct estimation is 5 mm and 15°. However, by using the ICP algorithm on the estimated results, the success of the translation estimate is 81.5 % and the rotation is 51.8 % and for the second object 51.9 % and 48.7 %. The benefit of this work is the creation of a generator and testing the functionality of the network on small objects
Keywords: 6-DOF; bin picking; deep learning; ICP; point cloud; pose estimation; PoseCNN; scene simulator; 6-DOF; bin picking; bodové mračno; hluboké učení; ICP; odhad pózy; PoseCNN; simulátor scén

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/200195

Permalink: http://www.nusl.cz/ntk/nusl-581669


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses