Gast ::
000856819 001__ 856819 000856819 005__ 20241114121438.0 000856819 020__ $$a978-3-98555-121-7 000856819 0247_ $$2HBZ$$aHT021679326 000856819 0247_ $$2K10Plus$$aK10Plus:1828152455 000856819 0247_ $$2Laufende Nummer$$a41839 000856819 0247_ $$2datacite_doi$$a10.18154/RWTH-2022-11143 000856819 037__ $$aRWTH-2022-11143 000856819 041__ $$aGerman 000856819 082__ $$a620 000856819 1001_ $$0P:(DE-82)IDM02949$$aWenning, Marius Julian$$b0$$urwth 000856819 245__ $$aKontextabhängig Anomaliedetektion zur visuellen Hinderniserkennung für automatisierte PKW im End-of-Line-Bereich$$cMarius Wenning$$honline, print 000856819 246_3 $$aContext dependent anomaly detection for visual obstacle detection in automated cars at the end of production line$$yEnglish 000856819 250__ $$a1. Auflage 000856819 260__ $$aAachen$$bApprimus Verlag$$c2022 000856819 260__ $$c2023 000856819 300__ $$aXIII, 154 Seiten : Illustrationen, Diagramme 000856819 3367_ $$02$$2EndNote$$aThesis 000856819 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd 000856819 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook 000856819 3367_ $$2BibTeX$$aPHDTHESIS 000856819 3367_ $$2DRIVER$$adoctoralThesis 000856819 3367_ $$2DataCite$$aOutput Types/Dissertation 000856819 3367_ $$2ORCID$$aDISSERTATION 000856819 4900_ $$aErgebnisse aus der Produktionstechnik$$v37/2022 000856819 500__ $$aDruckausgabe: 2022. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2023 000856819 502__ $$aDissertation, RWTH Aachen University, 2022$$bDissertation$$cRWTH Aachen University$$d2022$$gFak04$$o2022-10-18 000856819 5203_ $$aDie automatisierte Fahrt von PKW auf dem Werksgelände des Herstellers erfordert einen Personenschutz auf Basis der Seriensensorik. Verbaute Monokameras können bislang nicht für die Aufgabe der Hinderniserkennung Verwendung finden, da die existierenden Bildverarbeitungsalgorithmen keine zuverlässige Erkennung von Hindernissen erlauben. Durch die Analyse der Bildverarbeitungsmethoden können Anforderungen an eine neuartige Hinderniserkennung formuliert werden. Die Anomaliedetektion stellt eine Algorithmenklasse dar, die verfahrensbedingte Vorteile gegenüber existierenden Methoden aufweist. Der Stand der Wissenschaft beinhaltet vielversprechende Grundlagen, zeigt jedoch auch, dass das Verfahren bislang nicht im Anwendungsfall erprobt wurde. So lautet die Zielstellung der vorliegenden Arbeit eine geeignete Anomaliedetektion zu entwerfen und diese im Anwendungsfall zu erproben. Dazu werden zwei Datensätze entwickelt. Der Simulationsdatensatz wird verwendet, um zunächst eine leistungsfähige Anomaliedetektion zu entwickeln und diese mit ausgewählten Benchmark-Algorithmen in Anwendungsfallspezifischen Testfällen zu vergleichen. Der Realdatensatz ermöglicht die Validierung der Simulationsergebnisse und stellt die Praxistauglichkeit unter Beweis. Durch Analyse des Einflusses entscheidender Designoptionen werden implizite Gestaltungsregeln abgeleitet. Durch das Einbeziehen des räumlichen und zeitlichen Kontextes kann die Klassifikationsgüte verbessert werden. Im Vergleich mit dem Stand der Technik liefert die Anomaliedetektion konkurrenzfähige Ergebnisse bei erheblich reduziertem Trainingsaufwand. In Szenen mit erhöhter Komplexität durch Beleuchtungsunterschiede, Fahrbahnverschmutzungen oder Qualm zeigt sie eine höhere Robustheit als die Semantische Segmentierung und die Tiefenbildprädiktion. Die Testergebnisse auf dem Realdatensatz bestätigen die Simulationsergebnisse und zeigen die praktische Anwendbarkeit.$$lger 000856819 520__ $$aFor automated driving on company premises of car manufacturers, the cars’ protective device needs to be implemented using standard sensor equipment. Built-in mono cameras cannot be used for obstacle detection yet, as existing computer vision algorithms do not provide reliable object detection. The analysis of the computer vision algorithms leads to a specification of requirements for an innovative obstacle detection algorithm. The method of anomaly detection shows inherent advantages compared to existing obstacle detection algorithms. The state of the art includes promising methods. However, anomaly detection has not been tested in the use case of vehicle automation so far. Therefore, the objective of this thesis is to design a suitable anomaly detection algorithm and to test it in the use case of factory-automated cars. To this end, two data sets are developed. Data from a simulated factory environment is used to develop a performant anomaly detection and to test it against state-of-the-art benchmark algorithms in use case-specific test cases. Real data enables validation of the simulation results and proves the algorithm’s practicality. A detailed analysis reveals implicit design rules that should be considered in the development of an anomaly detection for obstacle detection. The classification quality can be improved by taking into account the spacial and temporal context of the processed images. In comparison with state-of-the-art algorithms, the anomaly detection shows a competitive classification quality at only a fraction of required training data. In scenes with high complexity due to illumination, dirt or smoke, the anomaly detection is more robust than the semantic segmentation and the depth estimation. Real world experiments confirm the simulation results and prove practical applicability.$$leng 000856819 536__ $$0G:(DE-82)BMBF-01MV19002A$$aBMBF-01MV19002A - Verbundprojekt: AIMFREE - Agile Montage von Elektrofahrzeugen durch freie Verkettung; Teilvorhaben: Methoden, Modelle und Technologien zur Umsetzung der agilen, frei verketteten Montage von Elektrofahrzeugen (BMBF-01MV19002A)$$cBMBF-01MV19002A$$x0 000856819 588__ $$aDataset connected to K10Plus 000856819 591__ $$aGermany 000856819 653_7 $$aautomated factory transport 000856819 653_7 $$aautomated transport 000856819 653_7 $$aautonomous transport 000856819 653_7 $$avisual obstacle detection 000856819 7001_ $$0P:(DE-82)IDM00801$$aSchuh, Günther$$b1$$eThesis advisor$$urwth 000856819 7001_ $$0P:(DE-82)IDM00302$$aBurggräf, Peter$$b2$$eThesis advisor 000856819 8564_ $$uhttps://publications.rwth-aachen.de/record/856819/files/856819.pdf$$yOpenAccess 000856819 8564_ $$uhttps://publications.rwth-aachen.de/record/856819/files/856819_source.zip$$yRestricted 000856819 909CO $$ooai:publications.rwth-aachen.de:856819$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery 000856819 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM02949$$aRWTH Aachen$$b0$$kRWTH 000856819 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00801$$aRWTH Aachen$$b1$$kRWTH 000856819 9141_ $$y2022 000856819 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess 000856819 9201_ $$0I:(DE-82)417210_20140620$$k417210$$lLehrstuhl für Produktionssystematik$$x0 000856819 9201_ $$0I:(DE-82)417200_20140620$$k417200$$lWerkzeugmaschinenlabor WZL der RWTH Aachen$$x1 000856819 961__ $$c2023-01-12T14:07:07.777550$$x2022-12-08T15:33:57.161687$$z2023-01-12T14:07:07.777550 000856819 980__ $$aI:(DE-82)417200_20140620 000856819 980__ $$aI:(DE-82)417210_20140620 000856819 980__ $$aUNRESTRICTED 000856819 980__ $$aVDB 000856819 980__ $$abook 000856819 980__ $$aphd 000856819 9801_ $$aFullTexts